3.2 Agentes de IA

Inteligencia artificial basada en agentes: el nuevo paso en la evolución de la IA

En los últimos años hemos asistido a una evolución muy rápida de los modelos de lenguaje y de las herramientas de inteligencia artificial. Sin embargo, muchas de estas herramientas tenían inicialmente una limitación clara: funcionaban principalmente como sistemas de pregunta–respuesta. Es decir, el usuario hacía una pregunta y el modelo generaba una respuesta.

Aunque este modelo es muy útil, el siguiente paso natural ha sido ir más allá: crear sistemas capaces no solo de responder, sino también de actuar, planificar tareas y utilizar herramientas externas. De esta idea surge el concepto de agentes de inteligencia artificial.

Los agentes representan uno de los cambios más importantes en el uso práctico de la IA, porque permiten pasar de la simple conversación a sistemas que ejecutan tareas completas de forma autónoma o semiautónoma.

Qué es un agente de inteligencia artificial

Un agente de IA puede entenderse como un sistema que combina varias capacidades:

En lugar de responder únicamente a una pregunta, un agente puede seguir un proceso más parecido al de un asistente humano.

Por ejemplo, imaginemos que se le pide a un agente:

“Busca empresas de logística en Zaragoza, analiza su tamaño y crea un informe con las cinco más relevantes.”

Un sistema tradicional respondería con información aproximada. Un agente, en cambio, podría realizar varios pasos:

Este tipo de flujo se denomina cadena de acciones o workflow inteligente.

Componentes de un sistema de agentes

Un sistema basado en agentes suele incluir varios elementos.

Modelo de lenguaje

Es el “motor cognitivo” del agente. El modelo interpreta instrucciones, genera razonamientos y decide qué acción realizar.

Herramientas

Los agentes pueden conectarse a distintas herramientas, por ejemplo:

Memoria

Algunos agentes pueden mantener memoria a corto o largo plazo, lo que les permite recordar información de conversaciones anteriores o datos relevantes para futuras tareas.

Planificación

Los agentes pueden dividir una tarea compleja en varios pasos más simples. Este proceso se conoce como planificación o descomposición de tareas.

De un solo agente a sistemas multiagente

Una de las tendencias más recientes consiste en utilizar varios agentes especializados que colaboran entre sí.

Por ejemplo, en un sistema complejo podríamos tener:

Este enfoque se conoce como sistemas multiagente o orquestación de agentes, y recuerda en cierto modo a la organización de equipos humanos en una empresa.

El protocolo MCP: conectar modelos con herramientas

Uno de los retos actuales de los sistemas de agentes es cómo conectar de forma estandarizada los modelos de IA con herramientas externas.

Para resolver este problema ha surgido el Model Context Protocol (MCP).

El protocolo MCP es un estándar abierto que permite que los modelos de lenguaje puedan interactuar con herramientas, aplicaciones y fuentes de datos de forma estructurada.

En lugar de programar cada conexión manualmente, MCP define una forma común de:

Esto facilita la creación de ecosistemas donde diferentes herramientas pueden integrarse con distintos modelos de IA.

Por ejemplo, un sistema compatible con MCP podría permitir que un modelo de lenguaje acceda fácilmente a:

La idea es que la IA no sea solo un generador de texto, sino un sistema capaz de interactuar con el entorno digital de forma controlada.

Herramientas para crear agentes con código

Para desarrolladores o equipos técnicos existen varias plataformas que permiten crear agentes programando sus comportamientos.

Algunas de las más conocidas son:

LangChain

LangChain es uno de los frameworks más populares para construir aplicaciones basadas en modelos de lenguaje.

Permite:

Es ampliamente utilizado en proyectos de investigación y desarrollo.

AutoGen

Desarrollado por Microsoft, AutoGen permite crear sistemas multiagente, donde diferentes agentes colaboran para resolver tareas complejas.

Es especialmente interesante para experimentos donde varios agentes intercambian información y toman decisiones.

CrewAI

CrewAI es un framework centrado en la idea de equipos de agentes especializados. Cada agente tiene un rol definido, similar a un equipo de trabajo.

Por ejemplo:

Esta estructura facilita diseñar procesos complejos de forma organizada.

Semantic Kernel

También desarrollado por Microsoft, Semantic Kernel permite integrar modelos de lenguaje dentro de aplicaciones tradicionales, combinando IA con lógica de programación clásica.

Herramientas para crear agentes sin programar

No todo el mundo necesita programar para crear agentes. Han aparecido también numerosas plataformas no-code o low-code, que permiten diseñar automatizaciones con IA mediante interfaces visuales.

Esto es especialmente interesante para profesionales de distintos sectores, incluidos docentes o gestores.

Algunas herramientas destacadas son:

Zapier AI

Zapier es una plataforma muy conocida para automatizar tareas entre aplicaciones. En los últimos años ha incorporado capacidades de IA.

Permite crear flujos como:

Todo sin necesidad de programación.

Make (antes Integromat)

Make es otra plataforma visual muy potente para crear automatizaciones complejas entre aplicaciones.

Permite diseñar flujos donde intervienen:

Flowise

Flowise permite diseñar aplicaciones basadas en modelos de lenguaje mediante una interfaz visual basada en nodos.

Es muy útil para experimentar con agentes y sistemas RAG sin necesidad de programar desde cero.

n8n

n8n es una plataforma de automatización open source muy flexible que puede integrarse con modelos de lenguaje para crear agentes o flujos de trabajo inteligentes.

El futuro: IA como sistema operativo de tareas

La evolución hacia agentes está cambiando el papel de la inteligencia artificial.

Durante años, la IA se utilizaba principalmente para analizar datos o responder preguntas. Con los agentes, la IA empieza a convertirse en un sistema capaz de ejecutar procesos completos.

Esto abre la puerta a nuevas formas de automatización en muchos ámbitos:

En lugar de usar herramientas separadas, los usuarios podrán delegar tareas complejas en sistemas de agentes que coordinen diferentes herramientas digitales.

Un nuevo paradigma en la interacción con la tecnología

Este cambio representa un nuevo paradigma en la relación entre personas y tecnología.

En lugar de interactuar con múltiples aplicaciones y menús, cada vez será más común describir una tarea en lenguaje natural y dejar que un sistema de agentes organice el proceso necesario para realizarla.

Para el ámbito educativo, comprender este cambio es especialmente relevante. No solo porque estas tecnologías transformarán muchos sectores profesionales, sino también porque permiten explorar nuevas formas de aprendizaje, investigación y creación de conocimiento.

Los agentes de inteligencia artificial no sustituyen al pensamiento humano, pero sí pueden convertirse en potentes asistentes capaces de ampliar nuestras capacidades para analizar información, organizar tareas y resolver problemas complejos.