Los agentes de inteligencia artificial buscan dar un paso más allá de los chatbots tradicionales: pueden planificar tareas, utilizar herramientas y ejecutar acciones con distintos niveles de autonomía. Empresas como Meta ya los consideran una pieza central de su estrategia de IA.
Hasta ahora sabemos que los modelos de IA cambiarán la forma de buscar información, escribir textos, crear imágenes y programar. Pero, la industria comienza a plantear una pregunta diferente: ¿qué puede hacer una IA por una persona sin tener que darle cada paso?
Ahí aparecen los agentes de IA, sistemas diseñados para recibir un objetivo, analizarlo, dividirlo en tareas, utilizar herramientas y ejecutar acciones para alcanzar un resultado.
La diferencia frente a un chatbot tradicional es relevante. Mientras un chatbot genera una respuesta a partir de una instrucción, un agente puede consultar bases de datos, utilizar aplicaciones, recuperar información y encadenar diferentes acciones para completar una tarea.
Una tecnología que todavía está en construcción
Los agentes suelen apoyarse en modelos de lenguaje, pero incorporan componentes adicionales como herramientas externas, APIs, bases de datos y sistemas de recuperación de información, conocidos como RAG.
Por ejemplo, ante la instrucción de preparar un informe, un agente podría buscar información, consultar documentos, organizar datos y producir un resultado. Dependiendo de los permisos que tenga, también podría ejecutar determinadas acciones directamente.
La tecnología todavía está en una etapa temprana.
El estudio State of AI 2025 de McKinsey encontró que 62% de las organizaciones encuestadas ya está experimentando con agentes de IA, aunque la mayoría continúa en fases iniciales de implementación. Al mismo tiempo, 88% de las organizaciones afirma utilizar IA regularmente en al menos una función empresarial.
Deloitte ha encontrado una tendencia similar. Su investigación sobre IA generativa señala que 26% de las organizaciones estaba explorando en gran medida el desarrollo de agentes autónomos, mientras otro 42% lo hacía en cierta medida. La firma identifica, sin embargo, obstáculos relacionados con regulación, riesgos y calidad de datos.
El mercado, por tanto, parece estar entrando en una nueva fase: pasar de experimentar con modelos a construir sistemas capaces de realizar tareas.
La visión de Mark Zuckerberg
Mark Zuckerberg, CEO de Meta, es uno de los empresarios tecnológicos que ha puesto a los agentes de IA en el centro de su estrategia. El CEO ha planteado la posibilidad de que, en los próximos cinco años, miles de millones de personas tengan un agente personal capaz de trabajar de manera continua en su nombre.
“Si miras dentro de cinco años, miles de millones de personas con un agente personal que comprenda tus objetivos y que simplemente esté trabajando en tu nombre las 24 horas del día, los 7 días de la semana, para alcanzar tus metas en cualquier dominio que te importe”, dijo Zuckerberg.
La apuesta de la compañía es que estos agentes puedan convertirse en herramientas de uso cotidiano y no requieran conocimientos técnicos para aprovecharlos. Sin embargo, son consiente de las dificultades para llevar esta visión a la práctica.
El desafío no es exclusivo de Meta. Para la industria, una cosa es conseguir que un sistema genere una respuesta correcta y otra muy distinta lograr que pueda desenvolverse de forma confiable en un entorno real: que entienda el contexto, utilice las herramientas disponibles, tome decisiones y sepa cuándo debe detenerse o dejar la situación en manos de una persona.
El verdadero reto: hacerlos confiables
A medida que los agentes llegan a aplicaciones empresariales, aparecen preguntas que no son tan relevantes en un chatbot convencional.
¿Qué información puede consultar un agente? ¿Qué acciones puede ejecutar? ¿Qué ocurre si interpreta incorrectamente una instrucción? ¿Cuándo debe transferir una decisión a una persona?
Estas cuestiones son especialmente importantes en sectores como salud, finanzas y servicios empresariales.
Deloitte señala que la gobernanza y la gestión de riesgos siguen siendo desafíos importantes para la adopción de sistemas agentic. El problema no consiste únicamente en desarrollar la tecnología, sino en establecer los límites dentro de los cuales puede operar.
Esto también está cambiando el perfil de los profesionales que trabajan con IA. Ya no basta con conocer un modelo de lenguaje. Los desarrolladores necesitan combinar conocimientos de software, datos, APIs, recuperación de información, evaluación de modelos y seguridad.
Colombia también experimenta con agentes
Esta nueva demanda de capacidades técnicas ya comienza a verse en el ecosistema colombiano.
En Medellín, el Tech Sphere Challenge 2026, organizado por Source Meridian junto con comunidades y organizaciones tecnológicas, propuso a desarrolladores senior construir un agente de voz basado en IA para realizar seguimiento posoperatorio a pacientes.
El sistema debía mantener una conversación en tiempo real, utilizar información clínica y determinar cuándo una situación debía escalarse a personal capacitado. El ejercicio incorporó tecnologías como RAG, sistemas conversacionales y comunicación de voz en tiempo real.
La competencia sirve como ejemplo de hacia dónde se está desplazando el desarrollo de IA: el desafío ya no consiste solamente en conseguir que una máquina converse, sino en construir un sistema capaz de entender contexto, consultar información, ejecutar tareas y reconocer sus propios límites.
Los resultados del challenge serán anunciados el 25 de agosto, mientras que los tres finalistas presentarán sus soluciones durante un evento presencial el 5 de septiembre en Medellín.
Del chatbot al agente
La adopción de agentes todavía está lejos de ser universal, pero las inversiones y los experimentos de las grandes compañías muestran hacia dónde apunta la industria.
La transformación podría cambiar incluso la manera en que las personas utilizan el software. En lugar de abrir diferentes aplicaciones y ejecutar cada paso de un proceso, los usuarios podrían comenzar a expresar objetivos y delegar parte de la ejecución a sistemas de inteligencia artificial.
La diferencia puede resumirse de manera sencilla: un chatbot responde; un agente intenta conseguir un resultado.
El desafío ahora es conseguir que esos sistemas sean suficientemente precisos, seguros y confiables para hacerlo en el mundo real. (GDA)
