Agentes de IA: cinco preguntas para distinguir trabajo delegado de una respuesta larga

El 17 de julio de 2025, OpenAI presentó ChatGPT agent como un sistema capaz de operar un ordenador virtual; antes, el 24 de febrero, Anthropic había lanzado Claude Code en vista previa, y el 19 de mayo GitHub había presentado su coding agent. Los tres productos convirtieron una diferencia técnica en una experiencia cotidiana: el usuario ya no pide solo una respuesta, sino un resultado que exige abrir recursos, decidir pasos, actuar y comprobar.

“Agente” no es, sin embargo, sinónimo de autonomía total ni una garantía de que el trabajo termine bien. Describe un reparto de control. La capacidad que el lector puede conservar es auditar ese reparto con cinco preguntas: qué objetivo recibe el sistema, qué herramientas puede usar, qué señales le permiten comprobar avances, qué acciones requieren aprobación y qué evidencia entrega al terminar. Si una demostración omite alguna, todavía no sabemos cuánto trabajo se ha delegado ni cuánto riesgo se ha creado.

La diferencia está en quién decide el camino

La guía de ingeniería de Anthropic, publicada en diciembre de 2024, propone una distinción útil. En un flujo de trabajo, el modelo y las herramientas siguen rutas de código predefinidas. En un agente, el modelo dirige dinámicamente su proceso y decide cómo utilizar las herramientas. Ambos pueden llamar a un modelo de lenguaje y ambos pueden ejecutar varios pasos; lo que cambia es dónde reside la decisión sobre el siguiente paso.

Una automatización que toma una factura, extrae tres campos y los envía por una ruta fija puede ser valiosa sin ser un agente. Un sistema que recibe “reconcilia estas facturas”, inspecciona documentos, decide qué fuentes consultar, ejecuta comprobaciones, detecta una discrepancia y elige si necesita más información tiene un grado mayor de agencia. No es una frontera metafísica: es un continuo de discrecionalidad, acceso y duración.

El chatbot clásico suele operar en un turno: texto entra, texto sale. Un copiloto propone acciones dentro de una herramienta y el humano mantiene un ciclo corto de aceptación. Un agente puede encadenar observación, razonamiento, acción y nueva observación sin pedir permiso en cada microdecisión. Pero un producto puede mezclar los tres modos. El nombre comercial no sustituye un mapa de capacidades.

La primera pregunta, por tanto, es qué parte del camino no estaba escrita de antemano. Si el sistema solo rellena una plantilla, hay automatización. Si elige entre buscar, ejecutar código, navegar o pedir aclaración según lo que descubre, hay una política de decisión agéntica. Cuanto más abierta sea esa política, más importantes serán los límites y la verificación.

Tres lanzamientos y tres perímetros distintos

ChatGPT agent se presentó el 17 de julio de 2025 como la unión de navegación visual, investigación y terminal. El anuncio mostraba tareas como revisar calendario y noticias, planificar una compra o crear una presentación. El sistema podía alternar entre navegador, código y fuentes conectadas. OpenAI indicó que solicitaría permiso antes de acciones con consecuencias y que el usuario podría interrumpir, tomar el control del navegador o detener la tarea.

Ese producto amplía el perímetro al web abierto y a datos personales conectados. La superficie de riesgo incluye instrucciones maliciosas encontradas en páginas, filtración de información, compras o mensajes equivocados. La tarjeta de sistema de ChatGPT agent describe navegador remoto, terminal con acceso de red limitado y conectores, y trata la inyección de instrucciones como un riesgo propio del uso de herramientas. Un agente no solo puede equivocarse al responder: puede obedecer contenido externo que compite con el encargo del usuario.

Claude Code nació el 24 de febrero de 2025 como una vista previa de investigación en la terminal. Anthropic dijo que podía buscar y leer código, editar archivos, escribir y ejecutar pruebas, hacer commits y subir cambios. Su perímetro era un repositorio y las herramientas de línea de comandos disponibles. “Mantener al desarrollador al tanto en cada paso” era parte de la descripción, una señal de que el producto combinaba iniciativa del modelo con supervisión.

El coding agent de GitHub Copilot, presentado el 19 de mayo de 2025, utilizó otra arquitectura: recibe una incidencia, crea un entorno basado en GitHub Actions, trabaja en segundo plano y devuelve commits en un borrador de pull request. GitHub limitó sus envíos a ramas creadas por el propio agente, mantuvo protecciones del repositorio, restringió destinos de internet y exigió aprobación antes de ejecutar ciertos flujos. Además, quien pide el trabajo no puede aprobarlo si la política exige revisión.

