La guía WIRED de los agentes de IA

Ritsuko KawaiSoftware y Cómputo17 de agosto de 2026la IA generativa y los agentes de IA radica en que la primera responde preguntas y genera contenido, mientras que los segundos actúan de forma autónoma para alcanzar un objetivo. Por ejemplo, si le pides que planifique un viaje de negocios, una IA generativa convencional solo sugeriría opciones de transporte (como trenes o aviones). En cambio, un agente de IA se encargaría automáticamente de todo, desde buscar disponibilidad de asientos y hacer reservas hasta añadirlo al calendario y configurar recordatorios.

El concepto de "agente" en la investigación de IA no es nuevo, se conoce desde la década de 1990. Sin embargo, no fue sino hasta alrededor de 2023 que los agentes de IA en el sentido moderno comenzaron a llamar la atención.

Inicialmente, los agentes de IA se limitaban a hacer demostraciones a nivel de investigación o a una automatización limitada. Sin embargo, en los últimos años las capacidades de inferencia de los grandes modelos de lenguaje (LLM) han mejorado drásticamente. Se han establecido estándares para la integración con herramientas externas, como el Protocolo de Contexto del Modelo (MCP) publicado por Anthropic en 2024. Esta mejora ha permitido a los agentes de IA alcanzar un nivel en el que pueden integrarse en las operaciones comerciales reales. Los ejemplos de implementación se están extendiendo a diversos sectores, como el trabajo de patentes en la industria manufacturera, el soporte de ventas en instituciones financieras y operaciones en centros de llamadas.

¿Por qué tanto empresas como el público general deberían estar enfocándose en los agentes de IA? A continuación te lo explicamos.

Tabla de contenidosAccordionItemContainerButtonLargeChevron

• Capítulo 1: ¿Qué es un agente de IA?
• Capítulo 2: ¿Cómo funcionan los agentes de IA?
• Capítulo 3: Comparación de los principales agentes de IA a considerar en 2026
• Capítulo 4: Casos de uso por sectores
• Capítulo 5: Ventajas y retos de la implementación de agentes de IA
• Capítulo 6: Guía de selección e implementación
• Capítulo 7: Perspectivas de futuro

Capítulo 1: ¿Qué es un agente de IA?

Definición

En pocas palabras, es "un sistema de IA que, al recibir un objetivo, planifica y ejecuta la tarea por sí mismo, completándola y verificando los resultados sin necesidad de recibir instrucciones humanas constantes". Su comportamiento se puede resumir en las siguientes características:

• Autonomía: La IA determina y ejecuta por sí misma la siguiente acción a realizar sin necesidad de recibir instrucciones humanas en cada paso.
• Orientación a objetivos: Desarrolla y ejecuta un plan de varios pasos para lograr un objetivo determinado.
• Adaptación ambiental: Utiliza las herramientas adecuadas según la situación y corrige el rumbo si se producen errores durante el proceso.

La característica esencial de los agentes de IA es que completan las tareas repitiendo el ciclo de Establecimiento de objetivos → Planificación → Ejecución → Verificación.

Diferencias con la IA generativa

Las diferencias entre la IA generativa y los agentes de IA se pueden resumir de esta manera:

Inteligencia artificial generativaAgentes de IAPrincipio de funcionamientoPregunta → RespuestaEstablecimiento de objetivos → Ejecución autónomaInteracciónPreguntas y respuestasEjecución continua de tareasUso de herramientasDependiendo del producto, pueden estar disponibles funciones como la búsqueda, la gestión de archivos y el acceso a aplicaciones externasSelecciona las herramientas que se necesitan entre las opciones disponibles, según los objetivos y el progreso del trabajo que se esté realizandoEjemplo específicoGeneración de texto; resumenTodo el proceso (por ejemplo, desde la creación de informes de investigación de mercado hasta su envío) está automatizadoDiferencias con los chatbots, la RPA y la automatización de flujos de trabajo

También es importante que comprendas las diferencias entre los agentes de IA y otras tecnologías existentes, con las que a menudo se confunden:

• Chatbot: Sistema que responde a las preguntas del usuario basándose en patrones de conversación predefinidos y preguntas frecuentes (FAQ). Solo puede gestionar un número limitado de cuestiones.
• RPA (Automatización Robótica de Procesos): Robot de software que realiza automáticamente tareas rutinarias siguiendo procedimientos predeterminados. Si los procedimientos cambian, el script debe modificarse cada vez.
• Automatización del flujo de trabajo: Un sistema que ejecuta automáticamente todo el flujo de negocio (incluyendo la aprobación, la notificación y la ramificación) según determinadas condiciones.

