Los Agentes de Inteligencia Artificial (AI Agents) están revolucionando la manera en la que afrontamos tareas complejas, aprovechando el poder de los grandes modelos de lenguaje (LLM).
En esencia, los agentes de IA son sistemas basados en LLM diseñados para alcanzar objetivos en múltiples pasos, aprovechando las herramientas que les facilitamos de manera autónoma cuando sea necesario.
En su versión más sencilla, un Agente está compuesto de 3 elementos:
- Un modelo LLM, que permite al agente razonar y tomar decisiones.
- Un conjunto de herramientas que ponemos a su disposición para alcanzar los objetivos.
- Un conjunto de instrucciones, que son explicaciones explícitas de cómo queremos que se comporte y qué objetivos tiene.
Por ejemplo, podemos definir un agente muy sencillo que simplemente haga búsquedas en internet:
root_agent = Agent(
name="basic_search_agent",
model="gemini-2.5-flash",
description=(
"Asistente que puede hacer búsquedas en la web"
),
instruction=(
"Eres un asistente al que le gusta ayudar. Responde a las preguntas de los usuarios mediante una búsqueda en Google cuando sea necesario"
),
tools=[google_search]
)Y preguntarle, por ejemplo, «cuál ha sido el último partido del Barça y cuál fue el resultado?». El agente hará una búsqueda por la web, procesará los resultados y nos dará una respuesta en lenguaje natural; además, también dará las referencias de dónde ha encontrado esta información para que podamos validar la fuente de donde ha obtenido esta información.
Los agentes también disponen de capacidades adicionales como:
- Planificar y reflexionar: los agentes de IA pueden analizar un problema, dividirlo en pasos y ajustar su enfoque en función de la nueva información.
- Acceso a herramientas: pueden interactuar con herramientas y recursos externos, como por ejemplo bases de datos, APIs o aplicaciones concretas, para recopilar información y ejecutar acciones.
- Memoria: los agentes de IA pueden almacenar y recuperar información, cosa que les permite aprender de experiencias pasadas y tomar decisiones más informadas.
Componentes principales de un agente de Inteligencia Artificial (AI Agents)
Ejemplo de uso: Agente de gestión de solicitudes de viaje de empresa
Objetivo: Decidir si autoriza o no una solicitud de viaje para un empleado.
Herramientas disponibles:
- Verificador de políticas de viaje: Consulta e interpreta las normas de la empresa (presupuesto, destinaciones permitidas, motivos justificados).
- Visor de la agenda de la empresa: Accede a la agenda para ver si la reunión o evento propuesto existe y es relevante.
- Comparador de costes históricos: Revisa viajes similares realizados por el mismo despacho o empresa, comparando costes y justificaciones.
Funcionamiento:
Cuando el agente recibe una petición, utiliza el verificador de políticas para ver si cumplen la normativa. Consulta la agenda para validar el evento que motiva el viaje. Finalmente compara el coste propuesto con otros viajes similares ya aceptados o rechazados. Si algún aspecto no encaja, puede rechazar la petición o pedir información adicional, o aprobarla si todo es correcto.
Si este agente fuese programado de la manera tradicional, se tendrían que codificar todas las excepciones y variaciones en políticas, eventos y supuestos, cosa muy compleja. Un agente flexible puede adaptarse directamente a los cambios de normativas y nuevas situaciones.
Ejemplo de uso: Agente de gestión de tránsito en una ciudad inteligente
Este es otro ejemplo, totalmente ficticio, para que se entienda como el agente se adaptaría a diferentes situaciones.
Objetivo: Optimizar el flujo de tránsito urbano en tiempo real para minimizar atascos y tiempos de espera.
Herramientas disponibles:
- Cámaras y sensores de tránsito que proporcionan datos en tiempo real sobre el volumen de vehículos e incidencias.
- Predicciones meteorológicas para anticipar cómo el tiempo puede afectar a la circulación.
- Controladores de semáforos y señales varias (capacidad para cambiar el tiempo de los semáforos, abrir/cerrar carriles, informar conductores, …).
Funcionamiento adaptativo:
Suponemos que en una hora punta se detecta una acumulación de vehículos en una avenida.
El agente no siempre sigue el mismo patrón:
- Si ve que la causa es un accidente a través de los sensores, opta primero por modificar los semáforos o recomendar rutas alternativas a los conductores.
- Si sabe que pronto va a llover (a través de las predicciones meteorológicas), incrementa posiciones de seguridad, alarga los tiempos de los semáforos en cruces conflictivos o reduce la velocidad recomendada.
- Puede alternar y combinar herramientas, por ejemplo, cambia la programación de los semáforos mientras monitoriza si la medida tiene efecto y, si no funciona suficientemente bien, recurre a datos meteorológicos o envía avisos a los conductores.
El agente decide en cada momento qué herramienta o combinación de herramientas es más útil según el contexto, pudiendo cambiar de estrategia según lo que pasa minuto a minuto.
Como en el ejemplo anterior, esto sería muy difícil de programar de manera tradicional, ya que las situaciones reales son infinitas y cambiantes, pero un agente con IA puede adaptarse automáticamente combinando recursos según lo que pasa a tiempo real.
Ahora que hemos detallado la estructura interna de un agente, hay que tener en cuenta que podemos tener agentes especializados en tareas concretas, y que podemos crear agentes que coordinen subagentes para que colaboren entre sí para resolver problemas complejos de forma más eficiente. Esto es lo que llamamos Sistema Multi-Agente (MAS: Multi-Agent System), que explicaremos en otra ocasión.
Los agentes de IA ya forman parte esencial de los sistemas del futuro, son colaborativos, inteligentes y adaptativos.