Saltar al contenido

Agente de IA: qué lo separa de un chat

8 min de lectura · 1.864 palabras

La diferencia entre un chat y un agente de IA no se entiende mirando funciones: se entiende mirando una tarde cualquiera, cuando pides algo concreto y esperas que pase algo concreto. Este texto sale de una de esas tardes.

1. La prueba de la impresora

Le pedí a una inteligencia artificial que imprimiera un documento.

Un chat me habría devuelto cinco pasos: instalar el controlador, agregar la impresora, abrir el archivo, elegir el papel, imprimir. Instrucciones correctas, y el trabajo quedaba mío.

El agente hizo otra cosa. Escaneó la red local, encontró la impresora en una dirección que yo ni siquiera recordaba bien, descubrió que el puerto donde suelen llegar los PDF estaba cerrado, montó un camino alternativo, comprobó que la máquina respondiera, esperó a que terminara un ciclo de mantenimiento y recién entonces mandó la hoja. Después me confirmó que el trabajo había salido de la cola.

Ninguno de esos pasos me los pidió. Y lo importante no es que los hiciera: es que verificó cada uno antes de seguir.

Hubo un momento que resume todo. La impresora estaba en un ciclo de limpieza y seguía haciendo ruidos sola. En vez de mandar el papel de inmediato —que era lo que yo había pedido—, propuso esperar, sondeó si la máquina aceptaba conexiones y, cuando respondió bien, envió el trabajo. Prefirió demorarse antes que reportar un éxito que no podía comprobar.

Ese es el comportamiento que conviene buscar: un sistema que antes de decir «listo» comprueba si listo es de verdad.

2. Qué es un agente de IA

La definición de IBM es directa: un agente de IA es un sistema que realiza tareas de forma autónoma diseñando flujos de trabajo con las herramientas disponibles.[1] La clave está en esa última parte. No es un modelo que sabe más; es un modelo al que se le dieron manos.

Un chat tradicional —lo que IBM llama nonagentic— no tiene herramientas, ni memoria, ni razonamiento propio: alcanza metas de corto plazo y necesita que el usuario siga aportando la dirección.[1] Un agente, en cambio, recibe una meta, la descompone en subtareas, elige qué herramienta usar en cada paso y va leyendo lo que salió de cada acción para decidir la siguiente. La idea viene de un trabajo de 2022 sobre modelos de lenguaje que alternan razonamiento y acción: el razonamiento ayuda a inducir y corregir el plan, y la acción permite consultar fuentes externas o actuar sobre un entorno.[5]

El ciclo de un agente Cuatro pasos en bucle: mira el estado, decide la siguiente acción, actúa con una herramienta y verifica el resultado antes de reportar. La verificación vuelve al inicio del ciclo. El ciclo de un agente cuatro pasos, y el último es el que casi siempre falta 1. Mira lee el estado archivo, puerto, red 2. Decide elige la acción con lo que vio 3. Actúa ejecuta con la herramienta 4. Verifica comprueba antes de reportar si no salió lo esperado, vuelve al paso 1

Fig. 1 — El ciclo completo. Quitar el paso 4 deja un programa que corre suelto y cree que todo salió bien.

La diferencia entre los dos no es de conocimiento: es de herramientas. Y sobre todo, de un paso final que casi nadie implementa.

3. La frase que lo resume

La diferencia entera cabe en dos frases.

Un chat dice: así se haría. Un agente dice: lo hice, y esto es lo que pasó.

La primera es una descripción. La segunda es un reporte, y un reporte solo es posible si alguien comprobó el resultado. Es la diferencia entre quien te da el mapa y quien hace el viaje y vuelve a contarte cómo estuvo el camino.

Hay una consecuencia práctica en esa frase. Cuando pides algo a un chat, la calidad de su respuesta se mide en lo bien escrita que está. Cuando pides algo a un agente, la calidad se mide en si pasó lo que tenía que pasar. Son dos criterios distintos, y el segundo no se puede fingir.

