¿Qué es un agente de IA? (2026)

Dirígete a la sección que necesitas:

1. Una definición precisa de un agente de IA.

2. El bucle del agente: percibir, planificar, actuar, observar.

3. Uso de herramientas: lo que hace que un agente sea más que un chatbot.

4. El patrón ReAct: razonamiento y acción entrelazados.

5. Agente versus chatbot versus flujo: la comparación que resuelve la confusión.

6. Cuándo usar un agente (y cuándo no).

7. Riesgos y cómo contenerlos.

8. Cómo empezar de forma sencilla.

9. Preguntas frecuentes y fuentes y lecturas adicionales.

Las fuentes incluyen el documento ReAct (Yao et al.) y la Guía de Ingeniería de Prompts de DAIR.ai, ambas vinculadas con fechas en la sección final.

Un agente de IA es un sistema impulsado por LLM que, dado un objetivo, repite la decisión y ejecución de acciones, incluyendo la llamada de herramientas externas, y utiliza los resultados de esas acciones para informar su siguiente decisión, continuando hasta que se cumpla el objetivo o se dispare una condición de parada.

Analiza las tres palabras fundamentales. **Objetivo:** le das al agente un objetivo ('reservar el vuelo más barato bajo estas restricciones', 'clasificar estos 40 tickets de soporte'), no una única instrucción. **Decide:** el modelo, no un script codificado, elige el siguiente paso. **Herramientas:** el agente puede afectar al mundo u obtener información nueva: buscar en la web, ejecutar código, consultar una base de datos, llamar a una API, en lugar de depender solo de lo que hay en sus pesos.

Contrasta esto con una llamada LLM simple: envías un mensaje, obtienes una respuesta, la interacción termina. El LLM no decidió buscar nada ni realizar una acción; simplemente produjo texto. En el momento en que añades un bucle, acceso a herramientas y toma de decisiones orientada a objetivos, tienes un agente.

Casi todos los agentes ejecutan alguna versión del mismo bucle: percibir el estado actual, planificar el siguiente paso, actuar (a menudo llamando a una herramienta) y observar el resultado, luego repetir.

**Percibir.** El agente lee su contexto actual: el objetivo, el historial/conversación y los resultados de acciones anteriores.

**Planificar / razonar.** Decide qué hacer a continuación. Esto podría ser 'buscar X', 'ejecutar este código', 'hacer una pregunta aclaratoria al usuario' o 'tengo lo suficiente, produce la respuesta final'.

**Actuar.** Si el plan requiere una herramienta, el agente emite una llamada a herramienta estructurada (por ejemplo, una consulta de búsqueda o una solicitud de API). Un programa circundante ejecuta esa llamada.

**Observar.** La salida de la herramienta se retroalimenta en el contexto del agente. Con la nueva información, el bucle se repite. Una condición de parada (objetivo logrado, presupuesto de pasos/costo agotado o un error) lo finaliza. Para las matemáticas precisas sobre precios de junio de 2026, consulta nuestra calculadora de costo de agentes de IA. <!-- calc-link-mesh:v2 -->

Este bucle es lo que distingue el comportamiento de agente. Elimina el bucle y las herramientas y volverás a un chatbot.

El uso de herramientas (también llamado llamada de funciones) es el mecanismo que permite que un modelo de lenguaje haga más que generar texto. Describes las herramientas disponibles (nombre, qué hacen y los parámetros que aceptan) y el modelo puede responder con una solicitud estructurada para llamar a una. Tu código ejecuta la herramienta y devuelve el resultado, que el modelo lee en el siguiente turno.

Herramientas comunes: búsqueda web (información fresca), intérprete de código (cálculo, trabajo con datos), consultas de base de datos/API (tus sistemas y datos), operaciones de archivos e incluso otros agentes. La idea clave es que el modelo decide qué herramienta usar y con qué argumentos; no es una canalización fija que escribiste de antemano.

El uso de herramientas es también donde los agentes demuestran su valor: un LLM por sí solo no puede conocer el tipo de cambio de hoy, ejecutar una consulta real contra tus datos o enviar un correo electrónico, pero un agente con las herramientas correctas sí puede. Para el lado del diseño de prompts de la descripción de herramientas, la Guía de Ingeniería de Prompts de DAIR.ai es una referencia sólida.

El patrón más influyente detrás de los agentes modernos es ReAct, abreviatura de 'Reasoning and Acting' (Razonamiento y Acción), introducido por Yao et al. en 2022 (arXiv:2210.03629). ReAct entrelaza pasos de razonamiento ('pensamientos' sobre qué hacer) con acciones (llamadas a herramientas) y observaciones (resultados de herramientas), permitiendo que el modelo razone sobre un problema y actúe sobre él en el mismo bucle en lugar de hacerlo por separado.