Ejemplo concreto

Veamos un ejemplo más concreto, por ejemplo, una solicitud como: "Prepara un viaje de negocios".

• Inteligencia artificial generativa: Solo presenta opciones para trenes de alta velocidad y aviones. Las reservas y la confirmación de horarios las gestiona, en última instancia, la persona.
• Agente de IA: Realiza una serie de acciones: búsqueda de disponibilidad → selección y reserva del mejor vuelo → adición al calendario → configuración de un recordatorio para el día anterior. Sin embargo, para operaciones difíciles de cancelar, como la reserva y el pago, es común diseñar el sistema para que requiera la aprobación del usuario antes de su ejecución.

Hacia 2023, los agentes de IA tenían dificultades para realizar de forma consistente estos procesos de varios pasos, y la integración de herramientas era limitada. Sin embargo, gracias a la difusión de estándares comunes como el MCP y a las mejoras en la precisión de la inferencia del propio LLM, ahora se les pueden encomendar tareas más complejas y que requieren más tiempo.

Capítulo 2: ¿Cómo funcionan los agentes de IA?

Componentes técnicos

Las tecnologías que dan soporte a los agentes de IA se pueden clasificar a grandes rasgos en tres elementos:

• LLM (Gran Modelo de Lenguaje): Desempeña el papel del "cerebro" que comprende la situación, deduce el siguiente curso de acción y planifica.
• Integración de herramientas: Son mecanismos que permiten interactuar con el mundo real y los sistemas como si fueran “manos y pies”; por ejemplo: búsquedas web, operaciones con archivos y llamadas a la API de servicios externos.
• Estructura de bucle: Una estructura que repite el ciclo "Ejecutar → Evaluar → Corregir", donde se evalúan los resultados de la ejecución y, si no funciona, se realizan correcciones y se repite la ejecución.

La combinación de estos tres elementos permite al agente de IA realizar una serie de acciones: "Recibir un objetivo → Crear un plan → Ejecutarlo → Recibir los resultados como retroalimentación → Revisar el plan si es necesario".

Marcos de trabajo principales

Existen varios marcos de referencia que se utilizan frecuentemente como principios de diseño en la investigación y la implementación de agentes de IA:

• ReAct (Razonamiento y Acción): Este método consiste en alternar entre las fases de "razonamiento" y "acción", lo que permite a la IA verbalizar su proceso de razonamiento y decidir las acciones. Una característica clave es que los resultados de las acciones se reflejan fácilmente en el razonamiento posterior.
• Planificar y ejecutar: Este método implica planificar primero toda la tarea y luego ejecutar cada paso en orden. Mientras que ReAct implica "pensar y actuar" de forma secuencial, este enfoque puede describirse como la creación inicial de una visión general.
• Multiagente: Configuración en la que varios agentes de IA con diferentes roles colaboran para realizar una misma tarea. Por ejemplo, al dividir las tareas entre agentes (como "investigador", "redactor" y “revisor”) resulta más sencillo gestionar tareas complejas que un solo agente no podría realizar.

Memoria y aprendizaje

El mecanismo de "memoria" es esencial para que los agentes de IA puedan realizar tareas de forma continua:

• Memoria a corto plazo: Memoria que se retiene únicamente durante una sola sesión (un conjunto de diálogos o tareas). Se utiliza para decidir la siguiente acción en función del desarrollo de la conversación y los resultados de las acciones anteriores.
• Memoria a largo plazo: Memoria a la que se hace referencia entre sesiones. Ejemplos típicos incluyen los sistemas que utilizan RAG (generación aumentada por recuperación) y bases de datos vectoriales. Estas últimas se refieren al sistema que convierte texto, imágenes, etc. en datos numéricos (llamados vectores). Luego los almacena, permitiendo la búsqueda a alta velocidad de información con significados similares, para recuperar interacciones pasadas y conocimientos externos cuando sea necesario.

Capítulo 3: Comparación de los principales agentes de IA a considerar en 2026

Clasificación por categorías

A partir de 2026, el número de herramientas relacionadas con agentes de IA empezó a aumentar rápidamente. Las principales categorías se pueden organizar de la siguiente manera:

Uso general y de oficina

• Microsoft 365 Copilot (función de agente).
• Google Vertex AI Agent Builder (ahora parte de Gemini Enterprise Agent Platform).

Ventas y gestión de clientes

• Fuerza de agentes de Salesforce.

Plataforma de desarrollo a medida

• Dify.
• LangChain / LangGraph.

