IA agéntica: definición, cómo funciona, ejemplos y límites

La IA agéntica (en inglés agentic AI, también llamada inteligencia artificial agéntica) es una IA a la que le das un objetivo en lugar de una pregunta: planifica los pasos, llama a herramientas como un CRM, un buscador o una API, revisa lo que obtiene y actúa, con una supervisión limitada. Se distingue de la IA generativa, que produce contenido para que lo uses tú, y de un chatbot, que sigue un guion. Ejemplos típicos de agentic AI son un agente de programación que abre una pull request, un agente de soporte que responde un ticket o lo escala y un agente de CRM que prepara la respuesta en una oportunidad, todos con un punto en el que una persona aprueba.

«Agéntico» viene de «agente»: alguien que actúa en nombre de otro. AWS explica que «agentic» indica agencia, «la capacidad de estos sistemas de actuar de forma independiente, pero orientada a un objetivo» (AWS). La definición breve de IBM también sirve de referencia: la IA agéntica es «un sistema de inteligencia artificial que puede cumplir un objetivo concreto con supervisión limitada» (IBM). Las dos palabras que cargan con el significado son objetivo y limitada. Alguien sigue fijando el objetivo, y alguien sigue decidiendo cuánto puede hacer el sistema sin preguntar.

Transparencia: esta guía la publica Customermates, un CRM de código abierto. Responde a la pregunta general. Cómo trabajar con agentes sobre los registros de un CRM se explica en la guía del CRM agéntico y los agentes específicos de ventas, en la guía del agente de ventas con IA; más abajo, una sección breve describe nuestro propio producto.

¿Qué es la IA agéntica?

La IA agéntica es una IA que actúa hacia un objetivo en lugar de limitarse a responder. El modelo es el mismo tipo de modelo de lenguaje que hay detrás de un chatbot, pero está conectado a herramientas y puede decidir el siguiente paso. Google Cloud la describe como una IA que «puede fijar objetivos, planificar y ejecutar tareas con una intervención humana mínima», a diferencia de la «IA tradicional, que sobre todo responde a comandos o analiza datos».

Las fuentes principales definen la IA agéntica con palabras algo distintas, y las diferencias muestran qué le importa a cada una.

El núcleo común es un objetivo, herramientas y cierta libertad para llegar a él. El desacuerdo está en cuánta libertad. El propio artículo de MIT Sloan señala que no existe una definición única y aceptada por todos.

¿Qué diferencia hay entre la IA generativa y la IA agéntica?

La IA generativa produce contenido: texto, imágenes, código, un resumen. Lo lees y decides tú qué hacer con él. La IA agéntica usa un modelo de lenguaje como lo que Google Cloud llama un «cerebro» que realiza acciones a través de herramientas. El ejemplo de Google: la IA generativa podría crear materiales de marketing, mientras que la IA agéntica podría después publicarlos, medir su rendimiento y ajustar la estrategia según los resultados.

Las dos últimas filas son la diferencia práctica. Una alucinación en un borrador te cuesta una edición. La misma alucinación dentro de un agente se convierte en un registro modificado o en un correo enviado. Por eso los agentes necesitan permisos y reglas de aprobación que un generador de texto nunca necesitó.

¿Qué diferencia hay entre un chatbot, un asistente, un flujo de trabajo y un agente?

Estas cuatro palabras se usan a menudo para el mismo producto, pero describen distintos grados de control. Google Cloud separa bots, asistentes y agentes: los bots son los menos autónomos y suelen seguir reglas preprogramadas, los asistentes responden a peticiones y «pueden recomendar acciones, pero la decisión la toma el usuario», y los agentes son los más autónomos, capaces de «operar y tomar decisiones de forma independiente para lograr un objetivo». Anthropic añade el cuarto: un flujo de trabajo es un sistema en el que los LLM y las herramientas se «orquestan mediante rutas de código predefinidas», mientras que en un agente el modelo dirige su propio proceso.

¿ChatGPT es una IA agéntica? En un chat normal se comporta como un asistente: responde y tú actúas. Funciona de forma agéntica cuando puede usar herramientas para actuar por ti, por ejemplo en el modo agente de ChatGPT, o cuando está conectado a un software de empresa mediante MCP y puede leer datos allí y, según el plan de ChatGPT, modificarlos. La etiqueta pertenece a la configuración, no al nombre del producto.

¿Cómo funciona un sistema de IA agéntica?

