Inteligencia simbiótica · Parte II · Capítulo 5
De generador a agente conectado
Durante la primera expansión pública de la IA generativa, la unidad de uso parecía evidente.
Durante la primera expansión pública de la IA generativa, la unidad de uso parecía evidente.
Una persona escribía una instrucción. El modelo generaba una respuesta. La persona copiaba el resultado, lo corregía o pedía otra versión.
prompt
→ generación
→ respuestaEse ciclo sigue existiendo. Continúa siendo útil y explica una parte considerable del uso cotidiano. Pero ya no describe el conjunto de capacidades disponibles.
La IA generativa actual puede formar parte de sistemas que reciben un objetivo, consultan fuentes, seleccionan herramientas, ejecutan acciones, observan resultados, corrigen una trayectoria y dejan registro. El modelo continúa generando tokens, pero la operación ya no termina en el texto que produce. La salida de una inferencia puede convertirse en una llamada a una herramienta; la respuesta de esa herramienta entra en el siguiente paso; el sistema conserva estado; y el resultado final puede ser un cambio en un archivo, una actualización en una aplicación, una búsqueda documentada o una tarea completada en un entorno de trabajo.
La transformación principal puede formularse así:
El modelo ha dejado de ser necesariamente el lugar donde termina la operación. Puede convertirse en el órgano que interpreta, propone y coordina transiciones dentro de un sistema mayor.
Seis niveles que no conviene confundir
La palabra «IA» se utiliza para designar cosas muy diferentes. Esa ambigüedad dificulta evaluar capacidades y riesgos. Antes de hablar de agentes conviene distinguir seis niveles.
1. El modelo
Es el sistema entrenado que recibe una entrada y genera una continuación, una clasificación, una representación o una acción propuesta.
El modelo no conoce por sí mismo el estado real de una organización. No tiene acceso natural a sus expedientes, calendarios, contratos, bases de datos o aplicaciones. Tampoco conserva necesariamente memoria entre ejecuciones. Puede inferir, comparar y generar con extraordinaria competencia, pero su operación depende de lo que recibe y del entorno que lo rodea.
El modelo es una capacidad de transformación probabilística.
No es todavía un sistema operativo.
2. La interfaz conversacional
Añade una forma de interacción: historial visible, carga de archivos, instrucciones del sistema, quizás búsqueda o algunas herramientas integradas.
La interfaz permite que la relación adquiera continuidad local. Puede facilitar proyectos, conversaciones largas y reutilización de contexto. Sin embargo, muchas interfaces siguen organizadas alrededor del turno: la persona pide, el sistema responde.
Una conversación extensa puede convertirse en una unidad intelectual compleja, como ocurrió en la genealogía de este libro. Pero no toda interfaz conversacional dispone de las fuentes, el estado, la autoridad o los mecanismos de verificación necesarios para actuar sobre un proceso real.
3. El asistente conectado
El modelo puede consultar aplicaciones, recuperar documentos, leer correo, revisar calendarios, buscar en bases de conocimiento o generar artefactos en otros formatos.
Aquí aparece una diferencia importante: la IA deja de depender exclusivamente del conocimiento incorporado durante el entrenamiento y puede trabajar con información externa actualizada.
La conexión amplía el campo de operación. También amplía la superficie de error. La IA debe distinguir qué fuente es canónica, qué permiso posee, qué información está desactualizada y qué acción requiere confirmación.
Conectar no equivale a integrar.
4. El workflow automatizado
Un workflow define una secuencia relativamente estable:
entrada
→ extracción
→ transformación
→ decisión condicionada
→ acción
→ registroLa IA puede intervenir en uno o varios pasos: clasificar un documento, resumirlo, proponer una respuesta o seleccionar una ruta. El workflow aporta repetibilidad y reduce la indeterminación.
Pero un workflow no es necesariamente un agente. Puede ejecutar una secuencia prefijada sin replantear el camino ni elegir herramientas según el estado que encuentra.
5. El agente
Un agente recibe un objetivo o mandato, observa un entorno, selecciona acciones, utiliza herramientas y ajusta su trayectoria a partir de los resultados.
Una formulación mínima del ciclo sería:
observar
→ interpretar
→ elegir
→ actuar
→ comprobar
→ registrar
→ continuar o detenerseLa diferencia respecto del workflow no reside en que el agente sea «más inteligente» en abstracto. Reside en que parte de la secuencia deja de estar fijada de antemano. El modelo participa en la selección del siguiente paso.
