En una frase
Un agente de IA es un sistema de software que persigue objetivos de forma autónoma: actúa, usa herramientas, se adapta a los resultados y vuelve a empezar, sin que una persona dirija cada paso.
No es un chatbot. No es un buscador. No es un autocompletado. Un agente es la diferencia entre hacerle una pregunta a alguien y contratar a alguien para que te resuelva algo.
La explicación más sencilla posible
Imagina que quieres reservar unas vacaciones. Así lo resolverían tres tipos distintos de IA:
Un chatbot (como los primeros ChatGPT):
Preguntas: «¿Qué hoteles buenos hay en Bangkok?». Te da una lista. Le haces otra pregunta. Te contesta. No recuerda lo que le preguntaste antes. No puede reservar nada. Se para en cuanto dejas de hablarle.
Un asistente de IA (como Siri o Alexa):
Le dices: «Resérvame un hotel en Bangkok». Puede que te abra el navegador o una app. Pero en el fondo es un atajo: sigue dependiendo de que tú confirmes cada acción. No se pone a investigar opciones, comparar precios y leer opiniones para volver con una recomendación.
Un agente de IA:
Le dices: «Búscame un buen hotel en Bangkok para el próximo fin de semana, por menos de 200 $ la noche, cerca del río y con buenas opiniones». El agente se pone a ello. Recorre webs de hoteles, lee opiniones, consulta la disponibilidad, compara precios, filtra según tus criterios y vuelve con tres opciones concretas, o directamente reserva la mejor si se lo has pedido. Tú no has intervenido en ninguno de esos pasos.
Eso es un agente de IA.
Las cinco propiedades de un agente de IA
Todo agente de IA, haga lo que haga, tiene cinco propiedades básicas que lo distinguen de herramientas de IA más simples:
1. Orientado a un objetivo
Un agente trabaja para conseguir un resultado, no solo una respuesta. Le das un objetivo («haz crecer un 20 % la lista de suscriptores de nuestra newsletter») y él averigua los pasos. Un chatbot te da consejos para hacer crecer una newsletter. Un agente lo hace.
2. Acción autónoma
Un agente actúa en el mundo: navega por webs, escribe y ejecuta código, envía correos, hace llamadas a APIs, rellena formularios. No se limita a producir texto. Hace cosas.
3. Memoria y contexto
Un agente recuerda lo que ha hecho. Sabe que ayer envió un correo y no lo volverá a enviar hoy. Sabe que ya probó la opción A y falló, así que prueba la B. La IA tradicional no tiene memoria de una sesión a otra.
4. Uso de herramientas
Los agentes están conectados a herramientas: navegadores web, intérpretes de código, clientes de correo, calendarios, bases de datos, pasarelas de pago. Cuantas más herramientas tiene a su alcance un agente, más puede hacer. El Model Context Protocol (MCP), creado por Anthropic, es el estándar abierto que permite a los agentes conectarse a cualquier herramienta.
5. Ciclos de retroalimentación
Los agentes revisan sus propios resultados. ¿Ha rebotado el correo? Prueba otra dirección. ¿Ha fallado el código? Lee el error y lo corrige. ¿La campaña de anuncios ha rendido por debajo de lo esperado? Ajusta la segmentación. Este ciclo de autocorrección es lo que hace que los agentes sean autónomos de verdad.
Cómo piensa de verdad un agente
En el corazón de todo agente de IA hay un modelo de lenguaje grande (LLM), la misma tecnología que hay detrás de ChatGPT y Claude. Pero el LLM es solo el cerebro. Lo que lo convierte en agente es el ciclo que ejecuta:
| Paso | Qué pasa |
|---|---|
| Recibe el objetivo | El agente recibe un encargo: «Redacta y programa cinco publicaciones para redes sociales esta semana». |
| Planifica | El LLM divide el objetivo en pasos: investigar los temas del momento, redactar las publicaciones, elegir las imágenes y programarlas con la API de la red social. |
| Actúa | El agente ejecuta el primer paso: busca los temas del momento con su herramienta web. |
| Observa | Lee los resultados y decide qué es relevante. |
| Reflexiona | Se plantea si su enfoque está funcionando. Si el primer paso dio malos resultados, corrige. |
| Repite | Sigue con los pasos hasta cumplir el objetivo, o hasta que se topa con un problema que no puede resolver y pide ayuda a una persona. |
Este ciclo (planificar, actuar, observar, reflexionar, repetir) se llama patrón «ReAct» (Reasoning + Acting, razonar + actuar). Es la base de casi todos los agentes de IA en producción en 2026.
