Agentes4 min de lectura
Qué es un agente de IA: chatbot, asistente y agente
En qué se diferencia un agente de IA de un chatbot o un asistente, cómo funciona su bucle, agentes de código y de navegador, y cuándo merece la pena.
«Agente» es una de las palabras más usadas, y más estiradas, del mundo de la IA. Algunos productos llaman agente a cualquier chatbot; otros reservan la palabra para sistemas que trabajan solos durante horas. Esta guía te da una definición clara y una idea práctica de cuándo merecen la pena.
Chatbot, asistente y agente
| Característica | Chatbot | Asistente | Agente |
|---|---|---|---|
| Qué hace | Responde mensajes | Responde y ayuda con tareas usando algunas herramientas | Persigue un objetivo decidiendo y actuando en bucle |
| Quién decide los pasos | Un guion fijo o una sola respuesta | Tú, turno a turno | El modelo, dentro de los límites que fijes |
| Herramientas típicas | Ninguna o unas preguntas frecuentes | Búsqueda web, lectura de archivos, imágenes | Ejecutar código, archivos, navegador, apps y APIs |
| Ejemplo | El bot de preguntas frecuentes de una web | Pedirle a una IA que resuma un PDF | «Arregla los tests que fallan en este proyecto y abre una pull request» |
La diferencia clave es quién controla la secuencia de pasos. En un chat la controlas tú: preguntas, lees y vuelves a preguntar. Un agente recibe un objetivo y decide por su cuenta qué hacer después, una y otra vez, hasta terminar o hasta necesitar que decidas algo.
Cómo funciona el bucle de un agente
Por dentro, un agente es sorprendentemente sencillo. La guía de Anthropic, muy citada, describe los agentes como «LLM que usan herramientas en bucle según lo que observan del entorno»:
- Objetivo. Describes lo que quieres y las restricciones.
- Decidir. El modelo elige una acción: leer un archivo, buscar, ejecutar un comando, llamar a una API.
- Actuar. La aplicación ejecuta esa acción (el modelo nunca ejecuta nada por sí mismo: pide usar herramientas mediante function calling).
- Observar. El resultado vuelve al modelo: el contenido del archivo, el mensaje de error, los resultados de búsqueda.
- Repetir hasta cumplir el objetivo, llegar a un límite o pedirte una decisión.
Por eso la calidad de un agente depende de tres cosas: lo capaz que sea el modelo, lo buenas que sean sus herramientas y lo claros que sean su objetivo y sus límites.
Tipos de agentes que te vas a encontrar
Agentes de programación. La categoría más madura. Herramientas como Claude Code, Codex de OpenAI, los agentes de Cursor o el agente de programación de GitHub Copilot pueden leer un proyecto, editar varios archivos, ejecutar tests y corregir errores. El código encaja bien porque el resultado se puede comprobar de forma automática: los tests pasan o fallan.
Agentes de navegador y de uso del ordenador. Manejan un navegador o un escritorio como lo haría una persona: hacen clic, escriben y leen la pantalla. Son útiles en webs sin API, pero más lentos y propensos a errores que una integración directa.
Agentes de investigación. Buscan en muchas fuentes, las leen y redactan un informe con citas. A menudo varios subagentes leen en paralelo mientras un agente principal une las conclusiones.
Agentes en automatizaciones. En herramientas como n8n, Make o Zapier, un paso de agente puede elegir entre herramientas del negocio —consultar un pedido, buscar un cliente, mirar el centro de ayuda— antes de redactar una respuesta.
Muchos agentes se conectan a las aplicaciones mediante MCP, un estándar abierto que permite que un mismo conector funcione en distintas apps de IA.
Cuándo merece la pena un agente
Los agentes cambian coste y velocidad por flexibilidad. Son buena opción cuando:
- la tarea tiene muchos pasos que no puedes prever de antemano;
- el resultado es lo bastante valioso para justificar más tiempo y más uso del modelo;
- los errores se pueden detectar y corregir: con tests, revisión o deshaciendo.
Si los pasos son siempre los mismos, un flujo fijo es más barato, rápido y fiable. Si basta con un buen prompt, usa eso. Una regla útil de quienes los construyen: empieza por lo más sencillo que funcione y añade autonomía solo cuando mejore claramente el resultado.
Dónde fallan
- Errores que se acumulan. Una suposición equivocada al principio puede llevar al agente por un camino largo y caro.
- Exceso de confianza. Pueden dar por terminada una tarea que solo está a medias. Revisa el resultado, no el resumen.
- Inyección de prompts. El contenido que lee el agente —una web, un correo— puede esconder instrucciones. Un agente con muchos permisos podría acabar obedeciéndolas.
- Costes que se disparan. Los bucles largos leen y escriben muchos tokens.
Cómo usarlos con seguridad
- Da los permisos mínimos: solo lectura cuando se pueda, un entorno aislado o una cuenta aparte para experimentar.
- Exige aprobación para lo irreversible: enviar mensajes, pagos, borrar datos, publicar.
- Pon límites de tiempo, pasos o presupuesto.
- Revisa el resultado —cambios, borradores, registros— antes de darlo por bueno.
- Conecta solo herramientas y servidores MCP de confianza.
Para ver cómo se diseñan los agentes en la práctica, sigue con patrones de diseño de agentes de IA.
Preguntas frecuentes
¿ChatGPT o Claude son agentes?
Los dos pueden actuar como agentes cuando usan herramientas en bucle, por ejemplo al investigar en muchas webs o al trabajar con código. En un chat sencillo de pregunta y respuesta se comportan como asistentes.
¿Puede un agente hacer cosas sin mi permiso?
Solo lo que permitan sus herramientas y permisos. Las buenas aplicaciones de agentes piden aprobación antes de las acciones delicadas, y normalmente puedes elegir cuánta autonomía darles.
¿Los agentes son caros?
Suelen costar más que una respuesta suelta, porque hacen muchas llamadas al modelo y leen mucho contexto. Compensa cuando la tarea es compleja y valiosa, no para preguntas sencillas.