Un sistema de IA agéntica es un modelo de lenguaje con cuatro elementos a su alrededor: un objetivo, las herramientas a las que puede llamar, los permisos con los que se ejecutan esas herramientas y un bucle con una regla de parada. Todo sistema de este tipo ejecuta una versión del mismo ciclo:

1. Objetivo. Una persona, una programación o un evento le entrega al agente un objetivo, como «prepara una respuesta a este correo» o «corrige la prueba que falla».
2. Plan. Un modelo de lenguaje divide el objetivo en pasos y elige el primero.
3. Acción. El agente llama a una herramienta: una búsqueda, una consulta a una base de datos, una llamada a una API, la edición de un archivo.
4. Observación. Lee el resultado y lo compara con el objetivo.
5. Seguir o parar. Da el siguiente paso, le pregunta a una persona o termina cuando se cumple el objetivo o se alcanza un límite.

IBM describe el mismo ciclo en siete etapas: percepción, razonamiento, definición de objetivos, toma de decisiones, ejecución, aprendizaje y adaptación, y orquestación. Lo que marca el alcance de un agente son sus herramientas: un modelo sin acceso a herramientas puede describir una acción, pero no puede realizarla. Por eso el Model Context Protocol, en palabras de quienes lo mantienen «un estándar de código abierto para conectar aplicaciones de IA con sistemas externos», está en el centro de tantas configuraciones de agentes. La guía del servidor MCP explica cómo funciona y qué revisar antes de conectar uno.

¿Qué ventajas tiene la IA agéntica?

La ventaja de un agente frente a un flujo de trabajo fijo o a un asistente es que se ocupa de las partes del trabajo que cambian cada vez. En la práctica, las ventajas se reducen a cuatro:

• Trabaja con entradas variables. Un correo en texto libre, unas notas desordenadas o una pregunta que requiere varias consultas no encajan en una regla fija; un agente puede leerlos y decidir el paso siguiente.
• Ejecuta el ciclo completo, no solo el borrador. Un asistente responde y tú actúas; un agente lee, consulta, cambia lo que le permites cambiar y te entrega un informe de lo que hizo.
• Funciona sin que lo lances a mano. Puede arrancar con un evento, como un correo nuevo, o con una programación, así que la tarea repetitiva se hace aunque nadie se acuerde de ella.
• Se adapta a lo que encuentra. Como compara el resultado de cada paso con el objetivo, puede cambiar de plan; un flujo de trabajo fijo se detiene ante una entrada que no previó.

Las ventajas dependen de las salvaguardas: un agente sin herramientas acotadas, sin permisos limitados y sin un punto de aprobación cambia el ahorro de tiempo por errores encadenados (los límites están más abajo). Y cuando los pasos nunca cambian, una regla fija sigue siendo la opción más barata.

¿Cuáles son los ejemplos y las aplicaciones de la IA agéntica?

La forma útil de leer los ejemplos es por tarea y no por marca: qué hace el agente, qué herramientas necesita, dónde tiene que aprobar una persona y qué puede salir mal. La tabla siguiente cubre soporte, operaciones, finanzas y desarrollo de software; las ventas y el trabajo de CRM tienen su propia sección más abajo. Las filas son patrones, no productos.

Ejemplos de IA agéntica por función de negocio

Los proveedores describen las mismas tareas. La explicación de Salesforce recorre un agente de servicio que comprueba el estado de la garantía, busca en la base de conocimientos, envía una etiqueta de devolución y actualiza el CRM, y un agente de salud de cuentas que envía por correo la guía adecuada y programa una tarea de seguimiento para el responsable de la cuenta. AWS enumera investigación y desarrollo, transformación de código, automatización de la respuesta a incidentes y automatización del servicio al cliente. Google Cloud añade servicios financieros (detección de fraude, evaluación de riesgos) y desarrollo de software. Anthropic considera que el soporte al cliente encaja de forma natural porque el soporte «sigue naturalmente un flujo de conversación y a la vez requiere acceso a información y acciones externas».

Lee las dos últimas columnas de la tabla antes que las primeras. Cuanto más reversible es la acción, menos aprobación necesita; los pagos, los reembolsos, las reversiones y todo lo que se envía a un cliente deberían pasar siempre por una persona.

Productos que sus proveedores llaman agentes

Cada producto de abajo lo llama agente su propio proveedor, y las columnas centrales siguen la documentación de ese proveedor.

La guía de Salesforce Agentforce cubre con más detalle las funciones, los precios y la configuración de ese producto.

¿Cuáles son los tipos de IA agéntica?

Mucha gente busca «los cuatro tipos de IA agéntica». Las fuentes revisadas aquí no definen exactamente cuatro. La guía de agentes de Google Cloud clasifica los agentes de dos maneras: por interacción (compañeros interactivos que responden a la consulta de un usuario y agentes en segundo plano, que «generalmente se activan por eventos») y por número (un solo agente o un sistema multiagente). AWS divide además los sistemas multiagente en horizontales, cuyos agentes trabajan lado a lado, y verticales, organizados en jerarquía. Cruzar la interacción con el número da cuatro combinaciones; esa cuadrícula es una lectura mía, no un estándar.

