Tipos de IA: Una guía completa

Si te parece que la inteligencia artificial (IA) está de repente en todas partes, es porque así es. Según un reciente estudio de mercado realizado por McKinsey, la adopción global de la IA ha pasado de alrededor del 50-60 % de las organizaciones en 2020-2021 a un asombroso 88 % en 2025.

Sin embargo, este crecimiento explosivo ha creado un problema lingüístico. «IA» se ha convertido en una palabra de moda que se utiliza para describir tecnologías muy diferentes entre sí. Se utiliza indistintamente para chatbots sencillos basados en reglas, generadores de imágenes y robots futuristas de ciencia ficción.

Para los profesionales de los datos, esta ambigüedad supone un obstáculo. Cuando un interesado solicita una «solución de IA», debes saber: ¿necesitan un modelo de regresión simple, un agente generativo o un sistema de visión artificial?

En esta guía completa, analizaremos esta terminología. No nos limitaremos a enumerar definiciones, sino que lo analizaremos desde cuatro perspectivas distintas: cómo se construye, qué puede hacer, cómo decide y cómo encaja en los flujos de trabajo del mundo real.

Si eres nuevo en el tema, te recomiendo que realices el curso «Comprender la inteligencia artificial ».

¿Qué es la IA?

La inteligencia artificial (IA) es una subdisciplina de la informática centrada en la creación de agentes inteligentes capaces de realizar tareas que normalmente requieren inteligencia humana, como la resolución de problemas, el reconocimiento de voz y la toma de decisiones.

La IA es una ciencia interdisciplinaria con muchos enfoques. Puede basarse en reglas (funcionar bajo condiciones predefinidas) o utilizar algoritmos de machine learning para aprender de los datos, lo que permite a los sistemas adaptarse a situaciones imprevistas.

Sin embargo, definir con precisión la IA resulta sorprendentemente difícil debido a lo que los investigadores denominan el «efecto IA». Este fenómeno describe cómo la percepción que la sociedad tiene de la IA cambia constantemente a medida que las tecnologías maduran. Cuando una capacidad se convierte en algo habitual, la gente deja de llamarla «IA» y empieza a considerarla como un software normal y corriente. 

Debido a esta definición cambiante y a su amplio alcance, una única clasificación no es suficiente. Necesitamos múltiples lentes para obtener una visión completa:

• Tecnología: Los algoritmos y arquitecturas subyacentes. 
• Capacidad: Medición del nivel de inteligencia, desde el más bajo hasta el superinteligente.
• Funcionalidad: ¿Cómo procesan la información y mantienen la memoria los sistemas?

Por ejemplo, un coche autónomo puede clasificarse de tres maneras simultáneamente:

• IA estrecha ( basada en su capacidad específica).
• Aprendizaje profundo ( basado en su tecnología subyacente).
• Memoria limitada (basada en su funcionalidad).

En las siguientes secciones, exploraremos estos tipos específicos.

Para obtener una introducción estrictamente no técnica sobre los conceptos básicos, te recomiendo que leas nuestra Guía de IA para principiantes.

Tipos de IA basados en la tecnología

La forma más rigurosa de clasificar la IA es según la tecnología subyacente, el «motor» que impulsa el sistema. Esta clasificación separa los sistemas en función de cómo procesan los datos y aprenden. Veamos esos diferentes tipos.

Aprendizaje automático

El machine learning (ML) es un subconjunto de la IA que se centra en sistemas que aprenden a partir de datos y mejoran sin estar programados explícitamente para cada regla individual. En lugar de escribir código que diga «si esto, entonces aquello», alimentas al algoritmo con datos y dejas que él encuentre los patrones.

