La nueva revolución industrial: la aplicación de la Inteligencia artificial autónoma (Agentic AI) y su colaboración con las personas
- SumoPPM
- 29 may
- 10 Min. de lectura
Actualizado: 2 jun
La Agentic AI o IA autónoma (agéntica) está transformando ampliamente el paradigma de la inteligencia artificial, superando las capacidades de la inteligencia artificial generativa tradicional. Mientras que la IA generativa se limita a producir contenido basado en patrones preestablecidos y preguntas concretas, la Agentic AI, gracias a su capacidad para “razonar” teniendo en cuanta el contexto, va aprendiendo según se ejecutan las tareas y actuando según la necesidad que surge. Lo que le permite tomar decisiones autónomas y avisar al usuario cuando cree que debe sugerir un cambio o toma de decisión respecto a alguna tarea asignada (Floridi 2025). Esto supone una gran ventaja frente a la IA generativa tradicional y a otros tipos de tecnologías, ya que permite automatizar tareas repetitivas y complejas, liberando tiempo al trabajador humano contribuyendo a mejorar su productividad y dependiendo menos de la supervisión humana en su uso.
Con este cambio de capacidades de la IA, pasamos de tener lo que podríamos llamar “un asesor” que responde a tus preguntas -IA generativa- a un equipo de expertos que te resuelven un problema o se encarga de un proceso compuesto de varias tareas -los sistemas de agentes de IA-. Los sistemas creados con varios agentes de IA, en un marco colaborativo para resolver cuestiones que implican varias tareas de diferentes ámbitos, son útiles porque pueden ejecutarlas de manera efectiva compartiendo información y desarrollando cada agente la tarea en la que cada uno es experto para lograr un resultado común (Gridach 2025).
A nivel técnico, la evolución desde la IA generativa hacia sistemas de agentes de IA supone, también, un salto cualitativo en la arquitectura informática. Mientras que herramientas como ChatGPT proceden mediante respuestas a prompts (instrucciones), los agentes de IA combinan “percepción” contextual, análisis predictivo y ejecución reiterada de acciones (Gridach 2025; Mukherjee 2025).
Definición y características principales de la Agentic AI
La IA agéntica tiene autonomía para la consecución de objetivos a largo plazo, al organizar procesos multitarea que se adaptan a condiciones imprevistas – gracias a la combinación de percepción ambiental y razonamiento contextualizado- e idear soluciones novedosas. Esto supone un gran cambio en la forma en que los sistemas digitales interactúan con la sociedad (Mukherjee 2025). En contraposición con los modelos generativos tradicionales, estos sistemas de agentes autónomos tienen cuatro atributos fundamentales:
Razonamiento basado en objetivos: Capacidad para descomponer objetivos complejos en una secuencia de tareas, gracias al uso de LLMs (Large Language Models) como columna vertebral del sistema, que facilitan esta segmentación de metas en otras más pequeñas que se asignan a distintos agentes (Ghose 2024).
Aprendizaje por ensayo y error: Mecanismos de retroalimentación en tiempo real que permiten ajustar estrategias basadas en cambios ambientales, utilizando técnicas como la metacognición[1] y la optimización bayesiana[2], así como mediante técnicas como el Reinforcement Learning from Human Feedback (RLHF). Con esta última, el sistema aprende gracias a la retroalimentación que le da el usuario humano al usar y o supervisar el sistema (Gridach 2025; Mukherjee 2025).
Colaboración multiagente: se emplean varios agentes especializados para ocuparse de cada tarea de la secuencia de pasos, emulando estructuras organizativas humanas, que facilitan la resolución cooperativa de problemas o de procesos que requieren de distintas fases (Ghose 2024) (Gridach 2025).
Conciencia metacognitiva[3]: Habilidad para monitorear y evaluar críticamente su propio desempeño mediante módulos de autorreflexión algorítmica[4] (Miehling 2025).
