IA agéntica

La IA agéntica es la forma de usar un modelo de lenguaje en la que este deja de ser un generador de respuestas y pasa a ejecutar tareas: decide qué hacer, llama a herramientas, observa el resultado y repite hasta cumplir un objetivo. La diferencia con un chatbot no está en el modelo, sino en el sistema que lo rodea y en cuánto control se le cede sobre el flujo de trabajo.

Cómo funciona

El núcleo de cualquier sistema agéntico es un bucle. El modelo recibe un objetivo y un conjunto de herramientas descritas (buscar en la web, leer un archivo, ejecutar código, consultar una base de datos). En cada iteración:

1. Razona sobre el estado actual y elige el siguiente paso.
2. Actúa solicitando una herramienta con unos parámetros concretos.
3. Observa el resultado que la aplicación le devuelve.
4. Decide si continúa, corrige el rumbo o da la tarea por terminada.

En Claude este bucle se apoya en el uso de herramientas de la API: Claude devuelve un bloque tool_use, tu código ejecuta la acción y responde con un tool_result. Sobre esa base se construye todo lo demás: MCP para conectar herramientas y datos externos de forma estándar, subagentes para repartir trabajo, y productos como Claude Code, que es un agente completo operando en tu terminal.

while True:
    resp = client.messages.create(model=..., tools=tools, messages=msgs)
    if resp.stop_reason != "tool_use":
        break
    msgs += [assistant(resp), tool_results(ejecutar(resp))]

Anthropic distingue dos patrones. Los workflows orquestan el modelo mediante rutas predefinidas en código (encadenar prompts, enrutar, paralelizar). Los agentes dejan que el propio modelo dirija el proceso y el uso de herramientas. Ambos son IA agéntica, con distinto grado de autonomía.

Por qué importa

Para quien construye con Claude, el salto agéntico cambia el tipo de problema que puedes resolver: ya no generas un texto, sino que completas una tarea de punta a punta, como corregir un bug en un repositorio, investigar un tema consultando decenas de fuentes o procesar una cola de tickets. También cambia los riesgos y los costes:

• Coste y latencia: cada iteración consume tokens, y el contexto crece con cada resultado de herramienta.
• Errores compuestos: un fallo en el paso 3 se arrastra hasta el paso 20 si no hay verificación.
• Superficie de ataque: un agente que lee contenido externo y actúa sobre sistemas reales es vulnerable a inyección de prompts.
• Diseño de herramientas: la calidad de las descripciones y respuestas de tus herramientas pesa tanto como el prompt.

Si quieres pasar de la teoría a la práctica, aprender a diseñar agentes conectados a herramientas mediante MCP es el siguiente paso natural.

Ejemplo reconocible

Pide a Claude Code que añada tests a un módulo. No responde con un bloque de código: lista archivos, lee el módulo, escribe los tests, los ejecuta, lee el error, corrige y vuelve a ejecutar hasta que pasan. Esa secuencia de decisiones encadenadas, sin que tú indiques cada paso, es IA agéntica en estado puro.

Errores comunes

• Confundirla con automatización clásica: un flujo de Zapier sigue reglas fijas; un agente decide los pasos en tiempo de ejecución.
• Pensar que más autonomía siempre es mejor: Anthropic recomienda empezar por la solución más simple. Si un workflow predefinido resuelve el caso, es más barato, predecible y fácil de depurar que un agente abierto.
• Creer que depende de un modelo especial: cualquier modelo Claude con soporte de herramientas puede actuar como agente; lo que cambia es la fiabilidad en tareas largas, que varía según la versión.
• Olvidar al humano: en acciones irreversibles (pagos, borrados, envíos) conviene exigir confirmación explícita.