Machine learning se divide en tres paradigmas de aprendizaje principales, cada uno de ellos adecuado para diferentes tipos de problemas:

• Aprendizaje supervisado: La forma más habitual en los negocios. Utiliza datos etiquetados (pares de entrada-salida) para entrenar algoritmos. Por ejemplo, puedes mostrar al modelo 1000 correos electrónicos etiquetados como «Spam» o «No spam», y este aprenderá a clasificar el siguiente correo electrónico. Los algoritmos más comunes son la regresión lineal, los vecinos más cercanos (KNN) y los árboles de decisión.
• Aprendizaje no supervisado: El algoritmo recibe datos sin etiquetar y debe encontrar estructuras o patrones ocultos por sí mismo. Esto se utiliza a menudo para la segmentación de clientes (agrupación). El agrupamiento K-Means y el análisis de componentes principales (PCA) se encuentran entre los algoritmos más utilizados.
• Aprendizaje por refuerzo (RL): Tomando un camino completamente diferente, RL enseña a los agentes a través del ensayo y error utilizando un sistema de recompensas y penalizaciones. Un agente RL recibe retroalimentación sobre su interacción con el entorno y aprende gradualmente qué comportamientos maximizan las recompensas acumuladas a lo largo del tiempo. Este es el método utilizado para entrenar robots y IA avanzadas para juegos, como AlphaGo.

Para adquirir una buena base en machine learning, te recomiendo que sigas el programa Fundamentos del machine learning con Python.

Aprendizaje profundo

El aprendizaje profundo (DL) es un subconjunto especializado del aprendizaje automático inspirado en la estructura del cerebro humano. Utiliza redes neuronales artificiales con muchas capas (de ahí el término «profundas») para modelar relaciones complejas y no lineales en grandes conjuntos de datos. Mientras que el aprendizaje automático tradicional puede estancarse con más datos, el aprendizaje profundo suele seguir mejorando.

Las arquitecturas clave incluyen:

• Redes neuronales convolucionales (CNN): El estándar de referencia para el procesamiento de imágenes. Utilizan «filtros» para escanear automáticamente las imágenes y detectar jerarquías espaciales como bordes, formas y texturas.
• Redes neuronales recurrentes (RNN): Diseñado para datos secuenciales como series temporales o voz. Mantienen una «memoria» de las entradas anteriores para influir en la salida actual.
• Transformers: La arquitectura detrás de los modelos lingüísticos grandes (LLM) modernos, como GPT 5.2 y Gemini 3. Utiliza un mecanismo de atención para procesar secuencias completas de datos simultáneamente, sopesando la importancia de las diferentes palabras entre sí en lugar de procesarlas una por una.
• Redes generativas adversarias (GAN): Un marco en el que compiten dos redes, un «generador» que crea datos falsos y un «discriminador» que intenta detectar los datos falsos como tales. Esta competición da como resultado productos sintéticos muy realistas.
• Modelos de difusión: El motor detrás de herramientas como Midjourney. Generan imágenes de alta calidad aprendiendo a revertir sistemáticamente el ruido aleatorio en imágenes claras y visualmente distintas.

Si deseas crear estos modelos tú mismo, te recomiendo que comiences con el curso Introducción al aprendizaje profundo con PyTorch.

Procesamiento del lenguaje natural

El procesamiento del lenguaje natural (PLN) se centra en permitir que los ordenadores comprendan, interpreten y generen lenguaje humano de forma significativa. El PLN salva la brecha entre la comunicación humana y la comprensión de las máquinas al manejar la ambigüedad, la dependencia del contexto y la complejidad inherentes al lenguaje natural.

Las técnicas incluyen lo siguiente: 

• Análisis del sentimiento: Analizar el sentimiento detrás de una frase, por ejemplo, clasificar si una reseña es positiva o negativa.
• Reconocimiento de entidades nombradas (NER): Identificar personas o lugares en un texto
• Tokenización: Dividir el texto en unidades más pequeñas, como palabras, sílabas o incluso caracteres individuales.