4. Dónde está el riesgo

Aquí viene la parte incómoda, y es la que conviene no esquivar.

Dar herramientas a un modelo es darle permiso para actuar sobre algo real: tus archivos, tu correo, tu red. OWASP —la fundación que mantiene el listado de referencia sobre riesgos en aplicaciones— tiene una categoría propia para esto: LLM06:2025 Excessive Agency.[2] La define como la vulnerabilidad que permite realizar acciones dañinas ante salidas inesperadas, ambiguas o manipuladas del modelo, sea cual sea la causa del fallo.[2]

Los disparadores que enumera OWASP son conocidos: alucinación por un modelo de bajo rendimiento, inyección de prompts directa o indirecta, o simplemente una salida mal interpretada. Y el resultado no es una respuesta equivocada en una pantalla: es un archivo borrado, un mensaje enviado, un comando ejecutado. La categoría está en el listado general de riesgos para aplicaciones con modelos de lenguaje, junto a la inyección de prompts y la fuga de datos sensibles.[3]

Qué se le concede Qué puede salir mal Qué verificar después
Leer archivos Mandarlos a un destino que no debía Qué se leyó y a dónde fue
Escribir o borrar Perder algo que no tenía copia Que exista respaldo antes, y qué cambió
Enviar mensajes Escribirle a quien no correspondía Destinatario y contenido, en la bandeja de salida
Ejecutar comandos Encadenar una orden equivocada con otra peor El registro de lo ejecutado, no el resumen del agente

Tabla 1 — Cada permiso tiene su modo de fallo. La columna derecha es la que se olvida.

La inteligencia no evita el error. Solo lo repite más rápido.

Por eso, al hablar de un agente de IA, el permiso importa más que el modelo. Pregunta qué puede romper y qué se verifica después. La categoría de OWASP existe precisamente porque el patrón es frecuente: se concede amplio acceso al inicio, se descubre el alcance del daño cuando ya ocurrió y se recorta el permiso después. La secuencia correcta es la inversa.

5. Cómo reconocer un agente

Antes de las señales, la comparación de fondo. La misma petición, dos comportamientos:

Aspecto Chat Agente
Qué entrega Una explicación Un resultado
Quién ejecuta La persona El sistema
Cómo termina Con un texto Con una comprobación
Qué puede fallar Que la explicación esté mal Que la acción esté mal

Tabla 2 — El eje que separa a los dos no es la calidad de la respuesta: es quién hace el trabajo.

Tres señales, y ninguna requiere saber programar:

Señal Cómo se comprueba Si falla
1. Tiene herramientas Pídele algo que requiera tocar un archivo Solo conversa: es un chat
2. Reporta el resultado Fíjate si dice «quedó hecho» o «así se haría» No ejecutó
3. Verifica su trabajo Pregunta cómo sabe que salió bien Es un chat con acceso a tu equipo

Tabla 3 — La tercera señal es la decisiva. Sin ella, el resto es un chat con permisos.

Si falta la tercera, tienes un chat con acceso a tu computadora, que es exactamente la combinación de la que conviene desconfiar. Microsoft describe sus marcos de agentes con el mismo eje: el modelo elige y ejecuta funciones, y el sistema que lo hospeda decide qué funciones existen.[4] Esa última decisión es tuya, no del modelo.

6. Montar uno sin regalarle la casa

Si lo anterior convenció, el siguiente paso no es darle permisos totales a un agente y esperar lo mejor. Hay una forma sensata de empezar, y es casi la misma que se aplica a cualquier herramienta nueva con acceso real a tus cosas.

Empieza con permisos acotados. Elige una tarea de bajo riesgo: convertir archivos, ordenar una carpeta, preparar un documento. Evita al principio cualquier cosa con capacidad de borrar, enviar o publicar. El objetivo de esta etapa no es ahorrar tiempo, es aprender a leer cómo trabaja el sistema. Si te interesa el detalle de montarlo en una máquina aparte, está explicado en instalar un agente de IA en tu PC, y la elección del modelo que lo mueve en elegir modelo de IA.