Eso permite trabajar sobre situaciones menos estructuradas. También introduce nuevos problemas de deriva, seguridad y cierre.
6. El sistema operativo humano-IA
En el último nivel, agentes, workflows, fuentes, herramientas, memoria, permisos, personas y reglas de gobierno quedan organizados alrededor de una unidad de trabajo real.
La unidad puede ser:
- un expediente jurídico;
- una investigación;
- un proyecto editorial;
- una relación comercial;
- un proceso de soporte;
- una operación logística;
- o una organización completa.
El sistema no se define por el número de agentes. Se define por la forma en que conserva identidad, estado, autoridad, evidencia y aprendizaje.
Este es el nivel que interesa a la inteligencia simbiótica.
Qué ha cambiado técnicamente
La capacidad actual no procede de una sola mejora. Resulta de la convergencia de varias capas.
Multimodalidad
Los sistemas ya no se limitan a recibir y producir texto. Pueden interpretar imágenes, audio, vídeo, diagramas y documentos complejos, y generar algunos de esos formatos.
La multimodalidad modifica la entrada disponible. Una fotografía, una grabación, un PDF o una pantalla pueden incorporarse al campo de operación sin pasar primero por una descripción humana completa.
Eso no elimina la necesidad de interpretar. La imagen no «habla por sí sola». El sistema sigue necesitando una pregunta, un contexto, criterios y, en ámbitos sensibles, una verificación especializada.
Razonamiento y planificación
Los modelos actuales pueden sostener cadenas de decisión más largas, comparar alternativas y descomponer objetivos en pasos. En la práctica, esa capacidad se utiliza para investigación, programación, análisis documental, planificación y resolución de problemas.
Conviene evitar una disputa terminológica estéril. Puede discutirse si la palabra «razonamiento» describe correctamente el mecanismo interno. Operativamente, lo relevante es que el sistema puede producir y revisar secuencias de acciones que antes exigían una intervención humana continua.
La mejora es real. La infalibilidad no.
Herramientas
Una herramienta convierte una propuesta del modelo en una operación delimitada.
Puede:
- consultar una base de datos;
- ejecutar una búsqueda;
- calcular;
- leer o escribir un archivo;
- llamar a una API;
- enviar una solicitud;
- ejecutar código;
- actualizar un registro;
- o interactuar con una aplicación.
La herramienta no añade solo poder. Añade contacto con el estado del mundo.
Cuando el modelo pregunta a una fuente, el resultado puede corregir su conocimiento previo. Cuando ejecuta una acción, el entorno devuelve una consecuencia. El sistema deja de estar encerrado en la plausibilidad lingüística.
Sin embargo, la herramienta tampoco aporta criterio. Puede ejecutar exactamente la operación equivocada si el mandato, la selección o los permisos están mal diseñados.
Protocolos de conexión
Los protocolos estandarizados permiten que una aplicación de IA acceda a fuentes, herramientas y workflows sin construir una integración completamente distinta para cada modelo. El Model Context Protocol, por ejemplo, se presenta como un estándar abierto para conectar aplicaciones de IA con sistemas externos y separar la provisión de contexto de la interacción con el modelo.[^2]
La estandarización reduce fricción y favorece un ecosistema interoperable. También hace más urgente gobernar identidades, permisos, procedencia y confianza. Una conexión técnicamente posible no es una conexión profesionalmente legítima.
Código y entorno de ejecución
El código permite que la IA no solo describa una operación, sino que la formalice y la ejecute.
En 2026, los entornos de agentes ofrecidos por los principales proveedores ya contemplan trabajo con archivos, comandos, edición de código, ejecución prolongada y sandboxing. La arquitectura se desplaza hacia un conjunto formado por modelo, instrucciones, memoria, herramientas y entorno controlado.[^3]
Ese entorno importa tanto como el modelo. Dos agentes con la misma capacidad generativa pueden producir resultados muy diferentes si uno dispone de fuentes identificadas, herramientas fiables, límites de escritura y verificación automática, mientras el otro opera sobre un directorio abierto y una instrucción vaga.
Estado y trabajo prolongado
Los primeros prototipos de agentes podían parecer convincentes en demostraciones breves y fallar al intentar sostener una operación durante horas, días o sesiones distintas.
El problema no era solo recordar texto. Era conservar:
- qué objetivo seguía vigente;
- qué pasos se habían realizado;
- qué herramientas habían respondido;
- qué aprobaciones se habían recibido;
- qué artefactos existían;
- qué errores seguían abiertos;
- y qué estado tenía el entorno.