Una traza ReAct simplificada se ve así:

``` Thought: Necesito la población actual de la ciudad para responder esto. Action: search("population actual de <city>") Observation: <resultado de búsqueda> Thought: Ahora puedo calcular la cifra per cápita. Action: calculator("<number> / <population>") Observation: <result> Thought: Tengo lo que necesito. Answer: <respuesta final con la cifra> ```

El valor de ReAct es que el razonamiento fundamenta las acciones (el modelo explica por qué está llamando a una herramienta) y las observaciones fundamentan el razonamiento (el modelo se actualiza en función de resultados reales en lugar de adivinar). Esto reduce respuestas no fundamentadas y hace que el comportamiento del agente sea más inspeccionar. La sección ReAct de la guía DAIR.ai lo explica con ejemplos.

Estos tres se confunden constantemente, y la distinción es principalmente sobre quién controla los pasos.

**Chatbot:** responde a cada mensaje por turno. Sin autonomía multi-paso orientada a objetivos propia; responde lo que preguntas. Excelente para Q&A, deflexión de soporte y conversación.

**Flujo de trabajo:** una secuencia de pasos fija y predefinida que tú, el desarrollador, cableaste. Un LLM puede ser un paso en ella ('resume esto', 'clasifica aquello'), pero el flujo de control está codificado. Predecible, económico, fácil de probar.

**Agente:** el LLM decide los pasos dinámicamente usando herramientas en un bucle. Flexible y capaz de manejar tareas abiertas, pero menos predecible, más difícil de probar y más costoso (más llamadas al modelo).

La regla práctica: si puedes escribir los pasos de antemano, construye un flujo de trabajo. Si los pasos realmente dependen de lo que se descubra en el camino, un agente justifica su complejidad. Nuestra guía más profunda cubre este equilibrio en producción: agentes versus flujos: cuándo usar cada uno.

Usa un flujo de trabajo cuando: puedas especificar los pasos de antemano, quieras costo y comportamiento predecibles, y la tarea tenga la misma forma cada vez.
Usa un agente cuando: los pasos requeridos dependan de lo que se descubra a mitad de tarea, el espacio de entrada sea abierto y el uso dinámico de herramientas supere genuinamente una canalización fija.

**Buenas opciones para un agente:** investigación abierta donde la siguiente consulta depende del último resultado; tareas que requieren elegir entre muchas herramientas dependiendo de la entrada; flujos de trabajo multi-paso donde la ramificación es demasiado variable para codificar; y trabajo exploratorio donde genuinamente no sabes los pasos de antemano.

**Malas opciones (usa un flujo de trabajo o una única llamada LLM en su lugar):** cualquier cosa con una secuencia conocida y fija de pasos; tareas simples de alto volumen donde las llamadas de modelo adicionales de un bucle de agente son derrochador; tareas donde la predictibilidad y auditabilidad importan más que la flexibilidad; y casos donde un mensaje bien elaborado ya hace el trabajo.

Un error común y costoso es recurrir a un agente porque es la opción emocionante. Los agentes multiplican tu costo en tokens (cada paso del bucle es una llamada al modelo), añaden latencia e introducen impredecibilidad. Empieza con la cosa más simple que funcione (a menudo un único mensaje o un pequeño flujo) y escala a un agente solo cuando la variabilidad de la tarea lo exija.

Los agentes actúan, lo que significa que sus errores tienen consecuencias más allá de una frase pobre. Tres riesgos merecen atención.

**Costo y bucles incontrolados.** Porque cada paso es una llamada al modelo, un agente que hace bucles puede acumular costo rápidamente. Siempre establece límites duros: pasos máximos, costo máximo/tokens y timeouts.

**Acciones no seguras.** Un agente con herramientas que pueden enviar correos electrónicos, gastar dinero o modificar datos puede causar daño real. Cierra acciones consecuentes detrás de aprobación humana, limita los permisos de herramientas estrictamente y prefiere herramientas de solo lectura donde sea posible.

**Inyección de prompts.** Cuando un agente lee contenido externo (páginas web, documentos, correos electrónicos), ese contenido puede contener instrucciones que intenten secuestrar el agente. La inyección de prompts es el riesgo #1 en el Top 10 de LLM de OWASP (LLM01:2025). Trata el contenido recuperado como datos no confiables, no como instrucciones. Para defensas prácticas, consulta nuestra lista de verificación de defensa contra inyección de prompts.

Estos no son razones para evitar agentes: son razones para delimitarlos. Un agente bien definido con límites de pasos, puertas de permisos y conciencia de inyección es seguro de ejecutar.

No construyas un sistema multi-agente el primer día. Comienza con un agente, una o dos herramientas y un objetivo ajustado. Dale una única capacidad que no pueda obtener de un mensaje simple: búsqueda web, por ejemplo, y observa cómo razona a través del bucle.

Instrumenta todo: registra cada pensamiento, acción y observación para que puedas ver por qué el agente hizo lo que hizo (la traza ReAct lo hace natural). Establece un límite de pasos bajo. Ejecuta sobre tareas reales y lee las trazas: aprenderás rápidamente dónde se queda atrapado o sobrecatúa.

Solo añade más herramientas, más autonomía o más agentes una vez que la versión simple demuestre que las necesita. Para escribir los mensajes y descripciones de herramientas que impulsan un agente, el Constructor de Prompts de Código y nuestra guía de mensajes del sistema te ayudan a ser preciso sobre papel y restricciones.

Las definiciones y patrones anteriores se basan en estas fuentes: confirma los detalles en los originales:

ReAct: Yao et al., 2022, 'ReAct: Synergizing Reasoning and Acting in Language Models' — arXiv:2210.03629 (accedido junio 2026).

Guía de Ingeniería de Prompts de DAIR.ai: agentes, uso de herramientas y el patrón ReAct: promptingguide.ai (accedido junio 2026).

OWASP GenAI / Top 10 de LLM: inyección de prompts (LLM01:2025): genai.owasp.org/llm-top-10 (accedido junio 2026).

Learn Prompting: explicadores de agentes y uso de herramientas: learnprompting.org.

Lectura en el sitio: agentes versus flujos de trabajo: cuándo usar cada uno y lista de verificación de defensa contra inyección de prompts.