Tipos de IA: guía completa

Si te parece que la inteligencia artificial (IA) está en todas partes de repente, es porque así es. Según investigaciones recientes de McKinsey, la adopción global de 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 generado un problema lingüístico. "IA" se ha convertido en un cajón de sastre que se usa para tecnologías muy distintas. Se emplea indistintamente para chatbots basados en reglas, generadores de imágenes y robots futuristas de ciencia ficción.

Para los profesionales de datos, esta ambigüedad es un obstáculo. Cuando una persona decisora pide una "solución de IA", debes poder discernir si necesita un modelo de regresión sencillo, un agente generativo o un sistema de visión por computador.

En esta guía completa vamos a ordenar esta terminología. No nos limitaremos a dar definiciones: la abordaremos desde cuatro lentes distintas: cómo se construye, qué puede hacer, cómo decide y cómo encaja en los flujos de trabajo reales.

Si eres nuevo en el tema, te recomiendo el curso Understanding Artificial Intelligence.

¿Qué es la IA?

La inteligencia artificial (IA) es una rama de la informática centrada en crear agentes inteligentes capaces de realizar tareas que suelen requerir inteligencia humana, como resolver problemas, reconocer el habla y tomar decisiones.

La IA es una ciencia interdisciplinar con múltiples enfoques. Puede ser basada en reglas (opera con condiciones predefinidas) o emplear algoritmos de aprendizaje automático para aprender de los datos y adaptarse a escenarios imprevistos.

Aun así, definir la IA con precisión resulta sorprendentemente difícil por lo que los investigadores llaman el "efecto IA". Este fenómeno describe cómo la percepción social de la IA cambia a medida que las tecnologías maduran. Cuando una capacidad se vuelve común, dejamos de llamarla "IA" y la consideramos software corriente. 

Por esta definición cambiante y su amplio alcance, una sola clasificación no basta. Necesitamos varias lentes para captar el cuadro completo:

• Tecnología: Los algoritmos y arquitecturas subyacentes. 
• Capacidad: El nivel de inteligencia, de estrecha a superinteligente.
• Funcionalidad: Cómo procesan la información y mantienen memoria los sistemas.

Por ejemplo, un coche autónomo puede clasificarse de tres maneras a la vez:

• IA estrecha (por su capacidad específica).
• Deep learning (por su tecnología subyacente).
• Memoria limitada (por su funcionalidad).

En las secciones siguientes, exploraremos estos tipos concretos.

Si buscas una introducción no técnica a los fundamentos, te recomendamos nuestra guía de IA para principiantes.

Tipos de IA según la tecnología

La forma más rigurosa de clasificar la IA es por la tecnología subyacente, el "motor" que impulsa el sistema. Esta clasificación separa sistemas según cómo procesan datos y aprenden. Veamos los distintos tipos.

Machine learning

El aprendizaje automático (ML) es un subconjunto de la IA centrado en sistemas que aprenden de los datos y mejoran sin que se programen explícitamente todas las reglas. En lugar de escribir código del tipo "si pasa esto, haz aquello", alimentas al algoritmo con datos y dejas que encuentre patrones.

El machine learning se divide en tres grandes paradigmas, cada uno adecuado a distintos problemas:

• Aprendizaje supervisado: El más común en el entorno empresarial. Usa datos etiquetados (pares entrada-salida) para entrenar algoritmos. Por ejemplo, puedes mostrar al modelo 1.000 emails etiquetados como "Spam" o "No spam" y aprende a clasificar el siguiente correo. Entre los algoritmos habituales están la regresión lineal, k vecinos más cercanos (KNN) y los árboles de decisión.
• Aprendizaje no supervisado: El algoritmo recibe datos sin etiquetar y debe encontrar por sí mismo estructuras o patrones ocultos. Se utiliza a menudo para segmentación de clientes (clustering). k-means y el análisis de componentes principales (PCA) están entre los más usados.
• Aprendizaje por refuerzo (RL): Sigue un enfoque distinto: enseña a agentes mediante prueba y error con un sistema de recompensas y penalizaciones. Un agente de RL recibe feedback de su interacción con el entorno y aprende qué comportamientos maximizan las recompensas acumuladas. Es el método usado para entrenar robots y IAs avanzadas para juegos, como AlphaGo.

