De la conversación a la acción
Hasta ahora hemos hablado de un LLM como algo que recibe texto y devuelve texto. Le preguntas, te contesta, tú decides qué hacer con la respuesta. Ese es el modelo mental de "chat".
Un agente de IA rompe esa frontera. En vez de solo contestar, el sistema puede:
- Consultar información fuera de la conversación (una página web, un archivo, una base de datos).
- Ejecutar acciones (enviar un correo, mover un archivo, hacer una compra, escribir código y ejecutarlo).
- Decidir por sí mismo qué pasos dar para cumplir un objetivo, sin que tú le digas cada paso.
La diferencia está en el tipo de acción, no solo en el grado. Un chatbot te propone un texto para el correo. Un agente puede enviarlo.
Cómo funciona por dentro
Un agente sigue, en esencia, un ciclo:
- Recibe un objetivo: "reserva un vuelo a Lisboa para el 10 de marzo, presupuesto máximo 200 euros".
- Decide un paso: el modelo genera una acción, por ejemplo "buscar vuelos en tal sitio".
- Ejecuta esa acción con una herramienta: no lo hace el modelo directamente; lo hace un programa conectado a él (una API de búsqueda de vuelos, un navegador, una terminal).
- Observa el resultado: la herramienta devuelve datos (precios, horarios).
- Repite: con esa información, el modelo decide el siguiente paso, hasta que considera cumplido el objetivo o se topa con un límite.
Ese bucle de "pensar un paso, actuar, observar el resultado, pensar el siguiente" es lo que distingue a un agente de una simple pregunta-respuesta. El modelo sigue siendo el mismo tipo de sistema probabilístico de la lección 3: no "sabe" reservar vuelos, genera texto que una herramienta externa interpreta como instrucción.
Un ejemplo cotidiano: pídele a un asistente de IA que "organice mi bandeja de entrada archivando lo que no sea urgente". Un chatbot te explicaría cómo hacerlo tú. Un agente con acceso a tu correo abre cada mensaje, decide si es urgente y lo archiva él mismo, uno por uno, sin pedirte confirmación en cada paso salvo que esté configurado para ello.
Herramientas: lo que convierte "hablar" en "hacer"
Un LLM por sí solo no puede tocar nada del mundo real. Lo que le da poder de acción son las herramientas que alguien conecta a su alrededor: acceso a internet, a un sistema de archivos, a una API de pagos, a un intérprete de código. El agente decide cuándo usar cada herramienta; el desarrollador decide qué herramientas están disponibles y con qué permisos.
Esto importa porque el margen de error se multiplica. Si el modelo se equivoca al escribir un párrafo, revisas y corriges. Si se equivoca al decidir "borrar este archivo" o "enviar este pago", la acción ya ocurrió.
Autonomía no es lo mismo que acierto
Un agente puede encadenar veinte pasos de forma completamente autónoma y estar equivocado desde el paso tres. Como el modelo genera cada paso siguiendo el mismo mecanismo probabilístico que ya conoces, un error temprano se arrastra: el agente sigue "razonando" con una premisa falsa y construye encima con la misma confianza que si fuera correcta.
Por eso los sistemas serios de agentes suelen incluir:
- Límites de alcance: qué herramientas puede usar y cuáles no.
- Puntos de confirmación humana: antes de acciones irreversibles (pagar, borrar, publicar), pide aprobación.
- Registro de lo que hizo: para poder revisar y deshacer si algo salió mal.
Estas no son ideas de laboratorio: son las mismas barandillas que usarías con una persona nueva en un puesto de responsabilidad, antes de confiarle las llaves de todo.
Lo que un agente no resuelve solo
Un agente no entiende tu negocio ni tus prioridades reales; ejecuta el objetivo tal como se lo describiste, con la literalidad de una máquina. Si le pides "responde a los clientes enfadados con amabilidad" sin más contexto, puede interpretar "amabilidad" de formas que a ti no te sirven, o prometer cosas que la empresa no puede cumplir.
La utilidad de un agente depende de lo bien definido que esté el objetivo y de cuánto criterio humano quede en el ciclo. Cuanto más ambigua la tarea o más costoso el error, más conviene mantener un punto de revisión antes de que la acción se ejecute.
Resumen
Un agente de IA extiende un LLM con la capacidad de usar herramientas y actuar sobre el mundo, en vez de limitarse a responder texto. Funciona en un ciclo de decidir-actuar-observar que se repite hasta cumplir un objetivo. Esa autonomía multiplica tanto la utilidad como el riesgo: un error ya no es una frase mal escrita, es una acción tomada. La pregunta útil ya no es "¿puede este agente hacerlo solo?": es "¿qué pasa si se equivoca, y quién lo nota primero?".