El “grado de inteligencia” alcanzado por estos sistemas multiagentes o por agentes dirigidos por sus propios modelos de LLM (LM-based agent), consigue acercarse mucho más a varias de las características que consideramos fundamentales en la inteligencia humana cuando se combinan: autonomía, capacidad de aprendizaje, memoria, comprensión, planificación y capacidad para la toma de decisiones y para ejecutar las acciones necesarias.
Marco arquitectónico de la Agentic AI
La estructura operativa de estos sistemas se organiza en cuatro módulos interconectados:
Percepción contextual:
Combina datos diversos mediante APIs especializadas, datos estructurados (sensores IoT, bases de datos) con aportaciones de informaciones sin estructurar (lenguaje natural, imágenes satelitales) (Floridi 2025; PwC 2024). Los modelos transformer de última generación permiten obtener patrones subyacentes gracias a “mecanismos de atención” (MFAIA 2023; PwC 2024). Se trata de una técnica que optimiza la capacidad de los modelos de inteligencia artificial para centrarse en la información realmente relevante y discriminar las distracciones del contexto.
Razonamiento dinámico:
Se utilizan LLMs (Large Language Models) que tienen capacidad para desarrollar secuencias de pensamiento compuestas por varios pasos. Por ejemplo, un agente de IA académico, al detectar una solicitud de investigación, podría generar una hipótesis, identificar lagunas en la literatura sobre la materia y planificar experimentos virtuales (Ghose 2024; Gridach 2025).
Se utilizan secuencias de pasos que combinan redes neuronales profundas[5] con lógica simbólica para descomponer problemas complejos en subtareas secuenciales y poder resolverlas gradualmente para alcanzar el objetivo final (MFAIA 2023). Los marcos como Neuro-Symbolic permiten la integración del aprendizaje profundo con la capacidad de interpretación, superando las limitaciones de los enfoques puramente estadísticos, lo que mejora la toma de decisiones de la IA y sus procesos (Rodríguez 2021).
Ejecución autónoma:
Los actores digitales (robots de software, interfaces API) traducen las decisiones algorítmicas en acciones concretas. Sistemas como el "Operador" de OpenAI demuestran capacidades emergentes para gestionar flujos de trabajo complejos que abarcan múltiples plataformas (Redacción del Laboratorio de periodismo de la Fundación Luca de Tena 2024).
Aprendizaje continuo:
Se pueden utilizar mecanismos de aprendizaje como el Reinforcement Learning from Human Feedback (RLHF) (Gridach 2025; Mukherjee 2025). Es decir, el sistema aprende gracias a la retroalimentación que le da el usuario humano, pero sin requerir la supervisión humana continua. Un ejemplo, en el sector financiero, serían los sistemas de Agentic AI que optimizan las carteras de inversión evaluando resultados pasados y preferencias de riesgo actualizadas.
Aplicaciones transformadoras de la Agentic AI en múltiples campos
La investigación científica:
En el ámbito académico se están empleando sistemas multiagentes para que colaboren y aumenten la capacidad de los investigadores humanos (Gridach 2025).
Una de las tareas en la que pueden resultar útiles, es la revisión bibliográfica automatizada, aunque aún puede mejorarse. Sí que resulta fundamental para resumir la bibliografía e identificar tendencias en la investigación de un determinado campo científico.
Proponer hipótesis novedosas utilizando mapas conceptuales generativos[6].
Identificar brechas de conocimiento/investigación en un determinado campo.
Optimización de servicios educativos:
Las instituciones universitarias están implementando ecosistemas multiagentes para:
Personalizar rutas formativas mediante el análisis predictivo de competencias.
Automatizar procesos administrativos complejos (por ej. matrículas, convalidaciones).
Generar contenido pedagógico adaptativo los usuarios utilizando un enfoque conversacional.
Transformación de la atención al cliente:
Los sistemas de agentes de IA están rediseñando la relación comercial gracias a:
La resolución autónoma de gran parte de las incidencias sin necesidad de escalarlas a trabajadores humanos.
