# Tipos de agentes - La confusión útil ![[Tipos-de-agentes.webp]] # Tipos de agentes – La confusión útil Si preguntas a diez personas qué es un _agente de inteligencia artificial_, obtendrás diez respuestas distintas. Algunos piensan en Copilot o ChatGPT, otros en bots de atención al cliente, otros en sistemas que manejan el ordenador por sí mismos. Y lo cierto es que **todos tienen razón**: están hablando de **distintas generaciones de agentes**. Entender esa evolución es clave. Porque no todos los agentes sirven para lo mismo, ni están igual de maduros. Hoy conviven, en mi opinión, cuatro grandes tipos, que van desde lo más estable y productivo hasta lo más experimental. --- ## 1. El asistente conversacional **El punto de partida** Es el tipo de agente que todos conocemos: un modelo de lenguaje, GPT-5 por ejemplo, sobre una aplicación conversacional como Copilot o ChatGPT para responder preguntas, razonar, resumir o generar contenido. Su trabajo es **pensar y responder**, no actuar. Es la base de todo lo demás. Sobre esta capa —el razonamiento conversacional— se construyen todos los agentes posteriores. Y aunque la tecnología avanza a ritmo de vértigo, su función sigue siendo la misma: **convertir lenguaje natural en conocimiento utilizable**. Los demás tipos de agentes nacen de aquí. --- ## 2. El agente de conocimiento **La oportunidad práctica que ya funciona** El segundo escalón es el **agente de conocimiento** o **agente declarativo**. No ejecuta acciones, pero **trabaja sobre información real**: analiza documentos, compara contratos, detecta incoherencias o sintetiza grandes volúmenes de datos. Es el equivalente a tener un analista interno que entiende tus archivos y genera inteligencia útil. Este tipo de agente es hoy la **opción más rentable y madura** para las empresas. Requiere poca infraestructura y resuelve problemas de conocimiento complejos, siempre bajo control humano. Dado que, para un purista, un agente debe *planificar y ejecutar transacciones*, el error más común es ignorarlo por la obsesión de “tener agentes que actúan”. Y, sin embargo, aquí está el valor inmediato: **procesos cognitivos avanzados** que mejoran decisiones, informes, auditorías o diagnósticos. Es muy importante estos agentes pueden realizar tareas de inteligencia muy avanzadas si les das procedimientos estructurados de pensamiento (ver [aquí](19-Claude-skills-proceso.md)) > Si tuviera que apostar por un área para exprimir ya, sería esta: > **automatizar el pensamiento, no la acción.** --- ## 3. El agente transaccional **Poderoso, pero caro y lento** El **agente transaccional** es el que **actúa realmente sobre los sistemas**: llama APIs, actualiza registros, ejecuta flujos y coordina subagentes. Normalmente se construye con **desarrollo a medida**, conectores y entornos controlados (Azure AI Foundry, Copilot Studio, servidores MCP). Aquí la inteligencia artificial deja de ser conversación y se convierte en _sistema_. Planifica, decide y ejecuta. Pero el coste es alto: proyectos de meses, capas de seguridad, mantenimiento y testing. La paradoja es que **la complejidad no está en la IA, sino en todo lo que la rodea**. El modelo piensa bien, pero la integración, las versiones y las validaciones técnicas se vuelven el cuello de botella. **Madurez tecnológica alta; velocidad empresarial baja.** > El gran problema aquí es el tiempo del desarrollo a medida. A la velocidad a la que avanza esta tecnología, es muy probable que antes de acabar el proyecto ya se haya quedado obsoleto. --- ## 4. El agente operador o _Computer Use_ **La promesa que aún no cumple** El más nuevo y el más ambicioso. Un agente que **usa el ordenador como un humano**: *mirando* la pantalla, abre aplicaciones, hace clics, navega, rellena formularios y devuelve resultados. No necesita conectores ni integraciones: aprende a moverse por las interfaces como tú. Suena a ciencia ficción, y lo es un poco. Funciona a medias, falla 3 de cada 4 veces. Hoy es un prototipo brillante, pero **no está listo para producción**. Aun así, hay que seguirlo de cerca: en cuanto madure, hará obsoletas muchas integraciones y robots de software en los próximos meses. Cuando eso ocurra, la automatización dejará de ser programar flujos y pasará a ser entrenar comportamientos. --- ## Qué hacer hoy Mientras ese futuro llega, la decisión es sencilla: 1. **Apuesta fuerte por los agentes de conocimiento.** Son el punto óptimo entre utilidad, control y madurez. Usa la IA para leer, analizar, resumir y detectar patrones: el retorno es inmediato. Todavía no estás automatizando, pero puedes aplicar procesos de inteligencia complejos. 2. **Experimenta con transaccionales en procesos muy concretos.** Pero asume que implican desarrollo y mantenimiento, no solo inteligencia. No es un problema de inteligencia. Es un problema de integraciones, seguridad, trazabilidad, monitorización, pago por uso, etc. 3. **Observa el _Computer Use_, pero no lo uses aún.** Entiende su potencial, prueba en laboratorio, y prepárate para adoptarlo cuando sea estable. --- ## Reflexión final La inteligencia artificial agéntica no es un producto: es un proceso de maduración. Hoy seguimos, en mi opinión, en la fase donde **pensar bien vale más que actuar rápido**. Los agentes transaccionales desarrollados a medida son potentes, pero costosos y lentos de construir. Los agentes de conocimiento los puedes usar hoy, y en general **no hemos explorado más que la mitad de su potencial**. Y el operador es espectacular, pero no funciona todavía. Pero se puede probar, así que la gente de innovación tiene que estar probándolo a diario para que la empresa esté lista cuando esta tecnología madure, que será cuestión de meses. Yo creo que en pocos meses los agentes de conocimiento empezarán a ejecutar pasos simples, y el operador dejará de fallar. Entonces sí hablaremos de madurez. Y habrá muchísimo que explotar antes de ponerse a hacer grandes desarrollos a medida. Hasta entonces, la ventaja no está en correr, sino en **entender antes que nadie cómo pensar con máquinas**.