Con una cuenta desbloqueas el cuestionario, el foro de dudas y el tutor con IA de esta lección, además del registro de progreso y el certificado verificable al terminar «IA Agéntica: Agentes que Operan Sistemas Reales».
Dónde termina el prompting y dónde empieza la operación
En el curso Inteligencia Artificial de esta academia cerraste con prompting y una primera mirada al patrón de agentes. Este curso arranca exactamente ahí. Damos por sabido qué es un LLM (large language model, modelo de lenguaje grande), cómo se le escribe un prompt y por qué a veces alucina; no volveremos sobre transformers ni sobre entrenamiento. Lo que estudiaremos ahora es otra cosa: qué hace falta para que un modelo deje de escribir texto y empiece a operar sistemas reales — el rotor de una antena, una base de datos de pases orbitales, un pipeline de decodificación.
La diferencia no es de tamaño ni de calidad del modelo. Es arquitectónica. Un chatbot produce tokens; un agente produce efectos. Un token equivocado se corrige reescribiendo la respuesta. Un efecto equivocado — una antena que apunta al horizonte durante la única ventana de contacto del día — no se corrige con un "perdón, quise decir otra cosa". Todo el curso gira alrededor de esa asimetría.
Definición operativa de agente
Usaremos esta definición, deliberadamente operativa y no filosófica:
Un agente es un sistema que persigue un objetivo mediante un lazo cerrado con un entorno: percibe el estado, decide una acción, la ejecuta a través de herramientas, observa el resultado y repite hasta cumplir el objetivo o agotar su presupuesto.
De ahí salen sus cinco componentes obligatorios:
Modelo (razonador): decide cuál es la siguiente acción a partir del contexto disponible.
Herramientas (tools): funciones con contrato explícito que el agente puede invocar para leer o modificar el entorno. Son su única superficie de contacto con el mundo.
Memoria: lo que sobrevive de un paso al siguiente (y, si es persistente, de una sesión a la siguiente).
Objetivo y criterio de terminación: qué cuenta como "listo" y qué cuenta como "me rindo".
Entorno: el sistema real sobre el que actúa, con su latencia, sus fallos y sus estados que cambian aunque el agente no haga nada.
Quítale las herramientas y tienes un chatbot. Quítale el lazo y tienes una llamada única a una función. Quítale el criterio de terminación y tienes un proceso que consume presupuesto hasta que alguien lo mata.
Anatomía de un turno agéntico
Conviene destruir cuanto antes una confusión frecuente: el modelo nunca ejecuta nada. Lo único que emite es una intención estructurada — un objeto JSON (JavaScript Object Notation) con el nombre de una herramienta y sus argumentos. Quien ejecuta es el runtime del agente: código ordinario, escrito por ti, que valida, ejecuta y devuelve el resultado. La secuencia de un turno es siempre la misma:
Contexto: instrucciones del sistema, catálogo de herramientas, objetivo del usuario y todo lo observado hasta ahora.
Decisión: el modelo emite texto o una llamada a herramienta.
Ejecución: el runtime valida los argumentos y ejecuta la acción.
Observación: el resultado (o el error) se inyecta al contexto como un mensaje más.
Nueva decisión: vuelta al paso 2, con un contexto estrictamente mayor.
Esa última frase — contexto estrictamente mayor — tiene una consecuencia cuantitativa que casi nadie calcula antes de desplegar, y que resolvemos a continuación.
Ejemplo resuelto: cuántas iteraciones caben en el lazo
Supón un agente de operaciones con una ventana de contexto de C=128000 tokens. Reservas R=8000 tokens para la respuesta final, así que la entrada útil es Cutil=120000. El contexto inicial pesa C0=6400 tokens (instrucciones del sistema, catálogo de herramientas y objetivo). Cada iteración añade en promedio Δ=1850 tokens entre razonamiento, llamada y resultado de la herramienta. El número máximo de iteraciones antes de desbordar es:
Sesenta y una iteraciones es el techo físico, no el presupuesto recomendado. En producción se fija un límite muy inferior — típicamente entre 8 y 15 pasos — porque un agente que necesita cuarenta llamadas para diagnosticar algo casi nunca está razonando: está dando vueltas. El techo se calcula para saber cuándo el fallo será por desbordamiento de contexto (y hay que resumir o trocear la tarea) y cuándo será por bucle (y hay que rediseñar el catálogo de herramientas). Son patologías distintas con arreglos distintos.