Las arquitecturas actuales empiezan a tratar ese problema explícitamente mediante runtimes con estado, historiales gestionados, ejecución en segundo plano y entornos persistentes. Los propios proveedores reconocen que el patrón «un prompt, una respuesta y quizá una herramienta» no describe el trabajo de producción, que se extiende por múltiples pasos, resultados, aprobaciones y estados del sistema.[^4]
El agente no es un sujeto nuevo
La palabra «agente» puede inducir a una personificación excesiva.
En ingeniería, basta con una definición operacional: un sistema que recibe un objetivo, observa un entorno, selecciona acciones y modifica su trayectoria según los resultados.
No hace falta atribuirle experiencia, voluntad o responsabilidad moral para reconocer que participa en una cadena causal. Tampoco debe negarse su capacidad de producir efectos porque su mecanismo no sea humano.
La distinción es importante en Derecho y en organización. Un agente puede actuar sin ser titular de la autoridad que legitima la acción. Puede seleccionar una operación sin asumir responsabilidad. Puede emitir una recomendación sin poseer criterio jurídico. Puede mantener continuidad técnica sin tener interés propio en el resultado.
La integración simbiótica conserva esas diferencias.
El humano no se convierte en una herramienta del agente. El agente no se convierte en una persona. La fuente no se convierte en opinión. El sistema funciona porque las funciones quedan relacionadas, no porque sus identidades se borren.
El modelo no es el sistema
El error más frecuente al evaluar IA consiste en atribuir al modelo el resultado de toda la arquitectura.
Cuando una operación funciona, solemos decir que «la IA lo ha hecho». Pero quizá el resultado dependió de:
- una instrucción cuidadosamente construida;
- un repositorio organizado;
- un conjunto de pruebas;
- un sandbox;
- un buscador;
- una base de datos;
- un humano que eligió el objetivo;
- otro que revisó la salida;
- y un workflow que registró el resultado.
Cuando falla, se comete el error inverso: se culpa al modelo sin revisar si recibió la fuente correcta, si el estado estaba actualizado o si la herramienta devolvió un error silencioso.
La unidad de evaluación debe ser el circuito completo.
Esta idea, que aparece hoy de forma explícita en la ingeniería de agentes, estaba ya implícita en la genealogía de la inteligencia simbiótica. La capacidad no residía únicamente en el modelo. Emergía del acoplamiento entre humano, conversación, memoria, lenguaje, fuentes y práctica.
La diferencia es que ahora el circuito puede diseñarse con mayor precisión.
Un bucle no basta
Podría parecer que construir un agente consiste en programar el ciclo observar-actuar y añadir herramientas.
No es suficiente.
Un agente de producción necesita al menos:
- un mandato: qué resultado persigue y con qué límites;
- una unidad: sobre qué asunto concreto opera;
- un estado: qué ha ocurrido y qué sigue abierto;
- fuentes: de dónde obtiene evidencia;
- herramientas: qué operaciones puede ejecutar;
- permisos: qué puede leer, modificar o comunicar;
- criterios de transición: cuándo pasa de un paso a otro;
- verificación: cómo distingue ejecución de resultado correcto;
- registro: qué debe quedar trazado;
- parada y rollback: cuándo debe detenerse o revertir.
Sin estas capas, el bucle solo aumenta la capacidad de continuar.
Y continuar no es lo mismo que avanzar.
La paradoja de la IA actual
La IA disponible en 2026 es, al mismo tiempo, mucho más capaz y más dependiente de arquitectura.
Cuanto más limitada era, más fácil resultaba mantenerla dentro del papel de asistente. Producía un borrador y la persona hacía el resto.
Cuando puede buscar, ejecutar, escribir, navegar y actuar, la calidad del sistema deja de depender únicamente de la respuesta y pasa a depender de la forma completa:
- qué ve;
- qué recuerda;
- qué puede hacer;
- qué considera terminado;
- quién la corrige;
- y qué ocurre cuando se equivoca.
La potencia desplaza el problema desde la generación hacia la gobernanza de la trayectoria.
Esa es la primera conclusión de esta parte.
La IA ya puede participar en procesos reales. Pero cuanto más participa, menos sentido tiene tratarla como una caja de respuestas y más necesario resulta diseñar el sistema en el que opera.
La siguiente pregunta es inmediata. Si la instrucción aislada ya no gobierna por sí sola la operación, ¿cuál es la unidad adecuada?
La respuesta empieza por el contexto.