Veamos un ejemplo de análisis de sentimientos utilizando transformers en Python:

# Example: Sentiment analysis using transformers
from transformers import pipeline
# Load pre-trained sentiment analysis model
sentiment_analyzer = pipeline("sentiment-analysis")
# Analyze multiple texts
texts = [
    "This product exceeded my expectations!",
    "Terrible customer service, very disappointed.",
    "The quality is okay, nothing special."
]
results = sentiment_analyzer(texts)
for text, result in zip(texts, results):
    print(f"Text: {text}")
    print(f"Sentiment: {result['label']}, Confidence: {result['score']:.2f}\n")

Text: This product exceeded my expectations!
Sentiment: POSITIVE, Confidence: 1.00

Text: Terrible customer service, very disappointed.
Sentiment: NEGATIVE, Confidence: 1.00

Text: The quality is okay, nothing special.
Sentiment: NEGATIVE, Confidence: 0.98

Visión artificial

La visión artificial permite a las máquinas extraer información significativa de imágenes y vídeos digitales, lo que permite a los ordenadores percibir y comprender los datos visuales de una forma similar a la percepción humana. Este campo se ocupa de identificar objetos, medir distancias o incluso reconocer patrones invisibles para los observadores humanos.

Los sistemas de visión artificial combinan técnicas de procesamiento de imágenes con machine learning, en particular aprendizaje profundo, para extraer representaciones cada vez más abstractas a partir de datos visuales sin procesar. Las tareas principales incluyen:

• Clasificación de imágenes: Identificar lo que hay en una imagen (por ejemplo, «Esto es un gato»).
• Detección de objetos: Localizar dónde se encuentra un objeto (por ejemplo, «Hay un peatón en las coordenadas x, y»).
• Reconocimiento facial: Verificación de identidad basada en rasgos faciales.

Las imágenes médicas representan una de las aplicaciones más impactantes de la visión artificial, ya que los sistemas de IA detectan tumores en radiografías, tomografías computarizadas y resonancias magnéticas con niveles de precisión que igualan o superan los de los radiólogos humanos. Estos sistemas no sustituyen a los profesionales médicos, sino que los apoyan, por ejemplo, señalando posibles anomalías para que los expertos las revisen.

Procesamiento de audio

El procesamiento de audio se centra en reconocer, interpretar y sintetizar señales auditivas, incluyendo tanto el habla humana como los sonidos ambientales. El objetivo es permitir que las máquinas escuchen, comprendan y generen contenido de audio, salvando la distancia entre las ondas acústicas y el significado semántico. 

El reconocimiento automático de voz (ASR) convierte el lenguaje hablado en texto escrito y alimenta los asistentes de voz, los servicios de transcripción y las herramientas de accesibilidad. Los sistemas ASR modernos utilizan arquitecturas de transformadores para mapear directamente las formas de onda de audio a secuencias de texto, logrando una precisión casi humana en el habla clara y mejorando constantemente en condiciones difíciles, como el ruido de fondo o el habla con acento. 

Los motores de conversión de texto a voz (TTS), como Amazon Polly, realizan la operación inversa, sintetizando un habla que suena natural a partir de texto escrito mediante vocodificadores neuronales que generan una prosodia, entonación y expresión emocional realistas. Los sistemas TTS contemporáneos pueden clonar voces a partir de solo unos minutos de audio de muestra, lo que aumenta tanto las posibilidades creativas como las preocupaciones éticas.

Las aplicaciones se extienden más allá del procesamiento del habla hacia ámbitos creativos y prácticos. La tecnología de clonación de voz permite crear asistentes virtuales personalizados, narraciones de audiolibros con voces consistentes y controvertidos audios deepfake.

Robótica e inteligencia artificial incorporada

Esto representa la intersección entre la inteligencia artificial y la ingeniería. La IA incorporada consiste en integrar «cerebros» avanzados (como modelos de visión-lenguaje) en cuerpos robóticos físicos. Mientras que gran parte de la IA existe únicamente en formato digital, la IA incorporada debe lidiar con la gravedad, la fricción y la complejidad impredecible de los entornos físicos. 

