Recientemente se ha disparado el despliegue de sistemas de software automatizados llamados agentes de IA. Un informe de noviembre de 2025 elaborado por MIT Sloan School of Management y Boston Consulting Group encontró que el 35 por ciento de las empresas encuestadas ya habían implementado agentes de IA, mientras que otro 44 por ciento planeaba implementar IA agente pronto.
Para comprender los fundamentos y los impactos potenciales de estas herramientas cada vez más populares, MIT News habló con Phillip Isola, profesor asociado en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS) y miembro del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL), que estudia la inteligencia que poseen los agentes de IA, así como los modelos y mecanismos subyacentes que impulsan los sistemas de IA agentes.
P: ¿Qué es la IA agente y en qué se diferencia de los modelos de IA generativa como ChatGPT y Claude?
R: La IA agente es una IA que toma acciones en el mundo. Estas acciones podrían ser una acción física, como la manipulación robótica, o una acción digital, como reservar un vuelo. Por otro lado, pensamos que la IA generativa inventa historias, poemas, arte e imágenes, en lugar de tomar acciones por nosotros.
La palabra “agente” es sólo una marca. Por lo general, significa IA que ayudará a las personas a interactuar con una aplicación, un sitio web o el mundo físico. La mayoría de los agentes con los que nos encontramos hoy son agentes digitales, como agentes de servicio al cliente con los que puedes hablar sobre quejas de productos.
La mayoría de las empresas que ofrecen agentes utilizan los mismos modelos de IA bajo el capó y les dan la capacidad de tomar acciones y recordar lo que sucedió. Un agente comienza con un sistema de IA generativo fundamental, como Claude, en el centro. Luego, las empresas colocan diferentes envoltorios en torno a ese modelo básico para su producto o aplicación. Esos contenedores pueden ser herramientas específicas que el agente puede usar, y esas herramientas dependen de la aplicación. Tal vez el agente tenga acceso a una calculadora para poder resolver problemas matemáticos, o tal vez tenga acceso a un disco duro y un sistema operativo más complicados para poder recordar los datos financieros de una empresa y las negociaciones comerciales pasadas.
El mayor desafío en el desarrollo de IA agente proviene de la falta de datos de entrenamiento. Si quiero crear un sistema que pueda conectarse en línea y reservar un vuelo por mí, parece bastante simple. Pero no tenemos muchos datos que expliquen exactamente cómo hacerlo: dónde mover el mouse, en qué botones hacer clic, qué hacer si algo sale mal o cómo llamar a alguien y negociar el precio del billete de avión. Una forma de entrenar un sistema como este es hacer que el agente de IA visite los sitios web de las aerolíneas, pruebe cosas y vea qué funciona y qué no. Estos entornos son difíciles de modelar, por lo que a menudo el agente debe aprender mediante prueba y error.
P: ¿Cuáles son algunas aplicaciones prometedoras de la IA agente?
R: Creo que el área donde hemos visto mayor éxito ha sido la de los agentes de codificación. Esto es algo que evolucionó a partir de la IA generativa. Las personas entrenaron modelos de lenguaje en código y luego pueden predecir lo que haría un humano para resolver un problema de codificación. Además, un agente puede aprender a hacer esto pasando por un ciclo de retroalimentación en el que prueba diferentes soluciones y verifica si obtuvo la respuesta correcta. Siempre que pueda comprobar la respuesta, el agente de IA puede realizar este ciclo de prueba y error hasta que encuentre una buena estrategia.
Pero siempre existe un equilibrio entre automatizar la toma de decisiones y simplemente ayudar e informar a los humanos. Los métodos analíticos de IA, como los sistemas que ayudan a predecir los posibles resultados de las decisiones, no son de naturaleza agente, pero son muy informativos para los tomadores de decisiones humanos. Para casos que son de alto riesgo o críticos para la seguridad, como medicina, seguridad, políticas comerciales de alto nivel, etc., es posible que la tecnología no esté lista para que la IA automatice completamente esos procesos, o es posible que ni siquiera nos sintamos cómodos con eso.
P: ¿Existen riesgos en los que deberíamos pensar al utilizar agentes de IA?
R: Un área de gran riesgo proviene del hecho de que a menudo es muy fácil conseguir agentes que hagan ciertos tipos de trabajo por usted. Con los agentes de codificación, puede “codificar por vibración” y simplemente pedirle al agente que cree un código para usted, de modo que no tenga que hacer el trabajo duro usted mismo. Existe un gran riesgo de que, debido a que es tan fácil, la gente no se esfuerce lo suficiente en verificar que se está haciendo lo correcto. Se introducirán errores, se filtrarán datos privados; esto ya está sucediendo.
Los agentes no son perfectos, en el sentido de que pueden cometer errores porque no están bien capacitados y no saben qué hacer. Pero incluso si son muy competentes, si un humano no los usa apropiadamente o les da una instrucción demasiado vaga, el agente de IA podría cometer un error porque el humano cometió un error. Si los humanos estuvieran menos involucrados en pensar en todas las consecuencias, creo que podríamos ser más propensos a cometer esos errores.
Un aspecto adicional es el riesgo de pérdida de cualificación. No está claro hasta dónde llegará esto, pero cuando dependemos de agentes para hacer nuestra tarea, nuestra codificación y nuestras matemáticas, podríamos perder la capacidad de hacerlo nosotros mismos, y podríamos perder esa capacidad demasiado pronto porque la tecnología aún no está lista para automatizar completamente esos procesos.
P: ¿Qué le depara el futuro a la IA agente?
R: Lo que ahora consideramos IA agente se refiere a grandes modelos de lenguaje que utilizan herramientas para interactuar con sistemas físicos y digitales. Una limitación obvia es que, en el fondo, tienen la arquitectura de un modelo de lenguaje y están entrenados en datos de texto. Para crear agentes de IA aún más poderosos, es posible que necesitemos modelar videos, fuerzas físicas, series temporales, escaneos de radar y otras modalidades. Es posible que necesitemos modelos con arquitecturas fundamentalmente diferentes que puedan manejar datos continuos, datos de alta dimensión, datos estocásticos, etc.
Pero, por otro lado, ¿tal vez un modelo de codificación extremadamente bueno podría actuar como titiritero para interactuar con sensores, actuadores y API web? Quizás, una vez que tenga un sistema de razonamiento súper inteligente que entienda matemáticas, lenguaje y código, pueda darle una cámara y un teclado y descubrirá qué hacer en el dominio espacial. ¿La próxima ola de IA será simplemente Claude con sensores, actuadores y herramientas, o será algo construido de una manera nueva desde cero? Esa es la gran pregunta a la que se enfrentan muchas personas en el ámbito de la IA en este momento.