Exige el reporte de resultado. Si el agente te devuelve el método en vez del resultado, todavía no estás usando uno. Pídele que confirme qué salió, no qué pensaba hacer.

Verifica por tu cuenta al principio. Revisa lo que hizo durante las primeras tareas: mira los archivos, comprueba que el correo salió a quien debía, abre el documento. La confianza se gana después de ver repetidamente que lo reportado coincide con lo hecho.

Separa dónde corre. Un agente con acceso a una máquina de pruebas, con datos de ejemplo, es una cosa. El mismo agente corriendo donde viven tus archivos reales es otra. La diferencia entre ambas no la da el modelo: la da el lugar donde se le permitió actuar.

Pregunta qué se rompe y quién lo arregla. Antes de ampliar permisos, define qué puede fallar, cómo te enterarías y cómo lo revertirías. Si no tienes respuesta para esas tres preguntas, todavía no toca ampliar nada.

También conviene dejar por escrito, aunque sea en una nota, qué tareas quedan prohibidas desde el primer día. Escrito antes de empezar, no después del susto: la lista que se redacta cuando algo ya salió mal suele estar hecha para justificar lo que pasó, no para impedirlo.

7. Por dónde empezar

Empieza con algo que no te duela si sale mal: un archivo de prueba, una tarea con permisos acotados, un equipo que no contenga nada importante.

Y el día en que algo salga solo, sin que copies ni un comando, ahí empezaste a usar un agente de verdad.

Porque esa es la definición operativa que queda después de todo lo anterior: no un modelo que contesta mejor, sino un sistema que actúa, comprueba y vuelve con el resultado. Todo lo demás —el nombre, la marca, la cantidad de parámetros— es detalle de catálogo, y no es lo que decide si te sirve o no en el uso diario.

La misma orden, dos respuestas Panel izquierdo: el chat devuelve una lista de cinco pasos y el trabajo queda en manos de la persona. Panel derecho: el agente ejecuta los pasos, verifica el resultado y reporta qué pasó. La misma orden, dos respuestas Chat «así se haría» 1. instala el controlador 2. agrega la impresora 3. abre el archivo 4. elige el papel 5. imprime el trabajo queda en tus manos Agente «lo hice, y esto pasó» busca la impresora en la red prueba el puerto, busca otro espera a que esté libre manda la hoja comprueba que salió el trabajo lo hizo el sistema

Fig. 2 — Los dos paneles parten de la misma petición. Cambia quién ejecuta y quién comprueba.

Fuentes

  1. What Are AI Agents? — IBM, 3 de julio de 2024. Definición de agente y diferencia con los sistemas nonagentic. Leída el 20 de noviembre de 2026.
  2. LLM06:2025 Excessive Agency — OWASP Top 10 for LLM Applications. Definición de la vulnerabilidad y sus disparadores. Leída el 20 de noviembre de 2026.
  3. OWASP Top 10 for Large Language Model Applications — índice del listado 2025. Leído el 20 de noviembre de 2026.
  4. Semantic Kernel Agent Framework — Microsoft Learn. Marco de agentes donde el modelo elige funciones y el sistema define cuáles existen. Leído el 20 de noviembre de 2026.
  5. ReAct: Synergizing Reasoning and Acting in Language Models — Yao, S.; Zhao, J.; Yu, D.; Du, N.; Shafran, I.; Narasimhan, K.; Cao, Y. arXiv:2210.03629, 2022. Razonamiento y acción intercalados en modelos de lenguaje. Abstract verificado el 20 de noviembre de 2026.

Datos que decidimos NO afirmar: ninguna cifra de adopción, productividad o coste de los agentes. No se leyó ninguna fuente primaria que sostenga un número concreto, así que el artículo no los incluye.

¿Te sirvió esta entrada?

Puedes apoyar con una donación voluntaria. Sin publicidad, sin muros.

Donar con PayPal

También: más formas de apoyar

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.