Qué hace falta para llamar agente a un chatbot

En los últimos meses, casi todo lo que conversa se presenta como un agente. Asistentes que responden preguntas sobre un catálogo, chatbots de atención al cliente y sistemas que reservan, pagan o escriben código comparten la misma palabra. No hacen lo mismo ni tienen los mismos riesgos.

Una forma práctica de verlo: un chatbot responde, y un agente, además, decide qué hacer y actúa sobre otros sistemas para conseguir un objetivo. Entre una cosa y otra hay muchos grados.

Una definición que viene de lejos

La palabra no es nueva en inteligencia artificial. Stuart Russell y Peter Norvig, en el manual con el que se ha formado buena parte de quienes trabajamos en IA, definen un agente como cualquier cosa que percibe su entorno mediante sensores y actúa sobre él mediante actuadores (Russell y Norvig). Con esa definición, hasta un termostato es un agente.

Es útil como punto de partida, pero no ayuda a distinguir entre productos. Un chatbot también percibe (lee lo que escribes) y actúa (te responde). Un modelo de lenguaje (LLM) recibe un prompt y actúa respondiendo con un texto. Para separar uno de otro hace falta mirar qué más puede hacer.

Los ingredientes de un agente

Herramientas

Un agente puede usar herramientas: buscar en internet o en tus documentos, consultar una base de datos, llamar a la API de un sistema de reservas, enviar un correo. Sin herramientas, un modelo de lenguaje solo puede contestar con lo que aprendió al entrenarse. Andrew Ng incluyó el uso de herramientas entre los cuatro patrones de diseño de los sistemas agénticos, junto con la reflexión (revisar su propio trabajo), la planificación y la colaboración entre varios agentes (Ng, 2024a).

Un bucle de pensar y actuar

Un agente no responde de una sola vez. Decide un paso, lo ejecuta, mira el resultado y decide el siguiente. En 2022, un equipo de Princeton y Google propuso una forma de hacerlo con modelos de lenguaje, ReAct, en la que el modelo alterna razonamientos y acciones, y usa lo que obtiene de cada acción para seguir (Yao et al., 2022). Es la base de la mayoría de los agentes actuales.

Memoria

Para completar una tarea de varios pasos hay que recordar lo que ya se ha hecho y lo que se ha averiguado. Y para ser útil a lo largo del tiempo, recordar también las preferencias de cada persona. Qué se guarda, durante cuánto tiempo y quién puede verlo son decisiones de diseño, no solo técnicas.

Autonomía

El ingrediente que más cambia las cosas es quién decide el siguiente paso. Anthropic lo explica con una distinción útil: en un flujo de trabajo (workflow), el modelo de lenguaje y las herramientas siguen caminos definidos en el código; en un agente, el modelo dirige su propio proceso y decide qué herramientas usar (Anthropic, 2024). En la misma guía recomiendan empezar por lo más sencillo y añadir autonomía solo cuando lo simple no basta.

Flujos de trabajo agénticos

Entre un flujo fijo y un agente que lo decide todo hay mucho espacio. Andrew Ng propuso dejar de discutir si algo es o no un agente y hablar de sistemas más o menos agénticos (Ng, 2024b). De ahí viene la idea de flujo de trabajo agéntico (agentic workflow): la solución para los enfoques híbridos, en los que algunos pasos necesitan que el modelo razone y decida, otros necesitan la fiabilidad y la previsibilidad de un proceso paso a paso, y otros, que una persona revise antes de seguir (lo que se conoce como human in the loop, HITL).

Fuente: Andrew Ng, The Batch núm. 253.

Una escala, no un sí o un no

Para saber cuánto de agéntico es un producto, ayuda situarlo en una escala:

1. Responde con lo que sabe el modelo.
2. Responde consultando tus datos, por ejemplo buscando en tus documentos.
3. Hace una acción concreta cuando se la pides, como reservar una cita, y te pide confirmación.
4. Encadena varios pasos por su cuenta para cumplir un objetivo, dentro de un proceso definido.
5. Decide cómo cumplir el objetivo y actúa sin supervisión.

Muchos productos útiles están en los niveles 2 y 3. No es un defecto: para la mayoría de los casos de atención al cliente, un flujo bien diseñado es más fiable y más barato que un agente autónomo.

Subir en la escala tiene un coste. Margaret Mitchell y sus colegas de Hugging Face lo resumen así: cuanto más control cede una persona a un agente, más riesgos aparecen (Mitchell et al., 2025). Un agente que solo consulta puede equivocarse al responder. Uno que actúa puede equivocarse al pagar, borrar una base de datos de clientes o enviar algo en tu nombre.

Preguntas para saber qué te están ofreciendo

Si te presentan un agente, estas preguntas aclaran mucho:

• ¿Qué herramientas tiene y a qué sistemas puede acceder?
• ¿Quién decide el siguiente paso, el modelo o un flujo definido?
• ¿Qué puede hacer sin pedir confirmación?
• ¿Qué pasa cuando se equivoca, y cómo se deshace lo que ha hecho?
• ¿Se puede revisar después qué hizo y por qué?
• ¿Cuándo pasa la conversación a una persona?

Las respuestas dicen más que la palabra «agente» en la presentación.

En Monoceros diseñamos asistentes y agentes empezando siempre por el nivel más bajo que resuelve el problema. Lo contamos en lo que cambia cuando tu app aprende a conversar, y es el punto de partida de nuestro trabajo en diseño de conversaciones y agentes.

Referencias

• Russell, S. y Norvig, P. Artificial Intelligence: A Modern Approach. Pearson (4.ª edición, 2020).
• Ng, A. (2024a). How Agents Can Improve LLM Performance. The Batch, DeepLearning.AI.
• Ng, A. (2024b). Carta de Andrew Ng en The Batch, número 253. The Batch, DeepLearning.AI.
• Yao, S., Zhao, J., Yu, D. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. ICLR 2023.
• Schluntz, E. y Zhang, B. (2024). Building effective agents. Anthropic.
• Mitchell, M., Ghosh, A., Luccioni, A. S. y Pistilli, G. (2025). Fully Autonomous AI Agents Should Not be Developed. arXiv.