La anticipación de necesidades mediante análisis del sentimiento del cliente en tiempo real.
La integración multicanal unificada (por ej. email, redes sociales, CRM) (PwC 2024).
Las empresas pueden ahorrar costes operativos al combinar microagentes especializados para resolver preguntas frecuentes, tramitar las devoluciones y fidelizar clientes, etc.
Optimización de la logística y gestión de inventarios:
En logística, los sistemas de IA ajustan rutas de entrega en tiempo real ante problemas como el tráfico o el clima, asegurando entregas rápidas y reduciendo costes. También predicen cambios en la demanda y automatizan pedidos de inventario para evitar desabastecimiento o exceso, gracias al análisis de tendencias de compra y eventos estacionales.
Coordinación de reuniones y gestión de agendas:
Los agentes de IA mejoran la organización de reuniones al coordinar agendas, reservar horarios convenientes y enviar recordatorios. Durante las reuniones, transcriben conversaciones, resaltan puntos clave y generan resúmenes. Además, asignan tareas que se han decidido en la reunión, monitorean su progreso y notifican retrasos pertinentes, mejorando la eficiencia, especialmente en equipos internacionales.
Personalización de experiencias en el comercio al por menor y entretenimiento:
Los sistemas de Agentic AI en el sector minorista analizan datos de los clientes, como preferencias y comportamientos de compra, para personalizar recomendaciones y campañas de marketing. Empresas como Coca-Cola y Netflix usan esta tecnología para adaptar sus productos y contenido a las necesidades de los consumidores. En tiendas físicas, la IA guía a los compradores mediante la realidad aumentada en las APPs que ven en sus móviles, mostrando ofertas y detalles de productos según su ubicación.
Estos son sólo algunos ejemplos de las múltiples aplicaciones de los sistemas de agentes de IA. La versatilidad de los sistemas de Agentic AI les permite integrarse en contextos tan diversos como la salud, las finanzas, la logística o el entretenimiento, entre otros. Al automatizar tareas cotidianas, mejorar procesos importantes y ofrecer sugerencias para llevar a cabo acciones, estos sistemas no sólo incrementan la eficiencia operativa, sino que también hacen posible nuevos modelos de negocio al tiempo que mejoran la experiencia de los usuarios finales.
Desafíos éticos y marco regulatorio emergente
Dilemas de atribución de responsabilidad en el uso de la Agentic Artificial Intelligence:
Al ser una tecnología no sólo nueva, sino en constante desarrollo, la IA autónoma necesita aún de marcos regulatorios específicos. La autonomía operativa de la Agentic AI plantea dilemas éticos en torno a la responsabilidad jurídica y la transparencia algorítmica, ya que la responsabilidad se diluye entre desarrolladores, usuarios finales y los propios sistemas (Floridi 2025).
La Ley de Inteligencia Artificial de la UE de 2024 exige que los sistemas de alto riesgo —como aquellos empleados en banca o medicina— incluyan mecanismos de explicación de la Inteligencia Artificial (XAI o Inteligencia Artificial Explicable) y supervisión humana (Alexander Thamm 2025). Tecnologías como los gemelos digitales (digital twins) permiten auditorías continuas, replicando escenarios operativos para identificar sesgos o fallos potenciales. Los gemelos digitales en IA son réplicas virtuales de objetos, sistemas o procesos reales que emplean datos en tiempo real, aprendizaje automático y razonamiento para reflejar y analizar con precisión a sus homólogos físicos. Reúnen, procesan y almacenan constantemente datos operativos detallados, facilitando un registro transparente y rastreable del comportamiento y los cambios del sistema a lo largo del tiempo.
Sin embargo, persisten desafíos en ámbitos como la propiedad intelectual. Cuando un agente de IA genera patentes o contenidos creativos, surgen interrogantes sobre la titularidad de derechos. No obstante lo cual, usualmente, a nivel europeo, suele considerarse en la mayor parte de los casos que la propiedad es del usuario de la herramienta de IA (European Innovation Council and SMEs Executive Agency 2024).