Esta base realista plantea retos que no existen en la IA puramente computacional, pero también permite una interacción directa con el mundo físico. Los robots tradicionales requerían una programación explícita para cada tarea, y los ingenieros codificaban manualmente movimientos precisos y árboles de decisión para lograr resultados específicos. 

Los sistemas modernos de IA incorporada comprenden órdenes en lenguaje natural, como «recoge la manzana» o «abre esa puerta», utilizando la percepción visual para identificar objetos y planificar las acciones adecuadas sin necesidad de una programación específica para cada tarea. 

Este avance aborda la paradoja de Moravec, la observación de que tareas triviales para los humanos, como doblar la ropa, abrir puertas y moverse por habitaciones desordenadas, resultan extraordinariamente difíciles para los robots, mientras que tareas que los humanos encuentran difíciles, como el ajedrez o el cálculo, son comparativamente fáciles para la IA. 

La IA incorporada, que utiliza modelos básicos, está finalmente salvando esta brecha al dotar a los robots de la comprensión perceptiva y la planificación adaptativa que los humanos dan por sentadas. Entre sus aplicaciones se incluyen dispositivos de consumo como aspiradoras robóticas, robots colaborativos industriales (cobots) y humanoides avanzados como Atlas, de Boston Dynamics.

Tipos de IA basados en capacidades

Mientras que la tecnología define cómo se construye una IA, la capacidad define lo que puede hacer en relación con la inteligencia humana. Esta clasificación sirve como una línea temporal de la evolución de la IA, pasando de las limitaciones actuales a los futuros teóricos.

Inteligencia artificial estrecha

La inteligencia artificial estrecha (ANI), también conocida como IA débil, representa la inteligencia artificial que existe en la actualidad. Se refiere a sistemas diseñados para destacar en tareas específicas y predefinidas, pero que fracasan por completo si se les asigna cualquier tarea que se salga de los estrechos parámetros para los que han sido entrenados. Un bot de ajedrez no puede conducir un coche, y una herramienta de diagnóstico médico no puede escribir poesía.

Sin embargo, la definición «restrictiva» se está ampliando. El estado actual de la técnica implica el uso de modelos lingüísticos grandes (LLM) multimodales avanzados. Estamos asistiendo al lanzamiento de modelos como GPT-5.2 y Gemini 3, que pueden procesar entradas de texto, audio y visuales simultáneamente. 

Aunque imitan el razonamiento, aún carecen de una comprensión genuina del mundo. Los programadores interactúan con estos sistemas ANI a través de API para integrarlos en aplicaciones.

El siguiente paso dentro de la ANI es la IA agencial. Se trata de sistemas que van más allá del chat pasivo; pueden realizar de forma autónoma acciones de varios pasos, como navegar por Internet para reservar un vuelo, actuando como puente hacia una inteligencia más amplia.

Inteligencia artificial general

La inteligencia artificial general (AGI) es el santo grial de la investigación en IA. Se refiere a una etapa teórica en la que una máquina posee la capacidad de aprender, razonar y resolver problemas en ámbitos completamente ajenos entre sí, igualando la flexibilidad cognitiva humana.

El factor diferenciador clave es la generalización. Un sistema ANI entrenado para hablar portugués no puede utilizar ese conocimiento para aprender español más rápido. Un sistema AGI podría aplicar la lógica de un campo a otro sin necesidad de volver a entrenarlo manualmente.

El calendario para la AGI es objeto de un intenso debate. Los optimistas del sector predicen su llegada entre 2026 y 2029. Por el contrario, los escépticos sostienen que carecemos de la arquitectura fundamental (concretamente, «modelos del mundo» precisos) para lograrlo, y sitúan la fecha en 2040 o más adelante.

Superinteligencia artificial

La superinteligencia artificial (ASI) describe una etapa hipotética en la que la IA supera a las mentes humanas más inteligentes en prácticamente todos los campos: creatividad científica, sabiduría general, habilidades sociales y resolución de problemas. ASI no solo igualaría a Einstein o Da Vinci, sino que los superaría tan drásticamente como ellos superaron la inteligencia humana promedio.

