Un agente de IA no es un compañero de espionaje. Es una pieza de software que decide por sí misma: lee su entorno a través de sensores (flujos de datos, interfaces, consultas de usuario) y actúa sobre él mediante actuadores (API, comandos, mensajes) para alcanzar un objetivo. Lo difícil no es escribir uno. Lo difícil es saber que no existe un agente universal y elegir el tipo adecuado para el problema que tienes delante.
Esa única elección, desde el agente reactivo más simple hasta uno orientado a objetivos, es lo que separa un sistema que llega a producción de una demo que muere en silencio. Los números lo respaldan. Gartner prevé que más del 40 % de los proyectos de IA agéntica se cancelarán antes de finales de 2027 por problemas como una orquestación deficiente o un tipo de agente mal elegido. Según nuestra experiencia, los proyectos que acaban en ese 40 % casi nunca fallan por el modelo. Fallan por la arquitectura. Este artículo recorre los tipos de agente que nuestros ingenieros sopesan en cada proyecto, y luego muestra lo que un equipo que ya ha tomado estas decisiones en producción aporta realmente.
¿Qué es el marco PEAS y por qué empezar por ahí?
Antes de comparar tipos de agente, tienes que describir el problema con precisión. Usamos PEAS, la lente estándar para especificar cualquier agente, porque obliga a plantear las preguntas que la mayoría de los equipos se salta:
- Rendimiento (Performance): ¿qué significa realmente el éxito aquí? ¿Maximizar ingresos, minimizar errores, completar una tarea con limpieza?
- Entorno (Environment): ¿en qué mundo opera el agente? ¿Es totalmente observable, determinista, estático, discreto? Las respuestas fijan la verdadera dificultad del trabajo.
- Actuadores (Actuators): ¿cómo cambia el agente el mundo? Sentencias SQL, llamadas a funciones, movimientos de motor.
- Sensores (Sensors): ¿cómo percibe el mundo? Datos de entrada, flujos de sensores, consultas de usuario, archivos de log.
Definir PEAS es el primer paso y el de mayores consecuencias, y conduce de forma natural al tipo de agente adecuado. Sáltatelo y estarás construyendo sobre arena. En nuestros proyectos, aquí es donde un ingeniero con experiencia demuestra su valía mucho antes de escribir una sola línea de código de orquestación.
¿Cuáles son los tres tipos de agente fundamentales?
Los agentes suelen clasificarse por lo compleja que es su arquitectura interna y por lo bien que comprenden su mundo, un recorrido que va desde autómatas reactivos hasta sistemas que planifican y aprenden. Tres tipos marcan los hitos de ese recorrido. Comprender su mecánica, y sus límites, es esencial, porque incluso los marcos avanzados son mucho menos fiables de lo que sugiere el bombo. Un benchmark reciente encontró que las soluciones populares completan correctamente solo alrededor del 50 % de las tareas en 34 problemas de programación realistas. Muchos de esos fallos provienen de exactamente un desajuste: la potencia bruta de un LLM atornillada a la arquitectura de agente equivocada para la tarea.
El agente reflejo simple
El bloque de construcción más básico. Funciona con una regla directa de “si-entonces”: la percepción dispara una condición, la condición dispara una acción. Sin historia, sin modelo del mundo. SI el sensor de temperatura lee por encima de 22 grados, ENTONCES apaga la calefacción, sin importar cómo llegó la habitación a ese estado.
Sus fortalezas son la velocidad, la simplicidad, la previsibilidad y el bajo consumo de cómputo. Su debilidad es que es ciego al contexto y al pasado. Ponlo en un entorno parcialmente observable donde los sensores no cuentan toda la historia, y queda indefenso. Tampoco puede trabajar hacia un estado futuro. Encaja con entornos estables y totalmente observables, de causa y efecto limpios: termostatos, filtros de spam básicos, cortes de seguridad mecánicos.
El agente reflejo basado en modelo
Cuando el entorno no es totalmente visible, el agente simple se rompe. El agente basado en modelo añade la pieza que falta: un modelo interno del mundo que registra lo que no puede ver directamente. Ese modelo es una representación de cómo cambia el mundo con el tiempo y de cómo las propias acciones del agente lo mueven.
Su ciclo amplía el simple: percibir, actualizar el modelo del mundo, evaluar el estado actual contra ese modelo, aplicar una regla, actuar. El modelo le permite distinguir percepciones idénticas por su contexto. Al ver una puerta cerrada, sabe si la cerró él mismo o si la puerta lleva un rato cerrada. Esa es la llegada del estado interno y de la memoria, un paso real hacia un comportamiento flexible en entornos imperfectos y fragmentarios. Un robot aspirador que mapea una habitación para no limpiar dos veces el mismo tramo está ejecutando una versión básica de esto.
El agente basado en objetivos
Los agentes basados en modelo aún reaccionan al presente. Los agentes basados en objetivos usan su modelo del mundo para planificar y simular el futuro frente a un objetivo definido, una descripción de un estado deseado (“pedido empaquetado”, “cliente ha recibido la respuesta correcta”). La acción se convierte en un medio, no en un fin.
