Los agentes de IA aparecen en casi todas las conversaciones sobre tecnología, pero muy pocos textos en español explican qué pasa realmente dentro de uno cuando le pedís que resuelva algo. Este artículo abre esa caja negra: vas a entender cómo un agente recuerda, razona, decide y actúa, sin necesidad de saber programar.

La diferencia entre un chatbot común y un agente es simple de enunciar: el chatbot responde, el agente actúa. Un chatbot te devuelve texto; un agente puede buscar información, ejecutar tareas en otras aplicaciones, revisar su propio resultado y volver a intentarlo hasta lograr el objetivo. Entender ese salto es clave para usarlos bien en el trabajo.

Qué es un agente de IA (y qué no)

Un agente de IA es un sistema que combina un modelo de lenguaje (como los que están detrás de ChatGPT, Gemini o Claude) con la capacidad de tomar decisiones y usar herramientas para cumplir un objetivo. En lugar de darte una única respuesta, el agente descompone la tarea en pasos, ejecuta cada uno y ajusta el rumbo según lo que va encontrando.

Pensalo como la diferencia entre un asesor que te dice qué hacer y un asistente que directamente lo hace por vos: reserva la reunión, arma el reporte, envía el correo y te avisa cuando terminó.

Las cuatro piezas que hacen funcionar a un agente

1. El modelo: el motor de razonamiento

En el centro hay un modelo de lenguaje grande (LLM). Es la pieza que interpreta tu pedido, genera un plan y decide el siguiente paso. No "piensa" como una persona: predice, con enorme precisión, cuál es la mejor continuación posible dado todo lo que sabe y el contexto que recibió. Esa capacidad de predecir texto coherente es lo que, encadenada, se parece a razonar.

2. El contexto: lo que el agente tiene presente ahora

El contexto es toda la información que el modelo tiene "a la vista" en un momento dado: tu instrucción, los datos que le pasaste, los resultados de pasos anteriores y las reglas que le diste. Tiene un límite: la ventana de contexto. Cuando esa ventana se llena, el agente necesita resumir o descartar información vieja. Por eso a veces un agente "olvida" algo que dijiste al principio de una conversación muy larga.

3. La memoria: corto y largo plazo

Acá está una de las claves más malentendidas. Existen dos tipos de memoria:

• Memoria de corto plazo: vive dentro de la ventana de contexto. Es todo lo que pasó en la conversación actual. Se borra cuando la sesión termina.

• Memoria de largo plazo: se guarda por fuera del modelo, normalmente en una base de datos, y el agente la consulta cuando la necesita. Es lo que le permite recordar tus preferencias entre sesiones o acumular conocimiento sobre un proyecto.

Cuando un agente "recuerda" que preferís reportes cortos, no es magia: guardó ese dato en su memoria de largo plazo y lo recupera al empezar una tarea nueva.

4. Las herramientas: cómo el agente actúa sobre el mundo

Un modelo por sí solo solo genera texto. Las herramientas son lo que le permite hacer cosas: buscar en internet, leer un archivo, escribir en una planilla, enviar un mensaje o ejecutar código. El agente decide qué herramienta usar, la llama, recibe el resultado y lo incorpora a su razonamiento. Este mecanismo, conocido como tool calling, es la base de casi todos los agentes útiles hoy. La documentación técnica de Anthropic sobre uso de herramientas detalla cómo se define y ejecuta cada llamada.

El ciclo de razonamiento: cómo decide qué hacer

El corazón de un agente es un bucle que se repite hasta cumplir el objetivo. En cada vuelta ocurre algo parecido a esto:

• Observar: el agente mira el estado actual y el resultado del paso anterior.

• Pensar: evalúa qué falta para cumplir el objetivo y planifica el próximo paso.

• Actuar: ejecuta una acción, normalmente llamando a una herramienta.

• Repetir: vuelve a observar el nuevo resultado y decide si terminó o si necesita otra vuelta.

