¿Qué son los agentes de IA? La explicación en palabras llanas

Ya estás al día en algunos aspectos del uso de herramientas de IA. Sabes escribir un buen prompt. Has pasado a Claude. Quizá incluso tengas una o dos herramientas MCP instaladas y creas archivos y documentos.

Pero no hay automatización, ni QA, ni procedimientos de seguimiento.

Tu superficie de control de IA depende por completo de que tú decidas qué hacer a continuación. Y si decides repetir tu proceso, tienes que empezar de cero con un prompt recién escrito.

---

El artículo de hoy, espero, te llevará a la siguiente etapa de tu viaje con la IA. Escribir y guardar prompts listos para ejecutar, y construir un proceso agéntico sencillo para que veas qué es de verdad un agente de IA.

Si quieres la versión de presentación estratégica de la IA agéntica, la /agentic-ai page on Converly es la lectura más larga (ciclo de vida, capa de conectores, dónde vive el trabajo de consultoría). Este artículo es el acompañante práctico.

¿Qué es un agente de IA? La versión más corta en palabras llanas

Un agente de IA es el mismo modelo de lenguaje grande que ya usas en Claude o ChatGPT, simplemente envuelto en un bucle, al que se le da una meta y unas herramientas. El modelo decide qué hacer a continuación, usa una herramienta, mira lo que ha vuelto y vuelve a decidir qué hacer después. Sigue así hasta que se cumple la meta o se atasca y necesita que intervengas.

Eso es todo, mecánicamente. El mismo cerebro, distinto bucle. En un chat el bucle es «tú, luego el modelo, luego tú, luego el modelo». En un agente el bucle es «el modelo, luego una herramienta, luego el modelo, luego una herramienta, luego quizá tú». Tú te has apartado.

Hay un encuadre útil en un vídeo de YouTube de Jamie en Teachers Tech que vi hace poco. Lo divide en tres niveles. El nivel uno es chat: preguntas, el modelo responde, una vez y listo. El nivel dos es construcción: le dices al modelo qué crear, diriges cada paso, el modelo escribe el código (o el documento, o la hoja de cálculo, sea cual sea el artefacto). El nivel tres es agéntico: describes una meta, el modelo averigua los pasos. La comparación de Jamie: el chat es micromanaging a un empleado recién llegado, lo agéntico es delegar en uno con experiencia.

Creo que es bastante acertado; mi definición es similar en lo esencial, aunque me esfuerzo mucho en recalcar que, al final, un agente lo define el prompt, y muchos de mis flujos son prompts fijos que dirigen procedimientos (subir y descargar de WordPress con un procedimiento de edición entre medias es un buen ejemplo de agente de contenido básico).

¿Dónde se sitúa esto respecto a MCP?

Si has instalado un servidor MCP en Claude Desktop o Claude Code, ya has hecho la mayor parte del trabajo duro. Quizá simplemente no te des cuenta de lo que has construido.

Un servidor MCP es la capa de herramientas de un agente. El propio artículo de Anthropic sobre agentes hace el mismo punto: «Los workflows son sistemas donde los LLM y las herramientas se orquestan mediante rutas de código predefinidas». Las herramientas son la parte que permite al modelo hacer algo distinto de generar texto en una ventana de chat. Sin herramientas, tienes un interlocutor listo. Con uso de herramientas, tienes algo que puede ejecutar trabajo.

La mayoría de servidores MCP exponen un puñado de herramientas. El Gemini MCP que publicamos, por ejemplo, da a Claude generación de imágenes, búsqueda web fundamentada y algunas cosas más (lo usamos nosotros mismos en este sitio). Por sí solo es solo una herramienta. Pero apunta a Claude con una meta como «vigila las noticias sobre IA agéntica de Anthropic, Simon Willison y Hamel Husain y tráeme un resumen semanal, con las URLs originales» y ya tienes un agente. El Gemini MCP son los ojos. Claude es el cerebro. El prompt guardado es el libro de reglas. Lo que has descrito, en palabras llanas, es «un investigador junior que me lee internet y me escribe un briefing para el lunes por la mañana».