La preocupación más importante en torno a la ASI tiene que ver con la mejora recursiva, en la que una ASI rediseña su propia arquitectura para volverse más inteligente y luego utiliza esa inteligencia mejorada para realizar nuevas mejoras, creando un bucle de retroalimentación descontrolado de inteligencia que se acelera exponencialmente. 

Esta explosión de inteligencia podría producir rápidamente sistemas tan alejados de la comprensión humana que predecir su comportamiento resultaría imposible, lo que plantearía profundas cuestiones de seguridad sobre la alineación y el control. Si los objetivos de una ASI se desvían aunque sea ligeramente de los valores humanos, su inteligencia superior podría perseguir esos objetivos de formas perjudiciales para la humanidad.

No existe una hoja de ruta creíble para construir la ASI, y muchos investigadores cuestionan si la superinteligencia es siquiera alcanzable o coherente como concepto. No obstante, la posibilidad teórica de la ASI motiva un trabajo académico serio sobre la alineación de la IA para garantizar que los sistemas cada vez más capaces sigan siendo beneficiosos y controlables. 

Tipos de IA basados en la funcionalidad

Mientras que la capacidad mide la potencia, la funcionalidad mide cómo interactúa el sistema con el mundo y procesa los datos. Esta clasificación nos permite distinguir entre un ordenador de ajedrez de la década de 1990 y los robots sociales del futuro. Veamos cada tipo.

Máquinas reactivas

Las máquinas reactivas representan la forma más básica y antigua de IA. Estos sistemas no tienen concepto del pasado ni del futuro, sino que funcionan estrictamente con datos inmediatos basados en reglas preprogramadas.

La característica definitoria de la IA reactiva es que es indeterminada y determinista. Si introduces exactamente la misma entrada en una máquina reactiva diez veces, producirá exactamente la misma salida diez veces. No puede aprender de la experiencia porque no almacena recuerdos.

Un buen ejemplo de este tipo es Deep Blue, de IBM, el ordenador de ajedrez que derrotó a Garry Kasparov. No aprendió la psicología de Kasparov. Simplemente calculaba el mejor movimiento basándose en el estado actual del tablero. Los filtros de spam estándar que marcan palabras clave sin analizar tu historial de correo electrónico también entran en esta categoría.

IA con memoria limitada

La IA con memoria limitada domina las aplicaciones modernas. Al almacenar temporalmente datos recientes o contexto para tomar decisiones informadas, los sistemas de IA con memoria limitada permiten un comportamiento dinámico. A diferencia de las máquinas reactivas, ustedes hacen referencia a información histórica dentro de una ventana contextual limitada.

Casi todas las herramientas de IA predictiva e IA generativa que se utilizan hoy en día pertenecen a esta categoría. Los LLM como Claude Opus 4.5 mantienen un historial de conversaciones y recuerdan lo que dijiste hace unos minutos para ofrecer respuestas coherentes que se basan en intercambios anteriores. La ventana de contexto determina la cantidad de información histórica a la que puede hacer referencia el sistema. 

Los coches autónomos programan la velocidad y la trayectoria de los vehículos cercanos durante varios segundos, prediciendo sus posiciones futuras en lugar de reaccionar únicamente a su ubicación actual.

Teoría de la mente IA

La teoría de la mente en la IA ocupa un espacio controvertido entre el prototipo de investigación y la capacidad práctica. Los sistemas que entran en esta categoría modelarían los estados mentales, las creencias, las intenciones, las emociones y los deseos humanos para predecir el comportamiento con precisión. 

Esta capacidad es esencial para la interacción social natural, ya que permite a la IA interpretar señales implícitas, detectar el engaño o adaptar las respuestas al estado de ánimo del usuario. 