Este patrón, popularizado bajo el nombre ReAct (razonar y actuar), es lo que le da a un agente la apariencia de autonomía. No sigue un guion fijo: adapta su plan según lo que va descubriendo. Si una búsqueda no dio resultados, prueba otra. Si un dato no cierra, lo verifica. Publicaciones como MIT Technology Review vienen documentando cómo este enfoque pasó de la investigación a los productos que usamos a diario.

Un ejemplo concreto, paso a paso

Supongamos que le pedís a un agente: "Armá un resumen de las ventas del mes pasado y mandámelo por correo". Por dentro ocurre algo así:

• Interpreta el objetivo y lo divide en subtareas: conseguir los datos, procesarlos, redactar el resumen, enviarlo.

• Llama a la herramienta que accede a la planilla de ventas y lee los datos.

• Razona sobre los números, calcula totales y detecta lo relevante.

• Redacta el resumen y lo revisa contra tu pedido original.

• Llama a la herramienta de correo, lo envía y te confirma que terminó.

Cada uno de esos pasos es una vuelta del ciclo. Si en el paso 2 la planilla estuviera vacía, el agente no se rompe: te avisa o busca una fuente alternativa. Esa capacidad de recuperarse es justamente lo que separa a un agente de un simple script. Si querés ver este principio aplicado a tareas cotidianas, en Coderhouse escribimos una guía práctica sobre cómo delegar tareas a agentes de IA en el trabajo.

Por qué esto importa para tu trabajo

Entender la anatomía de un agente cambia cómo lo usás. Si sabés que el contexto tiene un límite, aprendés a darle instrucciones claras y acotadas. Si entendés la diferencia entre memoria corta y larga, sabés cuándo repetir información y cuándo confiar en que la recordará. Y si comprendés el ciclo de razonamiento, escribís mejores objetivos: en lugar de microgestionar cada paso, definís el resultado esperado y dejás que el agente encuentre el camino.

Cursos recomendados de Coderhouse

Si querés pasar de entender a construir, hay un recorrido claro según tu punto de partida:

• Para arrancar desde cero y ganar el marco conceptual, el Curso de Introducción a la Inteligencia Artificial te da las bases para entender cómo funcionan estos modelos.

• Cuando quieras diseñar y poner en marcha tus propios agentes, el Curso de AI Agents se enfoca justamente en la arquitectura que describimos acá.

• Y si tu objetivo es automatizar procesos de punta a punta, el Curso de AI Automation conecta agentes con las herramientas que ya usás en tu trabajo.

El próximo paso es tuyo: elegí el curso que mejor se ajuste a tu nivel y empezá a construir agentes que trabajen para vos.

Preguntas frecuentes

¿Cuál es la diferencia entre un chatbot y un agente de IA?

Un chatbot genera respuestas de texto. Un agente, además de conversar, puede tomar decisiones, usar herramientas y ejecutar acciones concretas —como enviar correos o modificar archivos— para cumplir un objetivo, ajustando su plan sobre la marcha.

¿Los agentes de IA realmente "razonan"?

No en el sentido humano. Un agente predice, paso a paso, la mejor acción siguiente según su entrenamiento y el contexto. Encadenar esas predicciones con un ciclo de observar, pensar y actuar produce un comportamiento que se parece mucho al razonamiento, aunque el mecanismo es estadístico.

¿Por qué un agente a veces olvida lo que le dije antes?

Porque su memoria de corto plazo vive dentro de una ventana de contexto con límite. En conversaciones largas, la información más vieja puede quedar fuera de esa ventana. Para recordar entre sesiones, el agente necesita memoria de largo plazo guardada por fuera del modelo.

¿Necesito saber programar para usar un agente de IA?

Para usarlos, no: la mayoría de las plataformas permiten operar agentes con instrucciones en lenguaje natural. Para construir agentes a medida sí ayuda tener nociones técnicas, aunque hoy existen herramientas de automatización que reducen mucho esa barrera.

¿Qué son las "herramientas" de un agente?

Son las capacidades externas que el agente puede invocar: buscar en internet, leer o escribir archivos, consultar bases de datos, enviar mensajes o ejecutar código. Sin herramientas, un agente solo genera texto; con ellas, puede actuar sobre el mundo real.