Ingeniería

• Devin.
• Cursor (función de agente).

Ejecución de propósito general y funcionamiento del navegador

• ChatGPT Work: Siguiendo la estela de Operator, Deep Research y ChatGPT Agent, incorpora la tecnología Codex y el modelo GPT-5.6 (ChatGPT Agent ya no está disponible).
• Claude Cowork: Una herramienta de apoyo al trabajo para personas sin formación en ingeniería. Permite a los usuarios realizar varios pasos utilizando carpetas autorizadas y aplicaciones conectadas. También incluye una función para interactuar directamente con la pantalla, pero aún se encuentra en fase de pruebas y solo está disponible en los planes Pro y Max.

Automatización de procesos empresariales

• n8n / Agentes de Zapier.

3.2. Tabla comparativaCategoríaFortalezasRecomendado paraEstructura de preciosCopilot de Microsoft 365General/OficinaIntegración profunda con la suite de productos OfficeEmpresas que han implementado M365 en toda la organizaciónSistema de licencias mensualesFuerza de agentes de SalesforceVentas y CRMSoporte de ventas autónomo basado en datos de CRMDepartamentos de ventas y soporte que ya han implementado SalesforceExisten varios planes disponibles, incluyendo modelos de pago por conversación/facturación basada en acciones y modelos de licencia mensualDifyDesarrollo a la medidaDesarrollo sin código/con poco código, versión de código abierto disponibleEmpresas que desean integrar agentes en sus propios serviciosLa edición comunitaria de OSS es gratuita y autoalojada. Sin embargo, los costos del servidor y del modelo de IA utilizado se cobran aparte. También hay planes de pago en la nube disponiblesDevinDesarrollo de softwareInvestigar los detalles de la solicitud y el código, crear un plan y luego proceder a escribir, ejecutar y probar el códigoEquipo de desarrollo, gerente de promoción de DXPrecios basados ​​en suscripción (Gratis, Pro, Max, Team, Enterprise). Cada plan incluye un límite de uso, y cualquier uso que exceda este límite se puede adquirir mediante créditos bajo demanda (la versión Enterprise mantiene el modelo de pago por uso según la carga de trabajo)ChatGPT WorkEjecución de propósito generalAutomatización de operaciones y tareas del navegador que abarcan múltiples aplicacionesParticulares/pequeños equipos, grandes corporacionesEl acceso web y móvil está incluido en los planes de pago (Pro, Enterprise, Edu, Plus, Business). Las aplicaciones de escritorio están disponibles en todos los planes, incluida la versión gratuita. Sin embargo, cada plan tiene un límite de uso, y las tareas más complejas consumen una mayor parte de dicho límiteClaude CoworkAutomatización del desarrollo y los procesos empresarialesDesde la codificación hasta el manejo de la pantalla y la manipulación de archivosUna amplia gama de usuarios, desde desarrolladores hasta personas sin formación en ingenieríaIncluido en los planes de pago de Claude (Pro, Max, Team, Enterprise)

Capítulo 4: Ejemplos de casos de uso por sectores

Industria manufacturera: Apoyo para la preparación de documentos de solicitud de patentes

El proceso de solicitud de patente implica numerosos pasos complejos que requieren conocimientos especializados y tiempo. Desde la organización de ideas hasta la búsqueda de antecedentes y la preparación de la documentación. Un ejemplo de automatización en este proceso es el "Agente de Creación de Documentos de Propiedad Intelectual", desarrollado conjuntamente por NTT Docomo Business y ExaWizards. Agentes para entrevistas comerciales, búsquedas de conocimiento interno, investigación de información externa y creación de documentos trabajan en conjunto para gestionar la creación de la documentación de la solicitud. Su característica principal es que permite una experiencia de lluvia de ideas similar a la de una sesión de brainstorming con IA, en lugar de interactuar con un humano.

Finanzas: Propuestas basadas ​​en datos de clientes

Las instituciones financieras utilizan cada vez más agentes de IA que se encargan de todo, desde analizar datos de clientes y crear propuestas hasta automatizar el seguimiento. Salesforce Agentforce es un excelente ejemplo: puede determinar el siguiente paso a seguir basándose en los atributos del cliente y el historial de ventas almacenado en el CRM, y ejecutar de forma autónoma tareas como enviar correos electrónicos de seguimiento y notificar a los representantes de ventas.