Los primeros modelos pioneros, como el GPT-4 de OpenAI, ya lograron resultados similares a los de los humanos en tareas relacionadas con creencias falsas, como predecir acciones basadas en creencias incorrectas, tal y como se muestra en el estudio PNAS de 2024 del investigador de Stanford Michal Kosinski. 

Sin embargo, los expertos debaten si esto significa que los LLM modernos ya pueden clasificarse como auténticos sistemas de teoría de la mente o si simplemente aplican la comparación de patrones a partir del entrenamiento lingüístico. Entre los prototipos se encuentra ToMnet, de DeepMind, diseñado para inferir las creencias de otros agentes en entornos simulados.

IA autoconsciente

La IA autoconsciente describe un concepto de máquinas que poseen conciencia, sensibilidad y una comprensión clara de su propia existencia, separada del mundo que las rodea. 

Esto representa no solo inteligencia, sino también experiencia subjetiva. Una máquina así no solo procesaría información sobre sí misma, sino que tendría una sensación tangible de «yo existo», con los sentimientos, necesidades y deseos asociados.

Este nivel trasciende la capacidad computacional y entra en el terreno filosófico de la naturaleza misma de la conciencia. ¿Una IA autoconsciente experimentaría dolor, placer o miedo a la desactivación? Si es así, ¿merece consideración moral o derechos? Estas preguntas desplazan la conversación de la ingeniería a la ética.

Ningún sistema existente alcanza este nivel. Ejemplos ficticios, como HAL 9000 de 2001: Una odisea del espacio, de : La odisea del espacio o o Data de Star Trek ilustran el concepto, pero sigue siendo especulativo si alguna vez se alcanzará.

Tipos clave de modelos de IA

Más allá de la teoría de alto nivel, los profesionales de los datos deben comprender las arquitecturas específicas con las que se encontrarán en la producción. En términos generales, los tipos de modelos de IA que se utilizan actualmente en la industria pueden clasificarse como creadores o analizadores. Puedes leer más sobre esta distinción en este artículo sobre modelos generativos frente a modelos discriminativos.

IA generativa: Los creadores

Los modelos de IA generativa están diseñados para generar nuevas instancias de datos que se asemejan a tus datos de entrenamiento. Estos modelos aprenden la distribución de probabilidad subyacente de un conjunto de datos para producir texto, imágenes, código o audio originales. Este cambio del análisis a la creación ofrece muchas posibilidades para la generación de contenido escalable, el aumento creativo y la simulación. 

Algunos ejemplos populares son los LLM como Claude para escribir y programar, los modelos de difusión como Midjourney o Nano Banana Pro para la síntesis de imágenes, y los modelos de generación de vídeo como Sora, que pueden simular escenas complejas. Cabe destacar que no todos los generadores de imágenes se basan en la difusión; modelos como GPT Image 1.5 utilizan en su lugar una arquitectura autorregresiva.

La IA generativa representa un avance importante en los flujos de trabajo de IA agencial, en los que los modelos no solo responden, sino que crean activos o planes de forma activa. Más adelante analizaremos con más detalle los agentes de IA.

IA discriminativa: Los analistas

Mientras que la IA generativa acapara los titulares, la IA discriminativa, también conocida como IA predictiva, sigue siendo la columna vertebral de las operaciones empresariales. Estos modelos no crean datos nuevos, sino que aprenden la frontera entre clases en un conjunto de datos para clasificar entradas o predecir valores futuros.

El valor comercial de la IA discriminativa reside en su capacidad para informar la toma de decisiones y evaluar el riesgo. Las organizaciones utilizan estos modelos para automatizar juicios que requieren la aplicación coherente de criterios aprendidos.

A diferencia de los modelos generativos, los modelos discriminativos no se centran en la creatividad, sino que dan prioridad a la precisión y la fiabilidad, y suelen funcionar en situaciones de alto riesgo en las que los errores tienen consecuencias importantes.