Eso es un agente. Si ya tienes Gemini MCP instalado, estás a un prompt guardado y una rutina de ejecutarlo. Esta es también la razón por la que creo que las grandes empresas de software como servicio, tal como las conocemos, con sus interfaces únicas y sus bonitas webs, han sufrido una caída del 50-60 % en su capitalización de mercado en los últimos meses.

El bucle del agente, en sencillo

Hay una versión más larga de este bucle en /agentic-ai con cinco pasos: percibir, razonar, planificar, actuar, reflexionar. Para la vista de principiante, cuatro palabras bastan.

Meta.

Lo que quieres lograr. «Encuentra los cinco artículos más citados sobre IA agéntica de octubre a diciembre y reúne las afirmaciones clave en una tabla comparativa».

Pensar.

El modelo descompone la meta en pasos. Escribe su razonamiento antes de actuar. Los practicantes llaman a esto razonamiento en cadena (chain-of-thought). Lo verás en tu ventana de Claude Code como texto que el modelo produce antes de hacer nada.

Actuar.

El modelo elige una herramienta y la usa. Búsqueda web. Lectura de archivo. Consulta a base de datos. Lo que le hayas dado.

Observar.

La herramienta devuelve algo. El modelo lee lo que ha vuelto, lo coteja con la meta y decide si probar el siguiente paso o corregir el rumbo.

Luego se repite. ¿Aún no se ha cumplido la meta? Pensar de nuevo. Probar otra herramienta. Leer otro resultado. El bucle se ejecuta hasta que se cumple la meta, o el modelo decide que necesita preguntarte algo, o choca con una condición de parada que hayas fijado («no ejecutes más de quince llamadas a herramientas»).

Esa es la arquitectura. Mecánicamente es muy sencilla. Lo listo es que quien decide qué hacer a continuación es el modelo, no tú. Por supuesto hay límites a lo bien que funciona en la práctica, a lo que volveré; pero los principios fundacionales de la «IA agéntica» son ridículamente simples en su base.

Workflows frente a agentes

La mayor parte del trabajo «agéntico» útil no es en realidad un agente totalmente autónomo. Es un workflow: los mismos bloques de construcción usados de forma más contenida. El blog de ingeniería de Anthropic lo distingue con claridad: los workflows son la versión predecible de ruta predefinida, donde el LLM y las herramientas se cablean en código. Los agentes son la versión en la que el modelo toma él mismo las decisiones de enrutamiento.

Para la mayor parte de lo que construirás en tus primeras semanas, los workflows son la respuesta correcta. Son baratos de montar, las condiciones de fallo son más predecibles y son fáciles de arreglar e iterar. Puedes leer qué hicieron cuando algo va mal, usar el LLM para dar feedback de modo que edite un prompt de tu workflow e iterar. No hace falta mucho para empezar a tener ideas descabelladas sobre lo que será posible una vez pases este punto.

El sabor de agente más autónomo se gana su sueldo cuando la tarea es más abierta. Tareas de código con un número desconocido de archivos que tocar. Investigación donde el siguiente paso correcto depende de lo que haya sacado el paso anterior. Depuración multifuente donde la pista va a donde va la pista (y no puedes predecir el camino por adelantado). Esas tareas justifican el coste de entregar el volante a un LLM. Una actualización diaria de contenido, probablemente no.

Para mí, la distinción entre workflow y agente es una de las comprobaciones de cordura más útiles al leer lo que otros escriben sobre este tema. Si alguien describe un workflow pero lo llama agente porque el marketing suena mejor, conviene notarlo.

Los prompts guardados son por dónde se empieza. Tu skill ya es un agente.

Veamos un agente de contenido que uso para ayudarme a cuidar mis distintos proyectos web.

El prompt que llevas escribiendo en Claude Code, el largo con los pasos, las reglas, las instrucciones de «no hagas esto, haz aquello», la parte final donde le dices que haga preguntas aclaratorias, esa es la especificación de un agente. Guárdalo como archivo markdown. Ponle un nombre útil. La versión más sencilla: déjalo caer en .claude/commands/ y Claude Code te deja invocarlo como /nombre-de-tu-comando. Eso es un slash command, el extremo ligero del espectro.