Estrategias de Implementación Responsable:
El reciente marco AAIO (Agentic AI Optimization) plantea la necesidad de desarrollar (Floridi 2025):
Normas para la gobernanza de la IA autónoma, asegurar la interoperabilidad entre las plataformas digitales.
Instaurar mecanismos de supervisión y de transparencia de las interacciones digitales.
Sistemas de algoritmos que puedan ser auditables públicamente, junto con los parámetros establecidos para la toma decisiones y así puedan ser transparentes, aportando confiabilidad a los usuarios (Floridi 2025; Mukherjee 2025).
La colaboración interdisciplinar entre ingenieros, programadores, filósofos y legisladores se perfila como requisito indispensable para navegar esta nueva frontera tecnológica (Floridi 2025).
Conclusión
La evolución de la IA agentica está redefiniendo radicalmente los paradigmas de automatización, planteando oportunidades sin precedentes y desafíos complejos. Mientras los avances técnicos en razonamiento autónomo y colaboración multiagente prometen revolucionar sectores clave, la comunidad académica y sus desarrolladores deben tener un enfoque crítico y proactivo en la gobernanza ética de estos sistemas. Los marcos teóricos emergentes y las propuestas regulatorias constituyen un primer paso hacia el uso responsable de esta tecnología transformadora.
Por otro lado, hay que tener en cuenta que los resultados y la eficacia del sistema de agentes de IA (Agentic AI) depende siempre de varios factores: la calidad de los datos utilizados, la arquitectura del sistema, la estructuración del contenido digital e información con la que interactúan, así como el refuerzo mutuo que provee el usuario humano con el uso continuo y la supervisión de los datos y resultados para afinar la calidad. Es decir, el usuario y el programador humano siguen teniendo una función en esta cadena de producción y de conocimiento, que no puede soslayarse, ya que la efectividad de los agentes también depende de las pautas que se les dé, la pertinencia de las indicaciones y la calidad de los datos que se les suministre, los cuales serán responsabilidad de los usuarios y programadores humanos. Así podremos asegurarnos de que la colaboración IA-humanos alcanza buenos resultados.
Notas
[1] La metacognición en IA es la capacidad de los sistemas de IA para “reflexionar, supervisar y ajustar sus modelos de aprendizaje” (Wei 2024).
[2] La optimización bayesiana es una técnica que ayuda a encontrar la mejor solución a un problema sin necesidad de probar cada opción. Es especialmente útil para ajustar los parámetros de modelos de inteligencia artificial, ahorrando tiempo y recursos (Amat Rodrigo 2020).
[3] Véase nota 1.
[4] Son partes de software que permiten a un sistema de IA analizar y ajustar sus propios procesos automáticamente.
[5] Las redes neuronales profundas son sistemas que imitan cómo trabaja el cerebro humano, usando muchas capas conectadas para procesar información paso a paso (UNIE Universidad 2024).
[6] Representaciones visuales de conceptos y sus interrelaciones producidas por la inteligencia artificial.
Bibliografía
Alexander Thamm. 2025. "The State of AI 2025. Agentic AI and Beyond." alexanderthamm.com. Consultado mayo 2025. https://www.alexanderthamm.com/en/blog/the-state-of-ai-2025/.
Amat Rodrigo, Joaquín. 2020. "Optimización bayesiana de hiperparámetros." CIENCIADEDATOS.NET. abril. Consultado mayo 22, 2025. https://cienciadedatos.net/documentos/62_optimizacion_bayesiana_hiperparametros#:~:text=Con%20esta%20estrategia%2C%20se%20consigue,eligiendo%20%C3%BAnicamente%20los%20mejores%20candidatos.