Para asentar una buena base en machine learning, te recomiendo el itinerario Machine Learning Fundamentals with Python.

Deep learning

Deep learning (DL) es un subconjunto especializado del ML inspirado en la estructura del cerebro humano. Usa redes neuronales artificiales con muchas capas (de ahí "deep") para modelar relaciones complejas y no lineales en grandes volúmenes de datos. Mientras que el ML tradicional puede estancarse al añadir más datos, el DL suele seguir mejorando.

Entre las arquitecturas clave están:

• Redes neuronales convolucionales (CNN): El estándar para procesamiento de imágenes. Usan "filtros" para escanear imágenes y detectar jerarquías espaciales como bordes, formas y texturas.
• Redes neuronales recurrentes (RNN): Diseñadas para datos secuenciales como series temporales o voz. Mantienen una "memoria" de entradas previas que influye en la salida actual.
• Transformers: La arquitectura detrás de los large language models (LLMs) modernos, como GPT 5.2 y Gemini 3. Utilizan un mecanismo de atención para procesar secuencias completas de datos a la vez, ponderando la importancia relativa de las palabras en lugar de tratarlas una a una.
• Redes generativas antagónicas (GAN): Un marco en el que dos redes compiten: un "generador" crea falsos y un "discriminador" intenta detectarlos. Esta competición produce resultados sintéticos muy realistas.
• Modelos de difusión: El motor de herramientas como Midjourney. Generan imágenes de alta calidad aprendiendo a revertir de forma sistemática el ruido aleatorio hasta obtener imágenes claras y definidas.

Si quieres construir estos modelos tú mismo, te recomiendo empezar con el curso Introduction to Deep Learning with PyTorch.

Procesamiento del lenguaje natural

El procesamiento del lenguaje natural (NLP) busca que los ordenadores entiendan, interpreten y generen lenguaje humano de forma significativa. El NLP cierra la brecha entre la comunicación humana y la comprensión por máquina, gestionando la ambigüedad, la dependencia del contexto y la complejidad inherentes al lenguaje natural.

Entre sus técnicas destacan: 

• Análisis de sentimiento: Analizar la polaridad de una frase, p. ej., clasificar si una reseña es positiva o negativa
• Reconocimiento de entidades nombradas (NER): Identificar personas o lugares en texto
• Tokenización: Dividir texto en unidades más pequeñas, como palabras, sílabas o incluso caracteres

Veamos un ejemplo de análisis de sentimiento con 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 por computador

La visión por computador permite a las máquinas extraer información significativa de imágenes y vídeos, de modo que puedan percibir y comprender datos visuales de forma similar a la percepción humana. Este campo aborda la identificación de objetos, la medición de distancias o incluso el reconocimiento de patrones invisibles para el ojo humano.

Los sistemas de visión por computador combinan técnicas de procesamiento de imagen con machine learning, especialmente deep learning, para extraer representaciones cada vez más abstractas a partir de datos visuales en bruto. Entre las tareas clave se encuentran:

• Clasificación de imágenes: Identificar qué hay en una imagen (p. ej., "Esto es un gato").
• Detección de objetos: Localizar dónde está un objeto (p. ej., "Hay un peatón en las coordenadas x,y").
• Reconocimiento facial: Verificar la identidad a partir de rasgos faciales.

La imagen médica es una de las aplicaciones más impactantes: sistemas de IA detectan tumores en radiografías, TAC y resonancias con niveles de precisión iguales o superiores a los de radiólogos humanos. No sustituyen a los profesionales, sino que los apoyan marcando posibles anomalías para su revisión experta.

Procesamiento de audio

El procesamiento de audio se centra en reconocer, interpretar y sintetizar señales sonoras, tanto habla humana como sonidos ambientales. El objetivo es que las máquinas escuchen, comprendan y generen contenido de audio, conectando las ondas acústicas con el significado semántico. 

El reconocimiento automático del habla (ASR) convierte el habla en texto y da vida a asistentes de voz, servicios de transcripción y herramientas de accesibilidad. Los sistemas modernos emplean arquitecturas transformer para mapear directamente las ondas de audio a secuencias de texto, con precisión casi humana en habla limpia y mejoras constantes en condiciones difíciles como ruido de fondo o acentos. 

