La palabra "agente" se usa para todo, desde un chat con un nombre propio hasta sistemas que ejecutan tareas durante horas. La distinción que importa es una sola: un chat te devuelve una respuesta, un agente produce un resultado en el mundo.
En corto
- Qué es: un sistema que además de generar texto ejecuta acciones (buscar, leer, escribir, llamar a otros programas) y decide el paso siguiente según lo que obtuvo en el anterior.
- Contra una automatización clásica: esta sigue pasos fijos, el agente elige la secuencia sobre la marcha. Más flexible y menos predecible, las dos caras de lo mismo.
- Dónde rinden: tareas acotadas, con criterio de éxito claro y donde equivocarse sea barato.
- Dónde fallan: cadenas largas sin supervisión. Cada paso hereda los errores del anterior y la probabilidad de terminar bien cae rápido.
- La pregunta antes de automatizar no es si el agente puede, sino qué pasa si lo hace mal y nadie mira.
Lo que vas a leer
La definición, sin misticismo
Un agente es un modelo de lenguaje con tres cosas más: herramientas que puede usar, un objetivo que perseguir y un bucle que le permite seguir trabajando hasta llegar.
Las herramientas pueden ser cualquier cosa que se pueda invocar desde un programa: una búsqueda web, leer y escribir archivos, consultar una base de datos, mandar un mail, llamar a una API. El modelo no las ejecuta él: decide cuál usar y con qué parámetros, y el sistema que lo rodea las corre y le devuelve el resultado.
Eso es todo. No hay voluntad ni iniciativa propia: hay un objetivo que alguien escribió y un ciclo que se repite hasta cumplirlo o hasta chocar contra un límite.
El bucle que los hace funcionar
El patrón que se popularizó en 2022 y sigue siendo la base se resume en tres verbos que se repiten: pensar, actuar, observar.
01 Pensar
Dado el objetivo y lo que sabe hasta ahora, el modelo decide cuál es el próximo paso. Acá es donde pedirle que razone explícitamente mejora bastante el resultado.
02 Actuar
Ejecuta una herramienta: busca, abre un archivo, llama a una API. Una acción por vez, no todo junto.
03 Observar
Recibe el resultado, que puede ser distinto de lo que esperaba, y vuelve al paso uno con esa información nueva.
La potencia está en que ese ciclo permite corregir el rumbo: si la búsqueda no devolvió nada útil, el próximo paso puede ser buscar distinto. La fragilidad está en el mismo lugar, porque si interpreta mal una observación, los pasos siguientes se construyen sobre ese malentendido.
Chat, automatización y agente
| Chat | Automatización clásica | Agente | |
|---|---|---|---|
| Qué produce | Una respuesta | Un resultado | Un resultado |
| Quién decide los pasos | Vos | Quien la programó, de antemano | El sistema, sobre la marcha |
| Casos no previstos | Los resolvés vos | Se rompe o los ignora | Intenta resolverlos |
| Predecibilidad | Alta | Muy alta | Baja |
| Cuándo conviene | Pensar y redactar | Procesos estables y repetidos | Tareas variables con criterio claro |
Una conclusión que ahorra plata y disgustos: si tu proceso es estable y siempre igual, una automatización clásica es mejor que un agente. Más barata, más rápida y sin sorpresas. Los agentes pagan su costo cuando hay variabilidad que un flujo fijo no puede cubrir.
Por qué fallan las cadenas largas
Acá está la limitación más importante y la menos comentada. Supongamos un agente que acierta el 95% de las veces en cada paso, que es un número optimista. En una tarea de veinte pasos encadenados, la probabilidad de que todos salgan bien es 0,95 elevado a 20: alrededor del 36%.
Esa aritmética explica por qué las demostraciones de agentes impresionan y los agentes en producción decepcionan. La demo tiene tres pasos; el trabajo real tiene cuarenta.
Lo que se hace al respecto no es esperar a que los modelos sean perfectos, sino acortar las cadenas: dividir el trabajo en tramos con verificación al final de cada uno, de modo que un error se detecte en el paso tres y no en el cuarenta.
Probabilidad de que una cadena de veinte pasos salga entera bien, con un 95% de acierto por paso. La confiabilidad de un agente no se mide por paso: se mide por tarea completa.
Qué dice la evidencia sobre productividad
Conviene mirar los datos antes que las promesas. El estudio más riguroso disponible sobre asistentes de IA en trabajo real es un ensayo controlado de 2025 con desarrolladores experimentados: en tareas sobre código que ya conocían, tardaron 19% más usando las herramientas, mientras estimaban haber sido 20% más rápidos.
No significa que la tecnología no sirva. Significa dos cosas que aplican directamente a los agentes: que la ventaja depende mucho del contexto (en algo que ya dominás, poca; en algo que no podrías hacer solo, enorme), y que la sensación de velocidad no mide la velocidad.