Atención al cliente: Transformación de los centros de llamadas y la asistencia por chat

En el ámbito de la atención al cliente, herramientas como Fin (que Salesforce ha acordado adquirir) y Zendesk AI Agent se están popularizando. Estas no solo comprenden y responden consultas sino también pueden realizar acciones concretas: procesan reembolsos y actualizan cuentas dentro del marco de la configuración, por ejemplo A diferencia de los chatbots tradicionales basados ​​en escenarios, el hecho de que la IA pueda generar respuestas simplemente leyendo artículos del centro de ayuda facilita su adopción.

Desarrollo de software: Democratizando la programación

Agentes de IA como Devin y Cursor están ganando protagonismo en entornos de desarrollo, ya que analizan solicitudes y código, planifican proyectos y gestionan la implementación y las pruebas. Estas herramientas van más allá del simple autocompletado de código: pueden gestionar todo el proceso, desde la comprensión de las especificaciones hasta la implementación y la modificación. Esto se traduce en una mayor adopción por parte de los equipos de desarrollo para mejorar la productividad y reducir los plazos de entrega.

Marketing: Integración de la creación y el análisis de contenido

En el ámbito del marketing, el uso de agentes de IA que gestionan diversas tareas (desde la investigación de la competencia y la planificación estratégica hasta la redacción de artículos y la publicación en redes sociales) está empezando a extenderse. Se prevé que la tendencia de confiar parte o la totalidad del flujo de trabajo (Investigación → Planificación → Producción → Difusión), tradicionalmente realizado por humanos, a agentes de IA se acelere aún más en el futuro.

Capítulo 5: Ventajas y retos de la implementación de agentes de IA

Ventajas

Los principales beneficios que se pueden esperar al introducir agentes de IA son los siguientes:

• Mejora de la eficiencia empresarial: Las tareas rutinarias y repetitivas que antes requerían mano de obra pueden automatizarse.
• Mayor productividad: Los empleados pueden centrarse en tareas que requieren criterio y creatividad.
• Toma de decisiones más rápida: Se reduce el tiempo que transcurre desde el análisis de datos hasta la elaboración de la propuesta.

Desafíos y riesgos

Por otro lado, la introducción de agentes de IA también conlleva desafíos y riesgos:

Desafíos técnicos

• Alucinación: Puede proporcionar información que no se basa en hechos.
• Imprevisibilidad: Es difícil predecir cómo se comportará una persona en situaciones inesperadas.
• Complejidad de la integración: La integración con los sistemas existentes requiere un esfuerzo considerable.

Gobernanza de la seguridad

• Control de acceso a información confidencial.
• Riesgo de violación de datos.
• La dificultad de la gestión de permisos: ¿hasta qué punto se le debe permitir a la IA realizar operaciones?.

Costos

• Riesgo de aumentos inesperados de costos debido a las tarifas de uso de la API y a la facturación basada en el uso.

Ética y cuestiones sociales

• Sesgos (causados por los datos de entrenamiento).
• ¿Dónde reside la responsabilidad? ¿De quién es la responsabilidad del error de juicio de la IA?
• Impacto en el empleo.
• Riesgos de una dependencia excesiva de la IA.

Como analizaremos en la guía de selección e implementación que presentamos a continuación, abordar estos desafíos requiere preparación no solo desde un punto de vista técnico, sino también desde una perspectiva de gobernanza.

Capítulo 6: Guía de selección e implementación

Compatibilidad con los sistemas existentes y dificultad de implementación

Cuando consideres la implementación de un agente de IA, lo primero que debes comprobar es la facilidad de integración con las herramientas que la empresa ya utiliza (Slack, Teams, Salesforce, etc.). La disponibilidad de API y el grado de personalización también son factores importantes en el proceso de selección.

Diseño del alcance de la automatización

El alcance de la autoridad otorgada a los agentes de IA debe diseñarse cuidadosamente desde una perspectiva de gestión de riesgos.

• Totalmente autónomo: Sistema donde la IA se encarga de todo de principio a fin, sin necesidad de aprobación. Si bien es altamente eficiente, también conlleva riesgos significativos.
• Semiautónomo: Sistema que incorpora un proceso de aprobación humana antes de tomar decisiones importantes. Muchas empresas lo recomiendan. El concepto específico en este tipo de sistema semiautónomo es el diseño con intervención humana. Al mantener a las personas involucradas en puntos clave del proceso, se pueden detectar y corregir decisiones y acciones incorrectas a tiempo.

Gobernanza de la seguridad

Es fundamental establecer políticas de uso de datos y garantizar las funciones de registro y auditoría. Asimismo, es necesario adaptarse a las tendencias regulatorias en los distintos países y regiones.

