Glosario de IA agéntica

Un agente de IA es una aplicación que combina un modelo de lenguaje (la capacidad de razonar) con herramientas (la capacidad de actuar) para cumplir un objetivo: en esencia, un modelo de lenguaje en un bucle usando herramientas.

En lugar de solo responder a una orden, el agente planifica, actúa y observa el resultado, repitiendo el ciclo hasta completar la tarea, con poca o ninguna intervención humana en cada paso.

La IA agéntica es el software que actúa de forma autónoma hacia objetivos, y no solo genera contenido. Mientras una IA generativa produce un texto o una imagen a partir de una petición, una IA agéntica decide los próximos pasos, usa herramientas y ejecuta acciones para alcanzar un resultado.

Es la diferencia entre «escríbeme un correo» y «resuelve esta solicitud del cliente»: la IA agéntica asume la tarea de principio a fin, dentro de los límites que tú defines.

RAG, sigla de «retrieval-augmented generation» (generación aumentada por recuperación), es la técnica de fundamentar las respuestas de un modelo en una base de conocimiento externa. Antes de responder, el sistema recupera los fragmentos relevantes de tus documentos y los entrega al modelo como contexto.

El resultado es una respuesta anclada en tus propios datos (más precisa, actualizable y verificable), en lugar de depender solo de lo que el modelo memorizó durante el entrenamiento.

La recuperación agéntica ocurre cuando el propio agente decide cuándo consultar la base de conocimiento, invocando la búsqueda como una herramienta y bajo demanda. Puede buscar varias veces, afinar los términos y combinar fuentes a medida que avanza su razonamiento.

Se diferencia de la inyección pasiva de contexto, en la que los fragmentos se insertan automáticamente antes de la respuesta: aquí la búsqueda es una decisión deliberada del agente, lo que tiende a aportar información más pertinente y menos ruido.

Una herramienta es una capacidad que el agente puede invocar para actuar en el mundo: buscar en la base de conocimiento, hacer un cálculo, llamar a una API, consultar un sistema externo, entre otras.

Son las herramientas las que transforman un modelo de lenguaje, que solo produce texto, en un agente capaz de ejecutar tareas reales. El agente elige qué herramienta usar y cuándo, según el objetivo.

Una skill es un paquete de instrucciones y recursos que da a un agente una nueva capacidad, cargado bajo demanda cuando la tarea lo requiere. Piensa en ella como un «manual de procedimiento» especializado que el agente abre solo cuando lo necesita.

Esa carga bajo demanda mantiene el contexto del agente ligero: en lugar de cargar todo de una vez, recurre a la skill adecuada en el momento adecuado, ganando una habilidad específica sin perder el foco.

El MCP, o Model Context Protocol, es un estándar abierto para conectar un agente a herramientas y sistemas externos. Funciona como un «enchufe universal»: en lugar de una integración a medida para cada servicio, el agente habla un lenguaje común con cualquier herramienta compatible.

Así se puede ampliar lo que un agente es capaz de hacer conectándolo a fuentes de datos y aplicaciones externas de forma estandarizada y reutilizable.

La orquestación es la capa que conduce al agente: planifica los pasos, mantiene la memoria de lo que ya ha ocurrido y ejecuta el bucle de razonamiento en el que el agente decide, actúa y observa el resultado.

Es la orquestación la que coordina modelo, herramientas y contexto para que el agente avance de forma coherente hacia el objetivo, en lugar de producir respuestas aisladas.

La ingeniería de contexto es la práctica de seleccionar la información adecuada para la atención limitada del modelo. Como el modelo solo puede considerar una cantidad finita de contexto a la vez, decidir qué incluir, y qué dejar fuera, es determinante para la calidad de la respuesta.

Es la evolución de la ingeniería de prompts: el foco deja de ser solo la frase de la orden y pasa a ser curar todo el conjunto de información (instrucciones, conocimiento recuperado, historial) que llega al modelo en el momento adecuado.

Un sistema multiagente reúne varios agentes especialistas que colaboran para resolver una tarea. En lugar de un único agente generalista, cada uno cubre una parte del problema con sus propias instrucciones y herramientas.

Un patrón común es que un agente llame a otro como si fuera una herramienta: un coordinador delega subtareas a especialistas y reúne los resultados, haciendo el sistema más modular y más fácil de evolucionar.

Humano en el circuito es el diseño en el que las personas aprueban o supervisan las acciones relevantes de un agente antes de que tengan efecto. En lugar de actuar solo en decisiones sensibles, el agente propone y espera la luz verde.

Este patrón de «proponer y luego aprobar» mantiene el control en manos de las personas justo donde las consecuencias importan, combinando la velocidad del agente con el criterio humano.

Un guardrail es un control de política o validación que delimita lo que un agente puede hacer. Funciona como una valla: define los límites de alcance, los permisos y las acciones permitidas, bloqueando lo que queda fuera de esas reglas.

Algunos ejemplos son restringir el agente a un conjunto de herramientas, limitar permisos por rol o rechazar solicitudes fuera del propósito de ese asistente. Los guardrails dan seguridad y previsibilidad al comportamiento del agente.

La base de conocimiento es el conjunto de documentos curados en los que un asistente fundamenta sus respuestas: manuales, políticas, catálogos, preguntas frecuentes y otros materiales en los que confías.

Es esa base, y no la memoria genérica del modelo, la que da al asistente respuestas específicas de tu negocio. Mantenerla organizada y actualizada es lo que mantiene las respuestas correctas y fiables.

En la plataforma, una Charla es un único asistente de IA con sus propias instrucciones, su propia base de conocimiento y su propia lista de accesos. Es la unidad de aislamiento: cada Charla es independiente de las demás.

Este diseño permite operar varios asistentes en paralelo (uno para atención, otro para ventas, otro para un proceso interno) sin que el conocimiento o los accesos de uno se filtren al otro.