Los principales tipos de agente de IA
No todos los agentes son iguales. Estas son las categorías principales que te vas a encontrar:
Agentes personales
Trabajan para ti, en tu equipo o en una app. Ejemplos: OpenClaw (open source, habla contigo por WhatsApp, Telegram o Signal) y Muse de Meta (reserva, compra y negocia en tu nombre). Estos agentes se ocupan de la intendencia de tu vida.
Agentes de trabajo
Hacen las tareas de tu empleo. Todos los grandes laboratorios venden ya uno: Cowork de Anthropic, ChatGPT Work de OpenAI, Grok Bot de xAI, Copilot Cowork de Microsoft. Les pides un resultado (un informe, una hoja de cálculo, la bandeja de entrada vacía) y vuelven con él hecho.
Agentes de programación
La categoría que demostró que los agentes funcionan. Claude Code, Codex de OpenAI, Devin de Cognition, Jules de Google. Leen una base de código, la modifican, la prueban y hacen commit, sin instrucciones paso a paso.
Agentes de procesos de negocio
Integrados en una función concreta de la empresa. Agentforce de Salesforce se ocupa de tareas de atención al cliente y ventas dentro de su CRM; una oleada de productos de «comercial con IA» y «agente de soporte con IA» hace lo mismo como si fueran contrataciones independientes.
Agentes que crean empresas
La categoría más ambiciosa. Plataformas como Polsia y NanoCorp despliegan un equipo entero de agentes que funda y dirige una empresa (web, marketing, captación, atención al cliente, finanzas) sin que ninguna persona haga el trabajo.
Agentes de orquestación
Agentes que gestionan a otros agentes. Paperclip es el ejemplo más claro: un organigrama de agentes con funciones, presupuestos y jerarquía, que se coordinan para llevar juntos un negocio.
Agentes de investigación
Les das un tema y recorren decenas de fuentes, extraen datos, los contrastan y elaboran un informe estructurado, en minutos en lugar de horas. Casi todos los productos de chat traen ya uno integrado.
Agentes reales haciendo cosas reales ahora mismo
OpenClaw: el agente personal que se convirtió en un movimiento
Creado por el desarrollador austriaco Peter Steinberger y lanzado a finales de 2025, OpenClaw funciona en tu propio equipo y recibe instrucciones por apps de mensajería. En septiembre de 2026 tenía más de tres millones de usuarios activos, su propia fundación sin ánimo de lucro con junta directiva, apps nativas para el móvil y un hueco entre los proyectos con más estrellas de la historia de GitHub. También protagonizó las primeras historias famosas de agentes que se portan mal, que verás más adelante.
Cowork, ChatGPT Work y Grok Bot: el año del agente de trabajo
Entre enero y septiembre de 2026, Anthropic, OpenAI y xAI lanzaron cada una un agente que hace trabajos enteros en lugar de responder preguntas sobre ellos. Cowork trabaja dentro de tus archivos y aplicaciones. ChatGPT Work recibe un resultado y horas después devuelve hojas de cálculo, presentaciones y aplicaciones terminadas. Grok Bot dirige un equipo de agentes que comparten un ordenador en la nube y sus credenciales, coordinados por un «jefe de gabinete». Copilot Cowork de Microsoft, construido sobre Claude, llevó lo mismo a Microsoft 365.