Los motores de texto a voz (TTS) como Amazon Polly hacen la operación inversa: sintetizan voz natural a partir de texto mediante vocoders neuronales que generan prosodia, entonación y expresión emocional realistas. Los TTS actuales pueden clonar voces con solo unos minutos de audio de muestra, lo que abre posibilidades creativas y también preocupaciones éticas.

Las aplicaciones van más allá del habla hacia ámbitos creativos y prácticos. La clonación de voz permite asistentes virtuales personalizados, locución de audiolibros con voces consistentes y audios deepfake controvertidos.

Robótica e IA encarnada

Este ámbito une IA e ingeniería. La IA encarnada consiste en integrar "cerebros" avanzados (como modelos visión-lenguaje) en cuerpos robóticos físicos. Mientras gran parte de la IA es puramente digital, la IA encarnada debe lidiar con la gravedad, la fricción y la complejidad impredecible del mundo físico. 

Este anclaje en la realidad plantea retos ausentes en la IA computacional pura, pero permite interactuar directamente con el entorno. Los robots tradicionales requerían programación explícita para cada tarea, con ingenieros codificando movimientos precisos y árboles de decisión para lograr resultados concretos. 

Los sistemas modernos de IA encarnada entienden órdenes en lenguaje natural, como "coge la manzana" o "abre esa puerta", usando percepción visual para identificar objetos y planificar acciones sin programación específica por tarea. 

Este avance aborda la paradoja de Moravec: tareas triviales para humanos, como doblar ropa, abrir puertas o moverse por habitaciones desordenadas, resultan extraordinariamente difíciles para robots, mientras que retos complejos para humanos, como el ajedrez o el cálculo, son relativamente fáciles para la IA. 

La IA encarnada, apoyada en modelos fundacionales, está empezando a salvar esta brecha al dotar a los robots de comprensión perceptiva y planificación adaptativa. Las aplicaciones incluyen dispositivos de consumo como robots aspiradores, cobots industriales y humanoides avanzados como Atlas de Boston Dynamics.

Tipos de IA según su capacidad

Mientras la tecnología define cómo se construye una IA, la capacidad define qué puede hacer en relación con la inteligencia humana. Esta clasificación funciona como una línea temporal de evolución de la IA, desde las limitaciones actuales hasta futuros teóricos.

Inteligencia artificial estrecha

Artificial Narrow Intelligence (ANI), también llamada IA débil, representa la IA que existe hoy. Son sistemas diseñados para destacar en tareas específicas y predefinidas, pero que fallan por completo fuera de sus parámetros de entrenamiento. Un bot de ajedrez no puede conducir un coche, y una herramienta de diagnóstico médico no puede escribir poesía.

No obstante, lo "estrecho" se está ampliando. El estado del arte actual son LLMs multimodales avanzados. Estamos viendo el lanzamiento de modelos como GPT-5.2 y Gemini 3, que pueden procesar texto, audio e imagen a la vez. 

Aunque imitan el razonamiento, aún carecen de una comprensión genuina del mundo. Los desarrolladores interactúan con estos sistemas ANI mediante APIs para integrarlos en aplicaciones.

El siguiente paso dentro de ANI es la Agentic AI. Son sistemas que van más allá del chat pasivo: pueden realizar acciones autónomas en varios pasos, como navegar por la web para reservar un vuelo, y sirven de puente hacia una inteligencia más amplia.

Inteligencia artificial general

Artificial General Intelligence (AGI) es el gran objetivo de la investigación en IA. Se refiere a una etapa teórica en la que una máquina puede aprender, razonar y resolver problemas en dominios completamente distintos, igualando la flexibilidad cognitiva humana.

La clave es la generalización. Un sistema ANI entrenado para hablar portugués no puede usar ese conocimiento para aprender español más rápido. Un sistema AGI podría aplicar la lógica de un campo a otro sin reentrenamiento manual.

El calendario para la AGI es muy debatido. Hay optimistas que la sitúan entre 2026 y 2029. Quienes son escépticos sostienen que nos falta la arquitectura fundamental (en particular, "modelos del mundo" precisos) para lograrlo, y la posponen a 2040 o más allá.

Superinteligencia artificial

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

La preocupación principal en torno a la ASI es la auto-mejora recursiva: una ASI rediseña su propia arquitectura para ser más inteligente, y usa esa inteligencia mejorada para mejorar aún más, creando un bucle de realimentación con crecimiento exponencial. 