• Ley de IA de la UE: Normativa que clasifica la IA según su nivel de riesgo e impone requisitos estrictos, en particular a los usos designados como “IA de alto riesgo” (selección de personal, calificación crediticia, etc.). Inicialmente, se preveía que estas disposiciones entraran en vigor el 2 de agosto de 2026, pero su aplicación se pospuso hasta el 2 de diciembre de 2027. Sin embargo, la obligación de indicar que se trata de una interacción con IA o de un producto generado por IA está en vigor desde el 2 de agosto de 2026. Es importante tener en cuenta que las empresas que operan en el territorio de la UE, o cuyos resultados de IA se utilizan dentro de la UE, deben cumplir con estas disposiciones.
• Ley de IA y Directrices para operadores de IA de Japón: En Japón, en mayo de 2025 se aprobó la Ley sobre la promoción de la investigación, el desarrollo y la aplicación de tecnologías relacionadas con la inteligencia artificial (conocida como “Ley de IA”), que entró en vigor en su totalidad en septiembre. Se trata de un marco de carácter básico que no conlleva sanciones. Si bien las obligaciones de las empresas son limitadas, incluye un mecanismo por el cual, en casos de violación de derechos debido al uso inadecuado, el Estado brinda orientación y asesoría a los operadores. Paralelamente, las Directrices para empresas de IA, elaboradas por el Ministerio de Asuntos Generales y el Ministerio de Economía, Comercio e Industria, sirven de referencia sin carácter vinculante. En la revisión de 2025 se añadieron contenidos relacionados con los agentes de IA y la IA física.

Capítulo 7: Perspectivas de futuro

Dirección de la evolución tecnológica

Se prevé que los futuros agentes de IA evolucionen hacia sistemas multimodales que procesen no solo texto, sino también imágenes, audio y video; sistemas multiagente donde varios agentes colaboren y compartan funciones, y sistemas de IA física que se integren con dispositivos físicos como robots. Muchos investigadores consideran que estos avances tecnológicos allanarán el camino hacia una inteligencia artificial general (IAG) capaz de abarcar todos los ámbitos.

Impacto en el mercado laboral y la economía

Se prevé que la proliferación de los agentes de IA tenga un impacto significativo en el mercado laboral, generando una creciente demanda de profesionales que diseñen, ajusten y supervisen dichos agentes. Asimismo, se espera que profesiones como el Derecho, la contabilidad, el periodismo y la programación experimenten transformaciones importantes. Los debates en torno a la renta básica y a la redefinición del significado del trabajo, también podrían adquirir mayor relevancia en el futuro.

Tendencias sociales y regulatorias

Como mencionamos más arriba, la Ley de IA de la UE ha adoptado un sistema de dos niveles. Por un lado, se pospuso la aplicación de las regulaciones a la IA independiente y de alto riesgo hasta diciembre de 2027. Por otro, la obligación de transparencia se aplicará según lo previsto a partir de agosto de 2026. En Estados Unidos, el Marco de Gestión de Riesgos de IA (AI RMF) del Instituto Nacional de Estándares y Tecnología (NIST) sirve como punto de referencia práctico. También existen iniciativas para la regulación independiente a nivel estatal. China está impulsando la carrera por el desarrollo de la IA como estrategia nacional y está acelerando la implementación social de agentes de IA bajo el liderazgo estatal.

Tres escenarios futuros

Existen tres escenarios principales que se pueden prever para el futuro, una vez que los agentes de IA se generalicen en la sociedad:

• Escenario optimista: Los humanos logran especializarse en tareas creativas, lo que conlleva un aumento significativo de la productividad. Las horas de trabajo se reducirán y la democratización de la IA creará una sociedad donde todos podrán recibir asistencia avanzada.
• Escenario pesimista: Se prevé desempleo masivo y una creciente desigualdad económica. También preocupa que los sesgos inherentes a la IA puedan consolidar las estructuras discriminatorias existentes.
• Escenario realista: En lugar de un cambio rápido, se producirá una adaptación gradual. Coexistirán puestos de trabajo nuevos y actuales, y se buscará un equilibrio entre la regulación y la innovación.

Independientemente del escenario que se materialice, la velocidad y la magnitud del cambio provocado por los agentes de IA podrían tener un impacto social mayor que el de la IA generativa. La cuestión ahora no es solo cómo mantenerse al día con los avances tecnológicos, sino también cómo diseñar sistemas y gestionarlos en consonancia con dichos avances.

Editado por Daisuke Takimoto

Artículo originalmente publicado enWIRED Japón. Adaptado por Andrea Baranenko.