Algunos ejemplos son:

• Modelos de puntuación crediticia que predicen el riesgo de impago de préstamos.
• Filtros de spam que clasifican los correos electrónicos como basura o legítimos.
• Herramientas de diagnóstico médico que identifican anomalías en radiografías.
• Sistemas de supervisión financiera que detectan transacciones fraudulentas. 

Modelos básicos

Los modelos de base se entrenan con conjuntos de datos amplios y diversos, que incluyen texto, imágenes, código y datos estructurados, y aprenden patrones generales aplicables a todos los ámbitos. Un modelo básico no solo aprende a clasificar imágenes o generar texto, sino que desarrolla una amplia comprensión del lenguaje, el razonamiento y el conocimiento del mundo que se transfiere a nuevas tareas con un mínimo de formación adicional.

Este enfoque reduce drásticamente el tiempo y los datos necesarios para implementar la IA en nuevas aplicaciones. En lugar de crear un modelo independiente para cada problema específico, las organizaciones ajustan un único modelo básico para diversas tareas, que van desde el análisis de documentos legales hasta la generación de código y la traducción de idiomas.

Actualmente estamos asistiendo a un auge de los modelos lingüísticos pequeños (SLM, por sus siglas en inglés). Se trata de versiones eficientes y destiladas de modelos básicos diseñados para ejecutarse localmente en dispositivos (como ordenadores portátiles o teléfonos), que ofrecen privacidad y velocidad sin el enorme coste computacional de los gigantes basados en la nube.

Tipos de agentes de IA

La IA está evolucionando desde herramientas pasivas hasta agentes autónomos capaces de ejecutar flujos de trabajo complejos. Mientras que un modelo estándar espera una entrada para producir una salida, un agente de IA puede percibir su entorno, razonar sobre cómo alcanzar un objetivo y tomar medidas para ejecutarlo. Para comprender la arquitectura que hay detrás de los agentes y cómo crearlos, te recomiendo que empieces por nuestro curso Introducción a los agentes de IA.

Los tipos de agentes de IA se clasifican generalmente según su nivel de complejidad y autonomía. Echemos un vistazo a ellos.

Agentes reflejos simples

Los agentes reflejos son la forma más simple de agente. Operan según una estricta regla de «condición-acción», reaccionando solo a su percepción actual e ignorando el historial. Un termostato inteligente ejemplifica esto con reglas como estas: Si la temperatura desciende por debajo de los 20 °C, enciende la calefacción. Si supera los 22 °C, activa la refrigeración. 

Los robots de las cadenas de montaje son otro ejemplo: realizan acciones cuando los sensores detectan condiciones que indican que las piezas han alcanzado las posiciones designadas. Los agentes reflexivos destacan en tareas repetitivas en entornos estables, pero tienen dificultades cuando las condiciones cambian de forma inesperada, ya que carecen de la comprensión contextual necesaria para adaptarse.

Agentes reflejos basados en modelos

Los agentes reflejos basados en modelos mantienen un modelo interno del mundo, realizando un seguimiento del estado a lo largo del tiempo para gestionar entornos parcialmente observables. No solo reaccionan, sino que recuerdan la información clave necesaria para funcionar correctamente.

Los sistemas autónomos de frenado de emergencia son un ejemplo de ello, ya que fusionan los datos del radar y las cámaras para seguir la trayectoria de los vehículos a lo largo del tiempo, en lugar de limitarse a reaccionar ante amenazas inmediatas. Mantienen estimaciones precisas del estado incluso con información incompleta, como recordar la posición estimada de un coche después de que desaparezca detrás de un camión.

Agentes basados en objetivos

Los agentes basados en objetivos actúan para alcanzar objetivos específicos en lugar de limitarse a reaccionar. Ante un objetivo como «planificar unas vacaciones en Italia», ustedes consideran múltiples secuencias de acciones y evalúan cuál de ellas conduce a la satisfacción del objetivo. Esto representa la vanguardia de la IA agencial.

