La palabra «agente» se usa hoy para describir desde un chatbot con memoria hasta un sistema autónomo que despliega código en producción — y esa ambigüedad le hace daño a los equipos que intentan tomar decisiones técnicas reales. Esta es la definición sin hype: lo que un agente realmente es, cuándo tiene sentido construir uno y cuándo es sobreingeniería.
Qué diferencia a un agente de un chatbot
Un chatbot recibe un input y produce un output. Un agente recibe un objetivo y ejecuta los pasos necesarios para alcanzarlo — tomando decisiones en el camino, usando herramientas externas y ajustando su plan cuando los resultados intermedios no coinciden con lo esperado. El ciclo de un agente real tiene cuatro fases: planificar (descomponer el objetivo), actuar (ejecutar usando herramientas), observar (evaluar el resultado) e iterar (ajustar el plan). Un chatbot no tiene fase de observación ni iteración — responde y termina.
Plan, Act, Observe, Iterate: el ciclo en la práctica
Un agente de revisión de PRs puede recibir el objetivo «revisar este PR y comentar todos los posibles errores de seguridad». El agente planifica qué archivos revisar, lee cada uno usando herramientas de acceso al repositorio, observa si encontró patrones problemáticos, genera comentarios específicos por línea e itera si hay dependencias entre archivos. Un chatbot haría algo parecido si le pegas el código — pero no puede acceder al repositorio por sí mismo, ni iterar sobre su propia revisión.
«Un agente no es un chatbot más inteligente — es un sistema con un bucle de retroalimentación que le permite actuar en el mundo, no solo responder preguntas sobre él.»
Cuándo construir un agente y cuándo es sobreingeniería
Construye un agente cuando: el objetivo requiere múltiples pasos que dependen de resultados intermedios impredecibles y el costo de supervisión humana paso a paso supera el riesgo de autonomía. No construyas un agente cuando: el flujo es predecible y siempre sigue los mismos pasos (usa un pipeline determinista), o cuando un prompt bien diseñado hace el trabajo en una sola llamada. El AI-TDA más común hoy es construir agentes para problemas que un buen prompt resuelve en segundos. El equipo maduro no pregunta «¿podemos construir un agente para esto?» — pregunta «¿el problema realmente requiere un agente, o estamos añadiendo complejidad para sentirnos modernos?»