Esa explosión de inteligencia podría producir rápidamente sistemas tan por encima de nuestra comprensión que predecir su comportamiento sería imposible, lo que plantea profundas cuestiones de seguridad sobre la alineación y el control. Si los objetivos de una ASI se desalinean aunque sea levemente con los valores humanos, su superior inteligencia podría perseguirlos de formas perjudiciales.

No existe una hoja de ruta creíble para construir ASI, y muchos investigadores cuestionan incluso si la superinteligencia es alcanzable o coherente como concepto. Aun así, su posibilidad teórica impulsa investigación seria en alineación de IA para asegurar que sistemas cada vez más capaces sigan siendo beneficiosos y controlables. 

Tipos de IA según su funcionalidad

Mientras la capacidad mide la potencia, la funcionalidad mide cómo el sistema interactúa con el mundo y procesa datos. Esta clasificación nos permite distinguir entre un ordenador de ajedrez de los 90 y los robots sociales del futuro. Veamos cada tipo.

Máquinas reactivas

Las máquinas reactivas son la forma más básica y antigua de IA. No tienen noción de pasado o futuro; operan estrictamente con entradas inmediatas según reglas preprogramadas.

Su rasgo definitorio es que son sin estado y deterministas. Si introduces exactamente la misma entrada diez veces, producirán exactamente la misma salida diez veces. No pueden aprender de la experiencia porque no almacenan memoria.

Un buen ejemplo es Deep Blue de IBM, el ordenador de ajedrez que derrotó a Garry Kasparov. No aprendía la psicología de Kasparov: calculaba la mejor jugada según el tablero actual. Filtros de spam sencillos que marcan palabras clave sin analizar tu historial de correo también entran en esta categoría.

IA de memoria limitada

La IA de memoria limitada domina las aplicaciones modernas. Al almacenar temporalmente datos o contexto recientes para tomar decisiones informadas, estos sistemas permiten comportamientos dinámicos. A diferencia de las máquinas reactivas, se apoyan en información histórica dentro de una ventana de contexto limitada.

Casi todas las herramientas de IA predictiva y generativa actuales pertenecen a esta categoría. LLMs como Claude Opus 4.5 mantienen el historial de la conversación, recuerdan lo que dijiste hace unos minutos y dan respuestas coherentes que se basan en los intercambios previos. La ventana de contexto determina cuánta información histórica pueden recuperar. 

Los coches autónomos siguen durante varios segundos la velocidad y trayectoria de vehículos cercanos para predecir sus posiciones futuras, en lugar de reaccionar solo a su ubicación actual.

IA con teoría de la mente

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

Esta capacidad es esencial para una interacción social natural, al permitir que la IA interprete señales implícitas, detecte engaños o adapte respuestas al estado de ánimo del usuario. 

Modelos punteros anteriores como GPT-4 de OpenAI ya lograron resultados a nivel humano en tareas de creencias falsas, como predecir acciones basadas en creencias incorrectas, como mostró el estudio de Michal Kosinski (PNAS 2024) de Stanford. 

Aun así, hay debate sobre si esto significa que los LLMs actuales pueden clasificarse ya como sistemas genuinos de teoría de la mente o si aplican patrones aprendidos del lenguaje. Entre los prototipos destaca ToMnet de DeepMind, diseñado para inferir creencias de otros agentes en entornos simulados.

IA autoconsciente

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

No es solo inteligencia, sino experiencia subjetiva. Una máquina así no solo procesaría información sobre sí misma, sino que tendría una vivencia de "yo existo" con sentimientos, necesidades y deseos asociados.

Este nivel trasciende lo computacional y entra en lo filosófico: ¿sentiría dolor, placer o miedo a la desconexión? Si es así, ¿merece consideración moral o derechos? Estas preguntas desplazan la conversación de la ingeniería a la ética.

Hoy no existen sistemas que se acerquen a este nivel. Ejemplos de ficción, como HAL 9000 de 2001: Una odisea del espacio o Data de Star Trek, ilustran el concepto, pero sigue siendo especulativo que algún día se alcance.

Tipos clave de modelos de IA

Más allá de la teoría, los profesionales de datos deben entender las arquitecturas concretas que encontrarán en producción. En términos generales, los modelos de IA usados hoy en la industria se clasifican como creadores o analistas. Puedes ampliar esta distinción en este artículo sobre modelos generativos frente a discriminativos.