Herramientas como Roo Code para ingeniería de software o asistentes de reserva autónomos ejecutan flujos de trabajo de varios pasos, como buscar, comparar, comprobar restricciones y tomar decisiones para completar trabajos completos. Las plataformas de flujo de trabajo como n8n permiten crear procesos complejos en los que los agentes de IA gestionan los puntos de decisión y la lógica adaptativa.

Si deseas adquirir una base sólida sobre los agentes de IA, te recomiendo que realices nuestro programa «Fundamentos de los agentes de IA ».

Agentes basados en utilidad 

Los agentes basados en la utilidad van aún más allá: optimizan la mejor ruta para alcanzar los objetivos en lugar de cualquier ruta que funcione. Para ello, emplean funciones de utilidad que asignan puntuaciones numéricas a los resultados, lo que permite realizar comparaciones cuantitativas. 

Mientras que un agente basado en objetivos reserva cualquier vuelo a Roma, un agente basado en la utilidad tiene en cuenta factores como el coste, la duración, las escalas y los horarios de salida para maximizar la utilidad general.

Algunos ejemplos son los sistemas de negociación algorítmica que equilibran los beneficios y los riesgos, y las aplicaciones de navegación como Waze, que optimizan las rutas en función de las preferencias de los usuarios, como el tiempo más rápido, la distancia más corta o evitar los peajes.

Agentes de aprendizaje

Los agentes de aprendizaje operan en entornos desconocidos o cambiantes, mejorando continuamente a través de la experiencia sin intervención humana. La arquitectura incluye un crítico que proporciona información sobre el rendimiento y un elemento de aprendizaje que modifica la política del agente. 

Los rovers marcianos aprenden qué características del terreno indican caminos seguros a medida que se encuentran con nuevas formaciones geológicas. El algoritmo de recomendaciones de Netflix es otro ejemplo: perfecciona continuamente su comprensión de las preferencias de los usuarios basándose en el historial de visualizaciones, lo que mejora las sugerencias con el tiempo.

Marcos agenticos: Creación de los agentes

Los marcos agenticos sirven como sistema operativo para agentes complejos, conectando el núcleo de razonamiento (normalmente un LLM) con la memoria, las herramientas y la coordinación multiagente. Se encargan de:

• Orquestación: Decidir qué agente se encarga de cada subtarea y gestionar el flujo de trabajo entre los componentes.
• Planificación: Dividir objetivos complejos en pasos ejecutables y adaptarse cuando cambian las circunstancias.
• Uso de herramientas: Proporcionar a los agentes acceso a motores de búsqueda, bases de datos, API o ejecución de código.
• Memoria: Mantener el historial de conversaciones y el contexto a largo plazo más allá de las interacciones inmediatas.

Entre los marcos más populares se incluyen:

• LangChain/LangGraph: Estándar del sector para conectar LLM a fuentes de datos con amplias integraciones.
• Google ADK: Marco de código abierto para crear agentes sofisticados en Vertex AI.
• CrewAI: Coordina a múltiples agentes de rol que colaboran en tareas complejas.

Para obtener una referencia rápida sobre estas arquitecturas, te recomiendo que consultes la hoja de referencia rápida sobre agentes de IA. 

Conclusión

Hemos cubierto muchos temas aquí; vamos a terminar. 

En lugar de considerar la IA como una tecnología monolítica, deberíamos reconocerla como un ecosistema diverso de enfoques especializados, cada uno de ellos adecuado para problemas concretos. Para comprender plenamente la IA es necesario examinarla a través de tres perspectivas distintas: la tecnología, la capacidad y la funcionalidad.

Actualmente, estamos pasando de una IA limitada, centrada en tareas específicas, a las primeras formas de IA agencial, que ejecutan de forma autónoma flujos de trabajo complejos, lo que supone un punto de inflexión crítico para su adopción en todos los sectores.

Da el primer paso para convertirte en un experto en IA inscribiéndote en el programa formativo Fundamentos de la IA.