Ejemplo narrado: el pase que no llegó
Una estación terrena automatizada debía grabar el pase de un satélite NGSO (non-geostationary satellite orbit, órbita no geoestacionaria) a las 03:14 UTC. A las 08:00 el operador encuentra el archivo vacío. Un agente de diagnóstico con cinco herramientas de solo lectura recorre el lazo así:
Iteración 1 — ver_pases(fecha) → el pase estaba programado, elevación máxima 47 grados, duración 11 minutos. El pase existía: no fue un error de planificación.
Iteración 2 — estado_sdr(ventana) → el SDR (software-defined radio, radio definida por software) reporta muestras recibidas durante toda la ventana, con potencia de ruido normal. El receptor estaba vivo.
Iteración 3 — estado_rotor(ventana) → azimut congelado en 118 grados durante los 11 minutos, mientras el azimut comandado barría de 92 a 240 grados. Discrepancia sostenida.
Iteración 4 — leer_telemetria(rotor, ventana) → corriente del motor de azimut en su límite superior y sin movimiento: el motor empujaba contra algo.
Iteración 5 — reportar(diagnostico) → rotor bloqueado mecánicamente en azimut; la señal existía pero la antena nunca apuntó.
Cinco pasos, cada uno elegido a partir de la observación anterior. Ningún paso estaba en un guion escrito de antemano: si el SDR hubiera reportado cero muestras, la iteración 3 habría sido otra. Eso es el lazo, y es lo que un script determinista no hace.
Niveles de autonomía: el marco L0–L5
TM Forum estandarizó para redes autónomas una escala de seis niveles que usamos también en gemelos digitales de red, y que da vocabulario preciso para discutir alcance:
L0 — Manual: el humano ejecuta y decide todo.
L1 — Asistido: el sistema sugiere; el humano ejecuta.
L2 — Parcial: el sistema ejecuta tareas acotadas bajo supervisión continua.
L3 — Condicional: el sistema detecta, decide y actúa en su dominio; el humano atiende las excepciones que el sistema declara.
L4 — Alto: el sistema opera y se recupera solo en un dominio delimitado; escala al humano solo lo que no puede resolver.
L5 — Pleno: autonomía completa en cualquier escenario del dominio. Prácticamente ningún sistema operativo real está aquí, y decir lo contrario suele ser marketing.
La escala importa porque el nivel no se declara: se diseña. Un agente que reintenta una calibración fallida y solo avisa si tras tres intentos sigue fuera de tolerancia opera en L4 para esa función concreta. El mismo agente, si cada acción requiere que un operador pulse "aprobar", opera en L2 aunque el modelo sea idéntico. Lo que cambia el nivel es el modelo de permisos y los puntos de aprobación, no la inteligencia del razonador.
Cuándo NO usar un agente
Regla de ingeniería, no de gusto: si la tarea es determinista y ya sabes el procedimiento, escríbelo en código. Calcular la ventana de visibilidad a partir de un TLE (two-line element set, conjunto de dos líneas de elementos orbitales) es un problema resuelto con propagación SGP4: se programa una vez, se prueba y da el mismo resultado siempre. Delegarlo a un agente le añade coste, latencia, no determinismo y una superficie de error nueva, sin ganar nada. El agente vale la pena cuando el camino no se conoce de antemano: diagnóstico, exploración, síntesis de información dispersa, decisiones que dependen de lo observado. Un buen sistema agéntico es, casi siempre, mucho código determinista con unos pocos puntos donde hace falta juicio.
Fija el vocabulario antes de seguir:
1 de 6
Comprueba si distingues el componente que decide:
En el lazo agéntico, ¿quién ejecuta realmente la llamada a la herramienta?
El laboratorio de esta lección te pone en el asiento del razonador: verás el estado acumulado del contexto, un catálogo de cinco herramientas y el escenario del pase fallido. Tú eliges la siguiente acción en cada vuelta del lazo, y al terminar el simulador te muestra la traza completa del episodio para que compares tu camino con el mínimo de pasos posible.
Laboratorio: Lazo agéntico · Diagnóstico de un pase fallido