Las cifras de adopción cuentan una historia. La tecnología subyacente cuenta otra. Un informe de noviembre de 2025 elaborado por MIT Sloan School of Management y Boston Consulting Group reveló que el 35 por ciento de las empresas encuestadas ya había desplegado agentes de IA, mientras que otro 44 por ciento planeaba implementar IA agéntica en un futuro próximo. Es un nivel de impulso llamativo para una categoría que la mayoría de las personas, incluidas muchas de las que la están desplegando, tienen dificultades para definir con precisión. Entender qué es realmente la IA agéntica, dónde funciona bien y dónde falla de verdad es más útil que seguir únicamente la curva de adopción.
De generar texto a tomar acción
La forma más clara de entender la IA agéntica es contrastarla con las herramientas de IA generativa que la mayoría de la gente ya utiliza. Sistemas como ChatGPT o Claude producen resultados: texto, imágenes, código, resúmenes. Responden. La IA agéntica, en cambio, actúa. Puede reservar un vuelo, interactuar con un sitio web, ejecutar una secuencia de pasos en un entorno de software o controlar un sistema físico como un robot. La distinción no es cosmética. Cambia la naturaleza del riesgo, la supervisión necesaria y el tipo de confianza que el usuario debe depositar en el sistema.
Lo que la mayoría de la gente no sabe es que la mayor parte de los agentes de IA disponibles hoy en el mercado están construidos sobre el mismo conjunto reducido de modelos fundacionales. Una empresa toma un modelo como Claude, lo envuelve con herramientas específicas y capacidades de memoria, y lo despliega para un caso de uso concreto. El “agente” es en gran medida el envoltorio: las herramientas a las que puede acceder, los datos que puede recordar, las acciones que tiene permitido realizar. Esta realidad arquitectónica, explicada por Phillip Isola, profesor asociado en el Department of Electrical Engineering and Computer Science del MIT y miembro del CSAIL, ayuda a entender por qué la IA agéntica se ha extendido tan rápidamente. La parte difícil —construir un modelo fundacional capaz— ya estaba hecha. El trabajo restante es integración y configuración.
Dónde funciona y dónde tiene dificultades
Los agentes de codificación representan el caso de éxito más claro en la IA agéntica hasta la fecha. Las razones son reveladoras. El código es un dominio donde la corrección puede verificarse de forma automática. Un agente puede intentar una solución, ejecutarla, comprobar si funciona e iterar. Ese bucle de retroalimentación es lo que hace que el aprendizaje sea viable. Cuando el entorno proporciona señales claras sobre el éxito y el fracaso, los agentes pueden mejorar mediante prueba y error de una manera difícil de replicar en dominios más complejos y ambiguos.
El problema de los datos de entrenamiento es el cuello de botella central en todos los demás ámbitos. Consideremos algo aparentemente tan sencillo como reservar un vuelo en línea. La secuencia de acciones necesarias —saber dónde hacer clic, cómo gestionar errores, cuándo llamar y negociar— no está bien documentada en ningún conjunto de datos. Los agentes que intentan este tipo de tareas deben aprender explorando entornos reales, que son difíciles de modelar e impredecibles. Este no es un desafío de ingeniería menor. Es una limitación fundamental sobre la rapidez con la que la IA agéntica puede expandirse más allá de los dominios en los que ya rinde bien.
Isola establece una distinción importante entre la IA agéntica y la IA analítica. Los sistemas que modelan resultados, identifican patrones o informan las decisiones humanas no son agentes en el sentido técnico. No actúan de forma autónoma. Para dominios de alto riesgo como la medicina, la seguridad y la política empresarial de alto nivel, este tipo de rol de apoyo a la decisión puede ser más apropiado que la automatización total, tanto porque la tecnología puede no estar aún preparada como porque el nivel de responsabilidad humana exigido en esos contextos hace que la delegación total sea genuinamente problemática.
Los riesgos que se subestiman
Esto es lo que la mayoría de la cobertura sobre IA agéntica pasa por alto: los riesgos no tienen que ver únicamente con lo que los agentes hacen mal por sí solos. Una parte significativa del riesgo proviene de cómo los humanos los utilizan.
La facilidad de uso de las herramientas agénticas genera un modo de fallo específico. Cuando un agente de codificación puede generar software funcional a partir de un prompt vago, la tentación es saltarse el paso de verificación. Se introducen errores. Se exponen datos privados. Isola señala que esto ya está ocurriendo. Es posible que el agente esté funcionando exactamente como fue diseñado; el problema es que el humano no definió la tarea con suficiente cuidado, o no revisó el resultado con suficiente rigor, porque la herramienta hizo que pareciera que el trabajo duro ya estaba hecho.
Sobre esto se superpone una preocupación a más largo plazo. Cuando las personas delegan rutinariamente tareas cognitivas —incluyendo la codificación, el razonamiento matemático y la investigación— en sistemas automatizados, las habilidades necesarias para realizar esas tareas de forma independiente pueden atrofiarse. El riesgo no es hipotético. Es un patrón conocido en otros dominios donde la automatización ha reducido la frecuencia con la que los humanos practican una habilidad. La preocupación se agrava por el hecho de que la tecnología aún no es lo suficientemente fiable como para reemplazar por completo el juicio humano en muchas de estas áreas. Delegar demasiado pronto, antes de que el sistema esté preparado, crea una situación en la que ni el humano ni el agente son plenamente capaces.
En resumen
La IA agéntica no es una nueva categoría de modelo. Es una nueva forma de desplegar modelos existentes: dotándolos de herramientas, memoria y la capacidad de actuar en lugar de simplemente responder. Funciona mejor donde la retroalimentación es clara y los errores son recuperables, como en la codificación. Tiene dificultades donde los datos de entrenamiento son escasos y los entornos son impredecibles. La tasa de adopción es alta, pero la madurez de la tecnología es desigual, y los riesgos más subestimados no son fallos técnicos sino humanos: verificación insuficiente, instrucciones vagas y la erosión gradual de las habilidades que requiere la supervisión. La pregunta abierta para el campo es si la próxima generación de agentes se construirá sobre la misma arquitectura de modelos de lenguaje con mejores herramientas, o si se necesitarán arquitecturas genuinamente nuevas para manejar el mundo físico y continuo. Esa pregunta aún no tiene respuesta.
Basado en información de MIT News AI.