Su ciclo: percibir, actualizar el modelo, analizar el objetivo, buscar caminos posibles, seleccionar la acción. Simula secuencias (“¿qué pasa si hago A y luego B?”) y elige el camino que juzga que se acercará más al objetivo. Eso introduce la idea de utilidad, ya que no todos los caminos son igual de buenos. Esto lo hace mucho más flexible: la misma arquitectura puede perseguir objetivos distintos con solo redefinirlos, sin reescribir reglas. El coste es real, no obstante, tanto en el cómputo necesario para explorar el espacio de estados como en la disciplina necesaria para definir el objetivo y sus métricas de éxito con precisión. Según nuestra experiencia, aquí es exactamente donde los proyectos complejos, a menudo construidos a partir de equipos de agentes LLM, se topan con problemas de orquestación y de observabilidad, los mismos problemas que mantienen a tantos de ellos fuera de producción.
¿Qué son los agentes basados en utilidad y los agentes de aprendizaje?
El espectro va más allá:
- Los agentes basados en utilidad amplían el tipo basado en objetivos. Cuando varios caminos alcanzan el objetivo, no se conforman con cualquier solución, puntúan los estados finales con una función de utilidad y eligen el óptimo, lo que hace posibles mejores decisiones bajo incertidumbre.
- Los agentes de aprendizaje añaden un bucle de aprendizaje a cualquiera de los anteriores: un crítico que evalúa el rendimiento frente al feedback, un elemento de aprendizaje que actualiza reglas, modelo o función de utilidad, y un elemento de exploración que prueba nuevas acciones en busca de mejores resultados. Esta es la base del machine learning moderno y del aprendizaje por refuerzo profundo.
¿Dónde funcionan realmente estos agentes?
La teoría aparece en sistemas que la gente toca a diario:
- Reflejo simple: puertas automáticas, controladores PID básicos, alertas como “si el uso de CPU alcanza el 95 %, envía un correo”.
- Reflejo basado en modelo: la mayoría de los NPC de videojuegos (rastrean a un jugador que pierden de vista de vez en cuando), navegación sencilla consciente de la ubicación.
- Basados en objetivos y en utilidad: el corazón de los sistemas avanzados. Vehículos autónomos (objetivo: ir de A a B con seguridad), motores de recomendación de e-commerce (objetivo: maximizar el valor esperado del pedido) y los asistentes que descomponen una consulta compleja en una secuencia de pasos (objetivo: entregar una respuesta completa). Es en estas construcciones basadas en LLM donde se hace visible la brecha entre prototipo y producción, la que los benchmarks y Gartner no dejan de señalar.
¿Qué aportan nuestros equipos de IA al problema del 40 %?
Conocer los tipos es lo mínimo. Convertirlos en un sistema de producción estable, observable y mantenible es una disciplina distinta, y es la que decide en qué lado del 40 % de Gartner aterriza un proyecto. Este es el trabajo que nuestros ingenieros de IA hacen a diario:
- Arquitectura ajustada a PEAS. Nuestros ingenieros no recurren a un agente basado en objetivos y guiado por LLM porque esté de moda. Primero mapean tu PEAS y luego eligen el tipo de agente más simple que supera el listón, desde una regla reflejo hasta un planificador completo basado en utilidad. La sobreingeniería falla con la misma fiabilidad que la infraingeniería.
- Orquestación que aguanta bajo carga. El modo de fallo en los proyectos agénticos rara vez es un único agente, es la coordinación entre ellos. Diseñamos las transferencias, las barreras de protección y los planes de contingencia que mantienen coherentes los flujos multiagente cuando llega el tráfico real.
- Observabilidad desde el primer día. No puedes arreglar lo que no puedes ver. Integramos trazado, evaluación y monitorización a lo largo del ciclo de vida del agente para que el comportamiento siga siendo legible en lugar de convertirse en una caja negra en el momento de salir a producción.
- Patrones de producción aprendidos a las duras. Reintentos, control de costes, anclaje contra alucinaciones, revisión humana en los puntos de control adecuados. Estos son los patrones que separan una demo convincente de un sistema que un negocio regulado puede realmente operar, y los tenemos porque los hemos llevado a producción.
Aquí también es donde la IA cambia la forma del equipo, no la del proveedor. Un grupo pequeño y senior de nuestros ingenieros, potenciado por agentes de IA que gestionan el volumen, entrega la producción de un equipo clásico mucho mayor, y más rápido, porque las personas en el bucle ya saben qué arquitectura sobrevive al contacto con la producción.
¿Cómo incorporas esta capacidad?
La vía más rápida para superar el 40 % no es otra evaluación de frameworks, es gente que ya ha tomado estas decisiones. Nos incorporamos de dos maneras:
- Un equipo de IA dedicado que se hace cargo de una construcción agéntica de extremo a extremo, desde PEAS pasando por la orquestación y la observabilidad hasta la producción.
- Staff augmentation, incorporando un ingeniero senior de ML o de IA a tu equipo existente para tomar las decisiones de arquitectura que mantienen el proyecto entregable.
Elegir el tipo de agente adecuado no es un ejercicio académico. Es la decisión de ingeniería que más determina si tu proyecto llega alguna vez a producción. Si prefieres aprender de proyectos que ya hemos entregado en lugar de de los que están en el 40 % de Gartner, eso es exactamente lo que ofrecen nuestros equipos.
Incorpora un equipo de expertos, potenciado por IA → /services/team-augmentation