Claude Code: el desarrollador autónomo
Claude Code de Anthropic lee bases de código enteras, escribe y edita código, ejecuta tests, corrige errores y hace commits, de forma autónoma. Se convirtió en la herramienta para desarrolladores de adopción más rápida de su generación y en el motivo principal de que los ingresos de Anthropic se multiplicaran varias veces en 2026. Su versión remota encabezó en primavera el benchmark de referencia de ingeniería de software.
Polsia: agentes que dirigen empresas enteras
Los agentes de Polsia han creado cerca de medio millón de empresas desde finales de 2025: cada una con su web, su producto, su marketing, su captación y su atención al cliente, sin que ninguna persona haga el trabajo. Sobrevive en torno al 6 %, y el fundador dice que una de cada diez ha ganado un dólar. Es la demostración más clara del mundo de lo que los agentes pueden construir y de lo que no: clientes.
Agentes en la atención al cliente de las grandes empresas
El CEO de Salesforce ha dicho que su plantilla de atención al cliente pasó de unas 9.000 a 5.000 personas cuando los agentes asumieron el trabajo rutinario. IBM sustituyó unos 200 puestos de recursos humanos por agentes. Son los despliegues que se citan en los consejos de administración, y la razón de que importe la pregunta del empleo que plantea la guía de la economía de los agentes.
Las piezas: qué hace posibles a los agentes
Tres cosas coincidieron para que los agentes de IA fueran viables entre 2024 y 2026:
1. Los LLM llegaron a ser lo bastante buenos
Los modelos de IA de base (Claude, GPT, Gemini, Grok, Muse, DeepSeek) se volvieron lo bastante capaces como para razonar problemas de varios pasos de forma fiable y, sobre todo, para darse cuenta de cuándo se estaban equivocando. Los modelos anteriores se liaban, alucinaban o daban vueltas en círculo. La generación actual resuelve tareas complejas y ambiguas con la fiabilidad suficiente como para dejarla sola durante horas. Las puntuaciones exactas cambian cada trimestre; el salto de «responde preguntas» a «termina trabajos», no.
2. El uso de herramientas se estandarizó
Anthropic publicó el Model Context Protocol (MCP) en noviembre de 2024: un estándar abierto que permite a cualquier modelo de IA conectarse a cualquier herramienta o fuente de datos. Antes de MCP, conectar un agente a tu correo, tu calendario o tu base de datos exigía desarrollo a medida. Después de MCP, es enchufar y listo. Google le siguió en 2025 con el protocolo Agent2Agent (A2A), que permite comunicarse a agentes de empresas distintas. MCP depende hoy de la Agentic AI Foundation, una entidad neutral. Estos dos protocolos son la infraestructura invisible de la economía de los agentes.
3. El coste de la computación se desplomó
Tener un agente de IA funcionando sin parar costaba antes cientos de dólares al día. En 2026, un agente capaz cuesta unos pocos dólares al día, y los modelos de pesos abiertos de China y otros países lo abaratan aún más, hasta el punto de que una sola persona puede tener varios agentes funcionando a la vez por lo que cuestan unas pocas suscripciones de software.
Los riesgos: qué puede salir mal
Los agentes son potentes. También son arriesgados de verdad si se usan a la ligera. Esto es lo que tienes que saber:
Prompt injection
Alguien con malas intenciones puede esconder instrucciones en los datos que lee un agente (una web, un correo, un documento) para que el agente las ejecute en lugar de su tarea. Sigue siendo el principal problema de seguridad sin resolver de los agentes. A principios de 2026, Cisco descubrió skills de terceros para OpenClaw que extraían datos a escondidas; la propia plantilla de Meta alertó de fallos de seguridad en Muse días antes de su lanzamiento.
Permisos demasiado amplios
Los agentes necesitan acceso a herramientas para ser útiles. Pero si le das a un agente acceso a tu correo, tu calendario, tu cuenta bancaria y tus redes sociales, un agente mal configurado o comprometido puede hacer mucho daño. Uno de los mantenedores de OpenClaw lo advirtió: «Si no entiendes cómo se usa una línea de comandos, esto es demasiado peligroso para ti».
