Un agente de IA es un sistema de inteligencia artificial que no se limita a responder: recibe un objetivo, decide por sí mismo qué pasos dar, utiliza herramientas como un navegador, un calendario o un editor de código, y comprueba el resultado antes de continuar. Esa distancia entre contestar y actuar explica por qué los agentes de IA se han convertido en el concepto central de la industria tecnológica. Lo que se delega ya no es la redacción de un texto, sino la ejecución de una tarea completa.
Qué son los agentes de IA y en qué se diferencian de un chatbot
El término se usa con tanta ligereza que conviene acotarlo. Una de las definiciones más citadas es la que Anthropic publicó el 19 de diciembre de 2024 en su guía técnica sobre el diseño de agentes. Distingue dos familias de sistemas. En los flujos de trabajo, el modelo de lenguaje y las herramientas siguen una ruta escrita de antemano por un programador. En los agentes, es el propio modelo el que dirige el proceso y decide sobre la marcha qué herramienta usar y en qué orden.
La diferencia con un chatbot es, por tanto, de autonomía y no de inteligencia. El mismo modelo puede sostener una conversación o gobernar un agente; cambia el margen que se le concede para actuar sin que una persona apruebe cada paso. La guía recomienda, de hecho, reservar los agentes para los problemas en los que no se puede fijar un camino por adelantado.
| Asistente conversacional | Flujo automatizado | Agente de IA | |
|---|---|---|---|
| Qué recibe | Una pregunta | Una tarea prevista | Un objetivo abierto |
| Quién decide los pasos | La persona, turno a turno | El programador, de antemano | El modelo, sobre la marcha |
| Qué entrega | Un texto o una respuesta | Un resultado predecible | Una tarea ejecutada |
| Dónde encaja | Consultas y borradores | Procesos repetitivos y estables | Problemas cuyo número de pasos no se conoce |
Cómo funcionan: planificar, actuar y comprobar
El mecanismo es un ciclo. El agente interpreta el objetivo, traza un plan, ejecuta una acción con una de sus herramientas, observa lo que ha ocurrido y decide el paso siguiente. Repite la secuencia hasta dar la tarea por terminada. La clave está en la observación: en cada vuelta, el sistema contrasta su plan con lo que ha pasado realmente, sea el resultado de una búsqueda o un mensaje de error.
Bajo ese ciclo hay cuatro piezas que se repiten en casi todos los diseños:
- Un modelo de lenguaje, que razona y decide.
- Herramientas, que le permiten leer y modificar cosas fuera de la conversación: buscar en la web, abrir archivos, enviar un correo, ejecutar código.
- Memoria, que conserva lo ya hecho para no perder el hilo en tareas largas.
- Límites, que fijan qué puede tocar, cuánto puede gastar y cuándo debe detenerse a pedir confirmación.
Las tres primeras determinan lo que un agente es capaz de hacer. La cuarta determina si conviene dejarle hacerlo, y es la que más separa un experimento de un producto fiable.
Qué hacen bien y dónde siguen fallando
El progreso reciente es medible. El AI Index 2026 de la Universidad de Stanford recoge la evolución de OSWorld, una prueba que mide si un sistema completa tareas reales manejando un ordenador. Los mejores agentes alcanzaron en 2025 un 66,3 % de acierto, muy por encima de los resultados del año anterior, pero todavía por debajo del 72,35 % que obtienen las personas en la misma prueba.
La cifra admite dos lecturas. Los agentes ya resuelven la mayoría de las tareas que se les plantean en condiciones controladas y, a la vez, fallan aproximadamente una de cada tres. En un chatbot, un error es una frase equivocada que alguien puede detectar al leerla. En un agente, es una acción: una reserva mal hecha, un archivo sobrescrito, un mensaje enviado a quien no correspondía.
De ahí se deriva una regla que no depende de la generación de modelos: cuanto más larga es la cadena de pasos, más ocasiones hay de que uno salga mal y arrastre a los siguientes.
Del laboratorio a la oficina: quién los usa de verdad
La adopción avanza, aunque de forma desigual. En la encuesta anual de McKinsey sobre el estado de la IA, publicada el 25 de agosto de 2026 a partir de 1.719 respuestas en 97 países, el 40 % de los participantes de grandes empresas, las que facturan más de 1.000 millones de dólares al año, afirma que su organización ya despliega agentes a escala. Un año antes era el 27 %. Entre las empresas más pequeñas, la proporción se mantiene en el 22 %.
El dato apunta a una causa: desplegar agentes exige datos ordenados, sistemas conectados y equipos capaces de supervisarlos, y eso cuesta dinero. Las áreas donde más se han extendido son informática, gestión del conocimiento e ingeniería de software. El mismo informe recoge un efecto secundario llamativo: el 32 % de los encuestados dice que su organización ha renunciado a comprar algún producto de software porque podía construirlo internamente con herramientas de programación basadas en agentes.
El entusiasmo tiene contrapeso. Gartner pronosticó el 25 de junio de 2025 que más del 40 % de los proyectos de IA agéntica se cancelarán antes de que termine 2027, por costes crecientes, valor de negocio poco claro o controles de riesgo insuficientes. La consultora describió además un fenómeno de maquillaje comercial: de los miles de proveedores que dicen ofrecer agentes, estimaba que solo unos 130 lo hacían realmente. Son previsiones y estimaciones, pero dibujan un mercado que aún separa el producto de la etiqueta.
Los riesgos de delegar: errores, seguridad y responsabilidad
Un agente útil necesita acceso: al correo, a los documentos, a una forma de pago. Cada permiso amplía lo que puede hacer y también lo que puede estropear. A esto se suma un riesgo propio de estos sistemas: como leen páginas web y mensajes para decidir qué hacer, un texto malicioso puede intentar colarles instrucciones ajenas a las de su usuario.
La respuesta de la industria pasa por el principio del mínimo privilegio, es decir, conceder solo los accesos imprescindibles, y por mantener a una persona en los puntos de no retorno: pagar, borrar, publicar o firmar. La guía de Anthropic insiste en probar los agentes en entornos aislados y con salvaguardas antes de ponerlos en uso.
Qué puede venir después
Si la fiabilidad sigue mejorando, el cambio más visible no estará en los modelos, sino en la manera de usar el software. Un agente que traslada información de una aplicación a otra vuelve menos relevante cada aplicación concreta y más importante que todas se entiendan entre sí. Es la misma lógica que explica el paso de las aplicaciones aisladas a los ecosistemas integrales y la presión creciente a favor de la interoperabilidad entre plataformas.
También es previsible que los agentes lleguen al gran público a través del teléfono, donde la IA integrada en el propio dispositivo ya es uno de los argumentos de venta. En el ámbito laboral, Gartner prevé que en 2028 al menos el 15 % de las decisiones cotidianas de trabajo se tomen de forma autónoma mediante IA agéntica, frente a prácticamente ninguna en 2024, y que un tercio de las aplicaciones empresariales la incorpore. Son, de nuevo, previsiones.
Lo que no cambiará con la próxima generación de modelos es la forma de juzgar a cualquier agente. Bastan tres preguntas: a qué tiene acceso, quién revisa lo que hace y qué ocurre cuando se equivoca. Que estos sistemas pasen de promesa a herramienta corriente depende menos de lo que sepan hacer que de la claridad con la que se responda a las tres.