IA generativa: los creadores

Los modelos de IA generativa están diseñados para producir datos nuevos que se parecen a los de entrenamiento. Aprenden la distribución de probabilidad subyacente de un conjunto de datos para generar texto, imágenes, código o audio originales. Este paso de analizar a crear abre posibilidades para generar contenido a escala, potenciar la creatividad y simular escenarios. 

Ejemplos populares son LLMs como Claude para escribir y programar, modelos de difusión como Midjourney o Nano Banana Pro para síntesis de imágenes, y modelos de generación de vídeo como Sora capaces de simular escenas complejas. No todos los generadores de imagen usan difusión; modelos como GPT Image 1.5 utilizan en su lugar arquitectura autoregresiva.

La IA generativa supone un gran avance en flujos de trabajo agentic, donde los modelos no solo responden, sino que crean activos o planes de forma activa. Más adelante veremos los agentes de IA en detalle.

IA discriminativa: los analistas

Aunque la IA generativa acapara titulares, la IA discriminativa, también llamada IA predictiva, sigue siendo la columna vertebral de la empresa. Estos modelos no crean datos nuevos; aprenden la frontera entre clases en un conjunto de datos para clasificar entradas o predecir valores futuros.

El valor empresarial de la IA discriminativa reside en su capacidad para informar decisiones y evaluar riesgos. Las organizaciones usan estos modelos para automatizar juicios que requieren aplicar criterios aprendidos con coherencia.

A diferencia de los modelos generativos, los discriminativos no buscan creatividad, sino precisión y fiabilidad, y suelen operar en escenarios de alto impacto donde el error tiene consecuencias importantes.

Algunos ejemplos:

• Modelos de scoring crediticio que predicen el riesgo de impago.
• Filtros de spam que clasifican correos como basura o legítimos.
• Herramientas de diagnóstico médico que identifican anomalías en radiografías.
• Sistemas de monitorización financiera que detectan fraudes. 

Modelos fundacionales

Los modelos fundacionales se entrenan con conjuntos de datos vastos y diversos —texto, imágenes, código y datos estructurados— aprendiendo patrones generales aplicables a múltiples dominios. Un modelo fundacional no solo aprende a clasificar imágenes o generar texto; desarrolla una comprensión amplia del lenguaje, el razonamiento y el conocimiento del mundo que transfiere a nuevas tareas con un entrenamiento adicional mínimo.

Este enfoque reduce de forma drástica el tiempo y los datos necesarios para desplegar IA en nuevas aplicaciones. En lugar de construir un modelo distinto para cada problema, las organizaciones ajustan un único modelo fundacional para tareas diversas, desde análisis de documentos legales hasta generación de código o traducción.

Actualmente vemos un auge de los Small Language Models (SLMs). Son versiones eficientes y destiladas de modelos fundacionales diseñadas para ejecutarse localmente en dispositivos (como portátiles o móviles), ofreciendo privacidad y velocidad sin el enorme coste computacional de los gigantes en la nube.

Tipos de agentes de IA

La IA está evolucionando de herramientas pasivas a agentes autónomos capaces de ejecutar flujos de trabajo complejos. Mientras un modelo estándar espera una entrada para producir una salida, un agente de IA puede percibir su entorno, razonar cómo alcanzar un objetivo y actuar para conseguirlo. Para entender la arquitectura de los agentes y cómo construirlos, te recomendamos empezar por el curso Introduction to AI Agents.

Los tipos de agentes de IA se suelen categorizar por su nivel de complejidad y autonomía. Vamos a verlos.

Agentes reflejos simples

Los agentes reflejos son la forma más simple de agente. Operan con reglas estrictas de "condición–acción", reaccionando solo a su percepción actual e ignorando el historial. Un termostato inteligente es un buen ejemplo: si la temperatura baja de 20 °C, enciende la calefacción; si supera los 22 °C, activa la refrigeración. 

Los robots de línea de montaje son otro caso: realizan acciones cuando los sensores detectan que las piezas han llegado a la posición indicada. Los agentes reflejos destacan en tareas repetitivas en entornos estables, pero tienen dificultades cuando las condiciones cambian inesperadamente, ya que carecen de contexto para adaptarse.

