Un agente de IA es un sistema que recibe un objetivo y decide solo los pasos para llegar allí: consulta archivos, utiliza herramientas, ejecuta acciones y verifica el resultado antes de continuar. Un chatbot común responde a tu pregunta y se detiene. Un agente puede, por ejemplo, leer el código de un proyecto, corregir un bug, ejecutar las pruebas y abrir un pull request para que lo revises.
¿Qué cambia de un chatbot a un agente?
En un chat tradicional, la conversación sigue un ritmo de ping-pong. Tú preguntas, el modelo genera un texto, y cualquier acción en el mundo real queda a tu cargo: copiar el código, pegarlo en el editor, ejecutar el comando, ver si hubo un error.
En el agente, este ciclo sucede dentro del propio sistema. Anthropic describe a los agentes como sistemas en los que el modelo de lenguaje lleva a cabo el propio proceso y elige qué herramientas utilizar, en lugar de seguir un guion fijo escrito por un programador. En la práctica, esto implica tres ingredientes:
- Herramientas: el agente puede buscar en la web, leer y editar archivos, ejecutar comandos en la terminal o acceder a aplicaciones como correo electrónico y agenda.
- Etapas: descompone el pedido en partes más pequeñas y avanza una a la vez.
- Retorno del entorno: en cada paso, observa el resultado real (la salida de una prueba, el contenido de una página) para decidir qué hacer a continuación.
La misma Anthropic diferencia a los agentes de los "workflows", que son flujos con caminos definidos en el código. Si la tarea es predecible, como clasificar correos siempre de la misma manera, un flujo fijo suele ser suficiente. El agente tiene más sentido cuando no se puede saber de antemano cuántos pasos serán necesarios, como investigar un bug que puede estar en cualquier parte del sistema.
Ejemplos de agentes que ya existen
Las grandes empresas de IA ya ofrecen agentes listos. Los recursos cambian rápido, así que consulta siempre la documentación oficial antes de elegir uno.
ChatGPT Work, de OpenAI
Lanzado en julio de 2026, ChatGPT Work es un agente dentro de ChatGPT pensado para tareas más grandes. Según OpenAI, se conecta a servicios como Slack, Microsoft Teams, Google Drive, SharePoint, correo electrónico, calendario y CRMs, y puede generar hojas de cálculo, presentaciones, documentos y aplicaciones web. También descompone un proyecto en etapas y puede trabajar en él durante horas.
En la aplicación de escritorio, el agente puede manipular archivos locales, usar un navegador integrado y realizar acciones como hacer clic y mover archivos. Además, hay tareas programadas: puedes solicitar, por ejemplo, que actualice una presentación cada vez que llegue un nuevo feedback por correo electrónico. Para quienes programan, OpenAI mantiene Codex, su agente de código, cuya tecnología también está integrada en ChatGPT Work.
Agente en la nube Copilot, de GitHub
En GitHub, puedes iniciar una tarea para Copilot a partir de un issue, de una conversación o del panel de agentes y permitir que trabaje en segundo plano. La documentación explica que el agente investiga el repositorio, planifica los cambios y los implementa en un entorno de desarrollo temporal en la nube. Crea la rama, hace los commits, ejecuta pruebas y linters y entrega un pull request para revisión.
Entre los usos citados por GitHub están añadir pruebas que faltan, corregir alertas de escaneo de código y automatizaciones programadas, como hacer la clasificación de issues o preparar notas de versión semanales.
Jules, de Google
Jules es el agente de código asíncrono de Google Labs, que entró en beta pública en mayo de 2025. Copia tu repositorio a una máquina virtual en Google Cloud, trabaja mientras tú haces otras cosas y, al final, muestra el plan, el razonamiento y el diff de los cambios. Google menciona como ejemplos escribir pruebas, corregir bugs, crear funcionalidades y actualizar versiones de dependencias. Puedes ajustar el plan antes, durante y después de la ejecución.
Cómo un agente puede trabajar por ti
Para quienes estudian o trabajan con tecnología, las ganancias aparecen principalmente en tareas bien delimitadas y tediosas de hacer a mano. Algunos ejemplos realistas:
- Pedir que el agente escriba pruebas para un módulo antiguo que nadie tuvo tiempo de cubrir.
- Actualizar una dependencia y ajustar lo que se rompió con la nueva versión.
- Corregir una alerta de seguridad señalada por la herramienta de análisis de código del repositorio.
- Elaborar un borrador de notas de lanzamiento a partir de los pull requests de la semana.