Del otro lado, los datos del mercado laboral muestran que las habilidades de IA se pagan con una prima importante y que los puestos más expuestos cambian sus requisitos mucho más rápido. Las dos cosas conviven: la tecnología mueve el mercado aunque los resultados de productividad en tareas concretas sean más modestos que el relato.
Cuándo conviene y cuándo no
Tres preguntas antes de poner un agente a trabajar:
- ¿Cómo se ve terminarlo bien? Si no lo podés describir en una frase verificable, el agente tampoco va a saberlo. La mayoría de los proyectos que fracasan, fracasan acá.
- ¿Qué pasa si sale mal y nadie mira? Si la respuesta es "nada grave y me entero", adelante. Si es "le llega a un cliente con mi nombre", hace falta verificación en el medio.
- ¿Es reversible? Escribir un borrador, sí. Mandar un mail, no. Esa diferencia decide cuánta autonomía darle.
Por dónde empezar sin ser técnico
Elegí una molestia chica y repetitiva de tu propio trabajo: algo que hagas al menos una vez por semana, que te consuma tiempo y cuyo resultado puedas verificar de un vistazo. Clasificar mensajes, preparar un resumen semanal, armar una primera versión de algo que después editás.
Tres reglas que ahorran meses:
- Empezá con verificación humana y sacala después, nunca al revés. La confianza se gana con corridas exitosas, no se asume.
- Que falle ruidosamente. Un agente que se rompe y avisa es infinitamente mejor que uno que se rompe y sigue como si nada.
- Medí el resultado, no la sensación. ¿Ahorró tiempo real? ¿Alguien más lo usa? Esas son las preguntas.
Y una última, que vale para toda esta tecnología: automatizar un proceso que no entendés no lo mejora, lo vuelve más rápido y más difícil de arreglar.
Probalo en una clase real
10 minutos gratis con un profesor AI que te ayuda a construir esto aplicado a tu trabajo. Por voz, sin tarjeta.
Probá una clase gratis¿Qué es un agente de IA?
Es un sistema que, además de generar texto, ejecuta acciones para cumplir un objetivo: buscar información, leer y escribir archivos, llamar a otros programas, y decidir en cada paso qué hacer según lo que obtuvo en el anterior. La diferencia con un chat es que el chat te devuelve una respuesta y el agente produce un resultado en el mundo.
¿En qué se diferencia de una automatización común?
Una automatización clásica sigue pasos fijos que alguien definió: si pasa esto, hacé aquello. Un agente decide la secuencia sobre la marcha, lo que le permite manejar casos que no estaban previstos y, por la misma razón, lo hace menos predecible. Esa es la ventaja y el riesgo, y es la razón por la que conviene usarlos donde el error sea barato.
¿Funcionan bien hoy?
Depende mucho de la tarea. Rinden bien en trabajos acotados, con criterio de éxito claro y donde equivocarse sea barato. Rinden mal en cadenas largas sin supervisión: cada paso hereda los errores del anterior, así que la probabilidad de terminar bien cae rápido a medida que crece la cantidad de pasos.
¿Puedo dejar a un agente trabajando solo?
Solo si el error es reversible y barato, y si hay verificación automática al final. La pregunta correcta antes de automatizar algo no es si el agente puede hacerlo, sino qué pasa si lo hace mal y nadie mira: si la respuesta es 'nada grave y me entero', adelante; si es 'sale con mi nombre a un cliente', hace falta un control en el medio.
¿Qué hace falta para armar uno?
Menos de lo que parece: un modelo con capacidad de usar herramientas, las herramientas propiamente dichas (buscar, leer archivos, llamar a una API), y un objetivo con criterio de éxito verificable. Lo difícil no es la parte técnica, es definir el criterio: la mayoría de los agentes que fracasan fracasan porque nadie sabía exactamente cómo se veía terminarlo bien.
¿Los agentes van a reemplazar trabajos?
Van a absorber tareas antes que puestos, sobre todo las repetitivas y verificables. Lo que queda del lado humano es elegir qué hacer, definir qué significa hacerlo bien y decidir en los casos que no estaban previstos. La evidencia disponible sobre productividad, además, es más mezclada de lo que sugiere el entusiasmo del sector.
¿Por dónde empiezo si no soy técnico?
Por una molestia repetitiva y chica de tu propio trabajo, que hagas al menos una vez por semana y donde puedas verificar el resultado de un vistazo. Automatizar algo grande de entrada casi siempre termina en un sistema que nadie entiende y que se rompe en silencio.
Fuentes
- METR (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. metr.org
- Yao, S. et al. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. ICLR. arxiv.org
- Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS. arxiv.org
- PwC (2025). Global AI Jobs Barometer. pwc.com
Seguí leyendo
Cómo aprender IA desde cero en 2026: una ruta sin humo › Por qué la IA inventa datos, explicado sin tecnicismos › Cómo verificar lo que te devuelve una IA ›Publicado por el equipo de Maestre · Los creadores de Cineastas del Futuro: más de 17.000 alumnos formados. Escribimos sobre lo que probamos enseñando.