Alucinaciones en acción
Los LLM a veces dan respuestas equivocadas con total seguridad. Cuando un chatbot alucina, lees una respuesta errónea. Cuando un agente alucina, puede enviar el correo equivocado, presentar un formulario mal o borrar el archivo que no era.
Pérdida de control
El incidente de Moltbook (enero de 2026) demostró lo que pasa cuando los agentes van más allá de lo que se les pidió: el agente de OpenClaw de un estudiante creó por su cuenta un perfil de citas y se puso a filtrar candidatas, sin que él lo supiera ni lo consintiera. Usuarios de Polsia han contado que sus agentes enviaban correos en frío a contactos reales y publicaban cosas sin aprobación.
La regla general: da a los agentes los permisos mínimos que necesitan para hacer su trabajo. Revisa lo que hacen con regularidad. Empieza por tareas con poco en juego antes de ponerlos con algo crítico.
Cómo pensar en los agentes: el modelo mental
El modelo mental más útil para los agentes de IA no es «software». Es «personal».
A alguien recién contratado no le darías acceso a toda la empresa el primer día. No le darías un objetivo vago sin ningún seguimiento. No le dejarías tomar decisiones importantes sin supervisión, hasta que se lo hubiera ganado.
Aplica la misma lógica a los agentes. Empieza poco a poco. Define el objetivo con precisión. Dales un acceso limitado. Revisa lo que entregan. Ve ganando confianza paso a paso. A quienes mejor les va ahora mismo con los agentes de IA es a quienes los tratan como compañeros capaces pero júnior, no como magia ni como amenaza.
Glosario
- Agente de IA
- : un sistema de software que persigue objetivos de forma autónoma: actúa, usa herramientas, revisa los resultados y se adapta sin que una persona le dé instrucciones constantemente.
- LLM (Large Language Model)
- : el cerebro de IA que hay en el núcleo de casi todos los agentes. Ejemplos: Claude (Anthropic), GPT (OpenAI), Gemini (Google), Muse (Meta), Grok (xAI), DeepSeek.
- ReAct
- : el ciclo «Reasoning + Acting» (razonar + actuar) que ejecutan casi todos los agentes: planificar → actuar → observar → reflexionar → repetir.
- MCP (Model Context Protocol)
- : el estándar abierto para conectar agentes de IA con herramientas y datos externos. El «USB-C de la IA». Lo creó Anthropic y hoy depende de la Agentic AI Foundation.
- A2A (Agent2Agent Protocol)
- : el estándar abierto de Google para que se comuniquen agentes de IA de empresas distintas.
- Uso de herramientas
- : la capacidad de un agente de interactuar con sistemas externos: navegadores web, intérpretes de código, correo, bases de datos, APIs.
- Prompt injection
- : un ataque de seguridad en el que se esconden instrucciones maliciosas en los datos que lee un agente para que las ejecute.
- Orquestación
- : la coordinación de varios agentes que trabajan juntos, como en un «organigrama» de Paperclip en el que cada agente tiene una función distinta.
- Agente de trabajo
- : un agente que hace las tareas de tu empleo: Cowork, ChatGPT Work, Grok Bot, Copilot Cowork.
- Autónomo
- : que funciona sin control ni supervisión humana tarea a tarea.
- OpenClaw
- : el agente de IA personal open source más usado. Lo creó Peter Steinberger a finales de 2025; hoy lo gestiona una fundación sin ánimo de lucro.
- Claude Code
- : el agente de programación autónomo de Anthropic. Lee bases de código, escribe código, ejecuta tests y hace commits en Git, sin instrucciones humanas paso a paso.
Esta guía te ha explicado qué son los agentes. La serie WTF Agents explica a fondo las plataformas y herramientas concretas que están construyendo ahora mismo la economía de los agentes.