- Reunir información dispersa en documentos y correos y convertir eso en un informe o una hoja de cálculo.
Observa un patrón: en todos estos casos sigues siendo quien define el objetivo y quien aprueba la entrega. El agente hace el trabajo de mano, y tú revisas. Para quienes están comenzando, leer el diff generado por el agente también enseña mucho sobre el propio proyecto.
Un consejo práctico es escribir pedidos como lo harías con una buena issue. Indica cuál es el problema, dónde aparece, cómo saber que ha sido resuelto y qué no debe ser alterado. Cuanto más claro sea el criterio de terminado, menor será la posibilidad de que el agente siga un camino inesperado.
Límites y riesgos que necesitas conocer
Dar autonomía a un sistema que actúa en tu nombre trae nuevos riesgos. Los propios fabricantes lo dejan claro.
Errores que se acumulan
Anthropic advierte que, al actuar solos durante muchos pasos, los agentes tienen un costo mayor y corren el riesgo de errores que se suman: una decisión errónea al principio contamina todo lo que viene después. GitHub también advierte que el código generado por su agente puede salir incorrecto o por debajo de lo ideal, incluyendo vulnerabilidades de seguridad, y necesita ser revisado y probado.
Permisos y acceso a datos
Cuantos más apps y cuentas conectes, más el agente puede hacer, para bien y para mal. Si tiene acceso a tu correo electrónico, puede leer y enviar mensajes. Por eso, comienza con el mínimo de permisos y libera otros solo cuando sea necesario. En ChatGPT Work, OpenAI informa que tú eliges a qué puede acceder el agente y cuándo necesita pedir aprobación. En GitHub, los administradores pueden desactivar el agente en repositorios específicos.
Seguridad y contenido malicioso
Un agente con acceso a documentos internos y herramientas de comunicación puede, por error, compartir lo que no debía. OpenAI, por ejemplo, creó en ChatGPT Work un recurso llamado Auto-review, que utiliza modelos para revisar acciones importantes y ayudar a evitar el compartimiento no autorizado de información sensible. Incluso con capas así, la regla sigue siendo: no conectes cuentas sensibles sin necesidad y trata los repositorios con secretos, como claves de API y contraseñas, con cuidado redoblado.
Supervisión humana
La recomendación de Anthropic es probar agentes en entornos aislados, con límites claros, y prever puntos de parada en los que una persona verifique el progreso. Los productos actuales siguen esta línea: el agente de GitHub trabaja en una rama propia y entrega un pull request para revisión, guarda registros de cada sesión y limita cada ejecución a 59 minutos. Jules muestra el plan antes de modificar el código. Usa estos mecanismos a tu favor y nunca apruebes un cambio que no hayas leído.
Y sigue la sugerencia de Anthropic de buscar la solución más simple: si un prompt bien escrito resuelve, quizás ni siquiera necesites un agente.
Preguntas frecuentes
¿Agente de IA y chatbot son lo mismo?
No. El chatbot genera respuestas en texto; el agente usa herramientas, ejecuta tareas en varias etapas y toma acciones, como editar archivos o abrir un pull request.
¿Necesito saber programar para usar un agente?
Para agentes de uso general, como ChatGPT Work, no. Para agentes de código, como el de GitHub o Jules, saber programar es lo que permite revisar la entrega con seguridad.
¿Puedo dejar un agente trabajando sin supervisión?
No se recomienda. Las propias empresas aconsejan revisar lo que el agente produjo y aprobar acciones importantes antes de que ocurran.
¿Los agentes tienen un costo?
Depende del producto y del plan, y estas condiciones cambian con frecuencia. Consulta la página oficial de cada servicio antes de decidir.
Próximos pasos
Elige un repositorio personal o de estudio, sin datos sensibles, y pide a un agente de código una tarea pequeña, como escribir pruebas para una función. Luego, lee el diff línea por línea y anota lo que cambiarías. Si deseas fortalecer la base de programación para revisar este tipo de entrega con más confianza, explora la plataforma de cursos de Hcode.
Fuentes
Construyendo agentes efectivos, Anthropic, 19 de diciembre de 2024.
ChatGPT ahora es un compañero para tu trabajo más ambicioso, OpenAI, 9 de julio de 2026.
GitHub Copilot en GitHub.com, GitHub Docs, consultado el 27 de octubre de 2026.
Construye con Jules, tu agente de codificación asíncrono, Google, 20 de mayo de 2025.