European Innovation Council and SMEs Executive Agency. 2024. "European Comission." European Comission Intellectual Property Helpdesk . Julio 2024. Consultado mayo 25, 2025. https://intellectual-property-helpdesk.ec.europa.eu/news-events/news/artificial-intelligence-and-copyright-use-generative-ai-tools-develop-new-content-2024-07-16-0_en.
Floridi, Luciano, Buttaboni, Carlotta, Hine, Emmie, Morley, Jessica, Novelli, Claudio y Schroder, Tyler. 2025. "Agentic AI Optimisation (AAIO): what it is, how it works, why it matters, and how to deal with it." Arxiv 1-15. https://arxiv.org/abs/2504.12482.
Ghose, Shomit Ghose. 2024. "The Next “Next Big Thing”: Agentic AI’s Opportunities and Risks." UC Berkeley Stuardja Center for Entrepeneurship & Technology. Editador por Berkeley. Diciembre 19. Consultado mayo 22, 2025. https://scet.berkeley.edu/the-next-next-big-thing-agentic-ais-opportunities-and-risks/.
Gridach, Mourad, Nanavati, Jay, Zine El Abidine, Khaldoun, Mendes, Lenon y Mack,Christina. 2025. "Agentic AI for Scientific Discovery: A Survey of Progress, Challenges, and Future Directions." Arxiv 1-14. chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://arxiv.org/pdf/2503.08979 .
MFAIA. 2023. "Universidad Politécnica de Madrid." Máster en fundamentos y aplicaciones de la Inteligencia Artificial. Mayo 13. Consultado mayo 27, 2025. https://mfaia.dia.fi.upm.es/aprendizaje-automatico-la-magia-detras-de-la-inteligencia-artificial/.
Miehling, Erik, Ramamurthy, Karthikeyan, Varshney, Karthikeyan, Riemer, Matthew, Bouneffouf, Djallel, Richards, John T., Dhurandhar, Amit, Daly, Elizabeth, Hind, Michael, Sattigeri, Prasanna, Dennis, Ambrish Rawat, Wei, Gajcin, Jasmina y Geyer, Werner. 2025. "Agentic AI Needs a Systems Theory." Editado por IBM Research. ARXIV.org 1-15. Consultado mayo 2025. chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://arxiv.org/pdf/2503.00237.
Mukherjee, Anirban y Chang, Hannah. 2025. " Agentic AI: Autonomy, Accountability, and the Algorithmic Society ." SSRN 1-28. Consultado mayo 2025. https://ssrn.com/abstract=5123621 or http://dx.doi.org/10.2139/ssrn.5123621.
PwC . 2024. "Agentic AI – the new frontier in GenAI." PwC . Octubre 27. Consultado mayo 2025. https://www.pwc.com/m1/en/publications/agentic-ai-the-new-frontier-in-genai.html.
Redacción del Laboratorio de periodismo de la Fundación Luca de Tena. 2024. "Laboratorio de periodismo Fundación Luca de Tena." laboratoriodeperiodismo.org. Noviembre 19. Consultado mayo 27, 2025. https://laboratoriodeperiodismo.org/openai-anuncia-operator-el-asistente-de-inteligencia-artificial-que-busca-transformar-la-interaccion-tecnologica/.
Rodríguez, Samuel. 2021. "Big Data Magazine." Noviembre 19. Consultado mayo 27, 2025. https://bigdatamagazine.es/que-es-la-inteligencia-artificial-neurosimbolica/.
UNIE Universidad. 2024. "UNIE Universidad." Universidad UNIE. Julio 9. Consultado mayo 2025. https://www.universidadunie.com/blog/que-son-redes-neuronales.
Wei, Hua, Shakarian, Paulo, Lebiere, Christian, Draper, Bruce, Krishnaswamy, Nikhil y Nirenburg, Sergei. 2024. "Metacognitive AI: Framework and the Case for a Neurosymbolic Approach." arXiv s. p. Consultado mayo 22, 2025. https://arxiv.org/abs/2406.12147.
Comentários