Agentic AI: la tendencia que define el futuro de la inteligencia artificial en 2025

Si tuviéramos que elegir una sola tecnología que va a marcar el rumbo de la inteligencia artificial este año, esa sería sin duda la Agentic AI. 2023 fue el año de ChatGPT, 2024 el de la democratización de los modelos de lenguaje, y 2025 se perfila como el momento en que la IA deja de ser un juguete o una herramienta que responde órdenes para convertirse en un colaborador que planea, decide y actúa de forma autónoma.

La diferencia es sustancial. Estamos pasando de sistemas que necesitan instrucciones detalladas a agentes que entienden objetivos de alto nivel, planifican estrategias complejas y se coordinan entre sí para resolver problemas. A mi entender, esta capacidad de actuación representa el salto más significativo en inteligencia artificial desde la llegada de los transformers, y las organizaciones que la sepan adoptar y trasladar a su estructura de costes cobrarán una ventaja que no descartaría que fuese decisiva en algún mercado de desarrollo rápido.

La revolución silenciosa: de asistentes a verdaderos agentes

Ya llevamos algunos años conviviendo con asistentes virtuales que, aunque útiles, funcionaban siguiendo guiones predefinidos. Les decías qué hacer, cómo hacerlo y cuándo parar, y su valor residía en la ejecución precisa de tareas específicas. Los agentes de IA representan un cambio fundamental en este paradigma, porque no solo ejecutan tareas, sino que interpretan objetivos, diseñan estrategias y se adaptan a circunstancias cambiantes sin intervención humana constante.

Imagina la diferencia entre pedirle a alguien que "busque información sobre competidores, analice sus estrategias de precios, identifique oportunidades de mercado y prepare un informe ejecutivo para la reunión del viernes", frente a darle instrucciones paso a paso sobre cada búsqueda, cada análisis y cada formato de presentación. El primer escenario describe cómo funcionan los agentes de IA: entienden el contexto, conocen el objetivo final y diseñan su propia ruta para alcanzarlo, coordinando diferentes capacidades especializadas en el proceso.

Y las capacidades especializadas son la clave aquí, porque esta autonomía inteligente se basa en la colaboración entre agentes. En lugar de tener un único sistema que intenta hacer todo, podemos desplegar equipos de agentes especializados que actúan de forma coordinada: uno recopila información, otro la analiza, un tercero genera propuestas y un cuarto valida la calidad del resultado final. Esta orquestación no es casual; está guiada por sistemas que entienden las capacidades de cada agente, las dependencias entre tareas y los flujos de trabajo más eficientes para cada situación específica.

Arquitectura inteligente: cómo piensan estos sistemas

Detrás de esta capacidad hay una arquitectura con tres capas fundamentales.

La capa de control y seguridad actúa como el punto de entrada y la primera línea de defensa, verificando permisos, filtrando contenido inapropiado y aplicando salvaguardas (odio eterno a la palabra “guardarraíles”) que aseguran que el comportamiento del agente sea apropiado y seguro. Sin entrar en grandes detalles, esta capa incluye detección de alucinaciones, filtros semánticos que analizan tanto entradas como salidas, y mecanismos de caché que optimizan respuestas reutilizando conocimiento de interacciones anteriores.

La capa de orquestación funciona como el cerebro estratégico del sistema, supervisando qué hay que hacer, decidiendo qué agentes deben intervenir y cómo se deben coordinar. Puede planificar tareas complejas, dividirlas en subtareas manejables, establecer prioridades dinámicas y adaptarse al progreso en tiempo real. Lo que hace especial a esta capa es su capacidad de gestión del estado: mantiene el contexto de conversaciones largas, recuerda decisiones anteriores y puede aplicar ese conocimiento a nuevas situaciones, manteniendo un diálogo coherente que evoluciona a lo largo del tiempo.

Los agentes especialistas constituyen el equipo de expertos, cada uno diseñado para tareas específicas como recopilar datos, analizar información, generar contenido o interactuar con sistemas externos. Esta especialización permite que cada agente esté optimizado para su función específica, utilizando los modelos más adecuados para su tarea, mientras que la modularidad facilita añadir nuevas capacidades sin afectar el funcionamiento del sistema completo.

Ejemplos de casos de uso

Imagina algunos ejemplos en los que la inteligencia artificial ya está haciendo una gran diferencia. En el sector salud, por ejemplo, hay agentes especializados que pueden manejar citas médicas complejas, coordinándose con varios sistemas, gestionando cancelaciones y reprogramaciones, e incluso detectando urgencias que necesitan atención inmediata, todo garantizando que no den diagnósticos o consejos médicos sin que un profesional lo valide.

En el mundo de las empresas, existen agentes de auditoría que pueden revisar contratos automáticamente, encontrar inconsistencias, asegurarse de que se cumplan las políticas internas y generar informes sobre lo que encuentran. Trabajan de manera constante y si hay algo crítico, lo escalan a supervisores humanos. También tienen la capacidad de dejar claro cómo tomaron cada decisión, algo fundamental en sectores regulados.

Para el análisis de datos, estos agentes pueden automatizar procesos complicados de business intelligence, conectando múltiples fuentes de información, aplicando distintos métodos de análisis y presentando resultados adaptados para cada persona interesada. Son capaces de ajustar sus análisis según el contexto y sugerir acciones basadas en lo que descubren.

No todo el monte es orégano

Implementar agentes de inteligencia artificial no es solo cuestión de adoptar nueva tecnología, ya que hay asuntos técnicos y operativos bastante complejos. El mayor reto es encontrar un equilibrio entre autonomía y control: si les das demasiada libertad, pueden dar resultados impredecibles; pero si los restringes demasiado, no aprovecharás todo su potencial y solo serán asistentes muy sofisticados.

Otro asunto no menor es la gestión de alucinaciones y salvaguardas, que necesita varias capas de estrategias, como sistemas RAG, puntuaciones de incertidumbre y agentes verificadores para reducir errores, aunque no puedan eliminarlos por completo. Es fundamental equilibrar la seguridad y la utilidad del sistema.

Los costes operativos son importantes, desde el consumo de tokens hasta los recursos de computación para procesamiento y validación. Los sistemas de agentes te “obligan” a usar modelos más ligeros para tareas simples, caché para respuestas repetidas y arquitecturas que minimicen llamadas innecesarias a servicios externos, lo que también te ofrece grados de libertad para optimizar los mencionados costes.

El momento de actuar

Como te he mencionado, la Agentic AI ya está aquí y es la prioridad de todas las grandes empresas con las que he estado hablando este año. Este cambio representa un salto adelante en cómo concebimos la colaboración con la máquina, pasando de pensar en la IA como una herramienta a concebirla como una colaboradora.

Quienes logren implementar estos sistemas de forma efectiva, gestionando cuidadosamente los flecos que surgen sobre autonomía, control de alucinaciones, escalabilidad y costes operativos, van a conseguir ventajas competitivas que se pueden tornar decisivas.