El patrón más rico es lo que Anthropic llama ahora un Agent Skill (octubre de 2025). Una skill es una carpeta que contiene un archivo SKILL.md con un poco de frontmatter YAML (un name y una description) más cualquier archivo extra que el agente deba consultar cuando haga falta. La propuesta de Anthropic para la parte YAML es que el agente carga solo la descripción en su prompt de sistema al arrancar, y lee el cuerpo de la skill solo cuando decide que es relevante para la tarea. Anthropic publicó Agent Skills como un estándar abierto en diciembre de 2025, así que ya no es solo de Anthropic. La vieja terminología de «skill» de Microsoft Semantic Kernel encaja con ello. El podcast de Greg Isenberg y Remy Gasill llama a la misma forma SOP (procedimientos operativos estándar, como los de una empresa de verdad). El vídeo de Jamie los llama archivos de workflow. El vocabulario es movedizo. El patrón es el mismo.

Como apunte, nuestro Voice Analyser MCP analiza tu estilo de escritura vía un sitemap XML y genera un skill.md para que tu agente escriba en tu tono de voz.

Uno de mis prompts guardados se llama create-explainer-guide.md. Es un archivo markdown de 1.500 líneas con pasos de investigación, reglas de voz, planificación de imágenes, una pasada de edición, filtros de detección de IA y un pipeline de subida. Cuando lo ejecuto sobre un tema, Claude recorre los pasos. Investiga, escribe un borrador, se edita a sí mismo frente a una rúbrica de voz, captura imágenes, prepara la subida a WordPress. Se pausa cuando necesita que confirme algo. Luego continúa. Eso es, en palabras llanas, un agente de producción de contenido. Y el único «código» implicado es el archivo markdown.

Lógicamente, yo escribo la guía narrativa, la introducción, el «para quién es esto» y, tras muchos meses de refinamiento, mis agentes de gestión de contenido funcionan de forma fiable, con una programación, y me dejan concentrarme en el trabajo con clientes.

Puedes construir la misma forma para cualquier proceso que repitas. Triaje de correo. Redacción de respuestas de atención al cliente. Resúmenes de investigación semanales. Conciliación de facturas mensual. Actualizaciones de resultados financieros. La forma es siempre la misma: un prompt guardado, un conjunto pequeño de herramientas que el modelo puede usar y una meta clara.

La disciplina aburrida es la parte que la mayoría se salta. Quieren la mejora agéntica instalando una herramienta nueva. La mejora real es «escribe lo que haces, con reglas explícitas, en un archivo markdown». Por ahora, lo aburrido es el 80 % del valor.

Herramientas: la capa de conectores que hace que los agentes sean agentes

Un agente sin herramientas es un chatbot. La gracia de los agentes es que pueden meterse en sistemas reales y hacer cosas. La capa de conectores que lo hace posible, en el ecosistema de Claude y Anthropic, es el Model Context Protocol. MCP es el estándar. Es el «USB-C de las herramientas de agentes», si se me permite la analogía.

En la práctica: cada servidor MCP envuelve una o más herramientas. Instalas el MCP, configuras Claude para hablar con él (tenemos una guía para añadir servidores MCP en Claude Desktop) y ya esas herramientas están disponibles para tu agente. Filesystem MCP da al agente la capacidad de leer y escribir archivos locales. Brave Search MCP le da búsqueda web. El Gemini MCP le da investigación fundamentada y generación de imágenes. El Better Search Console MCP le da análisis de datos de búsqueda. Elige los que necesites y empieza a construir.

Para quien empieza totalmente de cero, lo mínimo para construir un agente útil es:

• Acceso al sistema de archivos (Claude Code lo lleva integrado; Claude Desktop necesita un MCP)
• Búsqueda web (Claude también lo lleva integrado, aunque me apoyo mucho en Brave o Firecrawl MCP)
• Una herramienta específica para el trabajo que intentas hacer, p. ej. Gemini MCP para investigar y resumir, Better Search Console MCP para SEO, DataForSEO MCP para trabajo de palabras clave, Brevo MCP para gestión de plantillas de correo y campañas.

Tres herramientas son suficientes para un primer agente, y a estas alturas solo te limitan tu propia imaginación y el conocimiento de las herramientas disponibles.

Rutinas y dispatch: de «lo ejecuto yo» a «se ejecuta solo»

Una vez tienes una skill guardada que funciona, el siguiente peldaño es que se ejecute según una programación, o en respuesta a un evento, sin que teclees tú el slash command.