Los tres son agentes, pero no son intercambiables. Uno navega y actúa en servicios; otro colabora desde una terminal; el tercero entrega mediante la unidad de revisión de un repositorio. Compararlos por “autonomía” sin describir herramientas, entorno y punto de aprobación equivale a comparar vehículos solo por la velocidad máxima.

El bucle que convierte texto en acción

Todo agente práctico necesita cuatro piezas. La primera es estado: qué sabe del objetivo, de los pasos realizados y de los resultados. La segunda son herramientas con contratos claros: una búsqueda devuelve documentos, una terminal devuelve salida y código, una API confirma o rechaza una operación. La tercera es una política que elige la siguiente acción. La cuarta es una condición de finalización que impida confundir “parece terminado” con “cumple el encargo”.

La comprobación debe apoyarse en el mundo, no en la propia fluidez del modelo. Un agente de código puede ejecutar pruebas, pero también tiene que verificar que esas pruebas cubren el cambio y que no modificó archivos ajenos. Uno de investigación debe abrir las fuentes y hacer corresponder afirmaciones con documentos. Uno de agenda debe releer fecha, zona horaria y asistentes antes de proponer un envío. La herramienta genera una observación; el agente necesita criterios para decidir si esa observación basta.

Los errores se acumulan porque cada paso cambia el contexto del siguiente. Una búsqueda deficiente alimenta una comparación incorrecta; esta produce una recomendación equivocada; y una herramienta con permisos puede materializarla. Anthropic advierte que los agentes intercambian latencia y coste por mejor rendimiento y que su autonomía puede elevar ambos y permitir errores compuestos. La respuesta no es eliminar todo bucle, sino limitar su longitud, presupuesto y autoridad según el daño posible.

Autonomía no es autoridad

Un sistema puede decidir muchos pasos y seguir sin permiso para enviar, comprar, desplegar o borrar. Esta separación es crucial. Autonomía describe quién elige el procedimiento; autoridad describe qué cambios puede confirmar. Un buen diseño concede libertad en acciones reversibles y de lectura, y coloca una aprobación informada antes de efectos externos o difíciles de deshacer.

La aprobación no sirve si llega como un botón ciego. Debe mostrar qué va a ocurrir, sobre qué cuenta o recurso, con qué importe o destinatario y a partir de qué evidencia. Tampoco debe convertirse en fatiga: pedir confirmación para cada clic trivial enseña a aceptar sin leer. Los puntos de control se colocan en fronteras de riesgo, no a intervalos arbitrarios.

El acceso debe seguir el mismo principio. Una tarea de comparar proveedores quizá necesite navegación y una carpeta concreta, no todo el correo ni credenciales de compra. El entorno aislado del agente de GitHub y sus ramas propias ilustran cómo reducir el radio de daño. La capacidad de detener y tomar control, descrita por OpenAI, añade recuperación, pero no sustituye permisos mínimos.

Cómo evaluar un agente con un encargo real

Primero hay que escribir el resultado y las prohibiciones: “prepara una comparación con tres fuentes primarias; no envíes mensajes ni compres; señala datos ausentes”. Después se define una referencia humana y un conjunto de casos, incluidos escenarios incompletos y contenido hostil. Se mide éxito final, exactitud de pasos críticos, coste, tiempo, intervenciones, recuperaciones y acciones no autorizadas. Una tasa de finalización sin contar daño o revisión no es suficiente.

La evidencia de salida debe ser inspeccionable: enlaces y fragmentos para investigación; diff, pruebas y logs para código; vista previa exacta para formularios o agenda. Es preferible un agente que entrega un resultado ligeramente menor pero rastreable a uno que presenta una conclusión pulida sin camino de comprobación. La revisión humana se concentra entonces en decisiones y excepciones, no en repetir toda la tarea.

Por último, se elige el nivel más simple que alcance el umbral. Si una ruta fija funciona, un flujo es más barato y predecible. Si el trabajo exige adaptar pasos a información encontrada, un agente puede aportar valor. Si el impacto es alto y la verificación débil, no debe recibir autoridad aunque el modelo parezca capaz. La madurez no se mide por cuántos clics hace solo, sino por cuánto trabajo verificable completa dentro de límites explícitos.

Así se puede leer cualquier nuevo anuncio. Preguntar objetivo, herramientas, bucle de comprobación, aprobación y evidencia revela más que la etiqueta. Los agentes de 2025 hicieron real la transición del diálogo a la acción; la competencia duradera para 2026 y después es diseñar una delegación en la que capacidad, permisos y responsabilidad no se confundan.