Agentes reflejos basados en modelo

Estos agentes mantienen un modelo interno del mundo, siguiendo el estado a lo largo del tiempo para manejar entornos parcialmente observables. No solo reaccionan: recuerdan información clave necesaria para operar correctamente.

Los sistemas de frenado automático de emergencia son un buen ejemplo: fusionan datos de radar y cámaras para seguir trayectorias de vehículos a lo largo del tiempo, en lugar de reaccionar solo a amenazas inmediatas. Mantienen estimaciones de estado fiables incluso con información incompleta, como recordar la posición estimada de un coche que desaparece tras un camión.

Agentes basados en objetivos

Actúan para lograr objetivos concretos, no solo reaccionan. Dado un objetivo como "planificar un viaje a Italia", valoran secuencias de acciones y eligen la que conduce a cumplirlo. Esto representa la vanguardia de la IA agentic.

Herramientas como Roo Code para ingeniería de software o asistentes de reservas autónomos ejecutan flujos de trabajo de varios pasos: buscar, comparar, verificar restricciones y tomar decisiones para completar tareas de extremo a extremo. Plataformas de workflow como n8n permiten construir procesos complejos donde agentes de IA gestionan decisiones y lógica adaptativa.

Si quieres construir una base sólida en agentes de IA, te recomendamos el itinerario AI Agent Fundamentals.

Agentes basados en utilidad 

Van un paso más allá: optimizan el mejor camino hacia los objetivos, no cualquier camino que funcione. Emplean funciones de utilidad que asignan puntuaciones numéricas a los resultados para compararlos cuantitativamente. 

Mientras un agente basado en objetivos reserva cualquier vuelo a Roma, uno basado en utilidad considera coste, duración, escalas y horarios para maximizar la utilidad global.

Ejemplos: sistemas de trading algorítmico que equilibran beneficio y riesgo, y apps de navegación como Waze que optimizan rutas según preferencias (tiempo más rápido, distancia más corta o evitar peajes).

Agentes que aprenden

Operan en entornos desconocidos o cambiantes y mejoran continuamente con la experiencia sin intervención humana. Su arquitectura incluye un crítico que proporciona feedback de rendimiento y un componente de aprendizaje que modifica la política del agente. 

Los rovers de Marte aprenden qué rasgos del terreno indican caminos seguros al enfrentarse a formaciones geológicas nuevas. El sistema de recomendaciones de Netflix es otro ejemplo: refina su comprensión de las preferencias según el historial de visionado y mejora sus sugerencias con el tiempo.

Marcos agentic: cómo se construyen

Los marcos agentic actúan como el sistema operativo de agentes complejos, conectando el núcleo de razonamiento (normalmente un LLM) con memoria, herramientas y coordinación multiagente. Gestionan:

• Orquestación: Decidir qué agente gestiona cada subtarea y coordinar el flujo entre componentes
• Planificación: Desglosar objetivos complejos en pasos ejecutables y adaptarse cuando cambian las condiciones
• Uso de herramientas: Dar acceso a buscadores, bases de datos, APIs o ejecución de código
• Memoria: Mantener el historial de conversación y el contexto a largo plazo más allá de interacciones inmediatas

Entre los marcos populares están:

• LangChain/LangGraph: Estándar del sector para conectar LLMs con fuentes de datos con amplias integraciones.
• Google ADK: Marco open source para construir agentes sofisticados en Vertex AI.
• CrewAI: Orquesta varios agentes con roles que colaboran en tareas complejas.

Para una referencia rápida sobre estas arquitecturas, te recomiendo la chuleta de AI Agents. 

Conclusión

Hemos cubierto mucho terreno; vamos a cerrar. 

En lugar de ver la IA como una tecnología monolítica, conviene entenderla como un ecosistema diverso de enfoques especializados, cada uno adecuado a problemas concretos. Para comprenderla de verdad hay que analizarla desde tres lentes: tecnología, capacidad y funcionalidad.

Actualmente estamos en la transición de una IA estrecha centrada en tareas específicas hacia formas iniciales de IA agentic que ejecutan flujos de trabajo complejos de forma autónoma, un punto de inflexión clave para su adopción en la industria.

Da el primer paso para convertirte en especialista en IA inscribiéndote en el itinerario AI Fundamentals.