La función routines de Claude Code es la primera versión de esto. Defines una tarea recurrente, la apuntas a una skill guardada, se ejecuta a la cadencia que fijas, en infraestructura gestionada por Anthropic aunque tu portátil esté apagado. También hay scheduled tasks (más ligero, para prompts puntuales) y Message Dispatch, que te permite disparar una sesión de Claude Code desde el móvil. Para el lector principiante, la rutina es el punto de entrada práctico. Programa tu skill de resumen semanal de contenido para que se ejecute cada lunes a las 7 de la mañana. Despierta con el resumen en tu carpeta de salida.

Eso es automatización de nivel prototipo. No es de nivel producción. El agente puede fallar, la ejecución puede dar error, y aun así conviene echarle un ojo a la salida antes de tomarla por verdad revelada. Pero es la primera versión de «el trabajo está ocurriendo sin que yo lo dispare». Y está disponible ahora mismo, en las herramientas que ya tienes, sin escribir nada de código.

Por ahora, para la mayoría de lectores, «ejecuto mi skill guardada cuando lo necesito» es el sitio correcto. Las rutinas son el siguiente peldaño. El peldaño de después, donde empezarías a usar dispatch, webhooks y el Agent SDK en sentido amplio, es territorio de la escalera de desarrollador y queda fuera del alcance de hoy.

Cuándo la IA agéntica NO es la respuesta correcta

Copio esto casi literal de nuestro artículo de /agentic-ai porque es la comprobación de cordura más importante del artículo y se suele omitir.

Si el trabajo es totalmente predecible, se repite igual cada vez (determinista) y el coste de una respuesta incorrecta es alto, la automatización clásica es más barata, más rápida y más fiable que un agente.

Scripts Bash, Power Automate, Zapier, n8n, todos ellos. La señal de que de verdad necesitas un agente es, en mi experiencia, cuando te ves escribiendo infinitas sentencias if para manejar excepciones y casos límite. Ese es el momento en que un modelo con razonamiento empieza a ganarse el sueldo.

La IA agéntica funciona mejor sobre entradas limpias. Si tus datos son malos, tus integraciones son inestables y tu meta es difusa, un agente no te va a salvar. Solo producirá la posibilidad de un fallo más elocuente que el que habría tenido un script de Python.

Los agentes fallan más a menudo de lo que sugieren las demos. Los mejores modelos, en tareas de código del mundo real, aciertan aproximadamente la mitad de las veces en benchmarks como SWE-bench. Es mucho mejor que nada, pero no es territorio de «despide a tu equipo de desarrollo». Construye pasos de revisión en tus workflows. No confíes en la salida del agente sin echarle un vistazo. No ejecutes agentes autónomos contra sistemas de producción sin salvaguardias explícitas. Según el proyecto, puedo meter una evaluación de salida y «comprobaciones de sentido» con Brave Search, una segunda opinión de Gemini.

Por supuesto, nadie lo pone en la caja. Debo decir que es lo más útil que un principiante puede interiorizar.

Deberes: lo primero que construir

Si tuviera que elegir el primer agente más útil para un lector de Claude Code, sería una skill guardada de investigación y resumen, conectada al Gemini MCP para búsqueda web.

Esta es la forma:

1. Instala el Gemini MCP (tenemos una guía de instalación si aún no lo tienes).
2. Escribe un prompt guardado que haga lo siguiente: preguntar al usuario qué quiere investigar, hacer tres preguntas aclaratorias antes de empezar, buscar en la web con el Gemini MCP, leer los mejores resultados, escribir un resumen estructurado en una carpeta research/, citar todas las fuentes y terminar con tres recomendaciones de «qué haría a continuación».
3. Guárdalo como .claude/commands/research-topic.md.
4. Ejecútalo. /research-topic [tu tema]. ¡Mira cómo se ejecuta el bucle y a ver qué pasa!

Ese es tu primer agente. Es un workflow bajo la definición más estricta de Anthropic porque los pasos están predefinidos, pero es agéntico en el sentido en que más se usa la palabra. Usa herramientas. Toma decisiones. Pregunta antes de asumir. Es repetible.

Si no haces nada más después de leer este artículo, haz eso. ¡Disfruta!