Una segunda forma de clasificar es según quién controla el camino. La guía de ingeniería de Anthropic separa los flujos de trabajo de los agentes y nombra cinco patrones de flujo de trabajo. Su consejo es directo: buscar la solución más simple que funcione, lo que «podría significar no construir sistemas agénticos en absoluto». Estoy de acuerdo. La mayoría de las tareas de negocio que se llaman «agentes» se resuelven mejor como flujos de trabajo con uno o dos pasos de IA.

IA agéntica frente a agentes de IA. Google Cloud llama a los agentes de IA «los bloques de construcción de la IA agéntica»: un agente se centra en una tarea concreta y la IA agéntica coordina a varios agentes en un flujo de trabajo complejo. En el uso cotidiano los términos son intercambiables.

¿Cómo se usa la IA agéntica en ventas y en el trabajo de CRM?

El trabajo de CRM es adecuado para agentes: el contexto está en un solo lugar (contactos, oportunidades, notas, historial de conversaciones), las mismas tareas se repiten todos los días y la mayoría de los cambios se pueden corregir. La tabla enumera las tareas que aparecen primero. Son patrones, no productos, y todas las filas terminan en una persona.

Dónde se responden las preguntas más concretas

Esta página responde a la pregunta general. Dos guías vecinas se ocupan de las más concretas, así que no se repiten aquí.

Qué hace Customermates aquí

Esto es información del proveedor sobre nuestro propio producto. Customermates es un CRM de código abierto y nativo de IA. Su servidor MCP permite que un cliente de IA como Claude o ChatGPT lea y escriba registros del CRM con los permisos del usuario conectado, en todos los planes y también autoalojado; el servidor pide a los clientes que confirmen antes de borrar o enviar, pero es una indicación que un cliente puede ignorar. Customermates Cloud añade Mate, un asistente, y las rutinas, que ejecutan Mate según una programación o cuando algo cambia. Mate pregunta antes de eliminar, importar, cambiar accesos y algunas otras acciones, pero no antes de enviar un correo o un mensaje de chat, así que pide un borrador cuando quieras revisar antes la redacción; la documentación de Mate incluye la lista completa. Que Mate esté activo depende del entorno alojado.

No es la opción adecuada si quieres un agente que prospecte y envíe por su cuenta: no hay secuencias, ni envíos masivos, ni puntuación de leads, y la guía del agente de ventas con IA trata en cambio los agentes de prospección dedicados. Una instalación autoalojada tiene MCP, pero ni Mate ni rutinas. Para ver el seguimiento de tus propias conversaciones, empieza la prueba de 14 días: Pro, sin tarjeta de crédito. Si estás eligiendo un CRM preparado para la IA, la guía del CRM con IA enumera qué comparar.

¿Cómo es una ejecución de un agente? Un ejemplo práctico

Imagina una pequeña consultora en la que un cliente escribe: «¿Podemos pasar la reunión de arranque al jueves? ¿Y la formación está incluida en el precio?». Un agente configurado para preparar respuestas trata el correo en siete pasos. El caso es ilustrativo, no una historia de un cliente real.

La instrucción detrás de la ejecución es corta, y cada línea limita lo que puede hacer el agente:

Objetivo: preparar una respuesta al correo nuevo. No la envíes.
Lee: el contacto del remitente, la oportunidad abierta vinculada y el hilo.
Escribe: tres líneas en las notas de la oportunidad (qué quiere el
remitente, cualquier fecha o importe, la pregunta pendiente) y un
borrador de respuesta en el hilo.
Nunca: enviar un mensaje, cambiar la etapa o el valor de la
oportunidad, tocar otras oportunidades.
Parada: si el remitente no tiene una oportunidad abierta, no hagas
nada y dilo.
Informe: qué leíste, qué cambiaste y de qué no estás seguro.

Tres detalles hacen el trabajo. Leer y escribir están separados, así que el agente puede mirar todo lo que necesita y cambiar solo notas y borradores. La regla de parada cubre el caso que nadie planificó. Y el punto de aprobación es el botón de enviar, que sigue en manos de una persona. En Customermates esta ejecución es una rutina; la documentación de rutinas enumera lo que una rutina puede hacer sin aprobación y la guía del CRM agéntico explica dónde preguntan Mate y MCP y dónde no.

¿Cuáles son los límites y los riesgos de la IA agéntica, y qué controles funcionan?

OWASP incluye el «Excessive Agency» (exceso de agencia) en su Top 10 para aplicaciones LLM (LLM06:2025) y lo define como la vulnerabilidad que permite acciones dañinas en respuesta a «salidas inesperadas, ambiguas o manipuladas de un LLM». El detonante puede ser una alucinación, una inyección de prompt escondida en contenido que el agente lee o una herramienta comprometida. OWASP señala tres causas de fondo, y cada una tiene un control directo:

El propio consejo de OWASP para la tercera fila es usar el control con una persona en el circuito «para exigir que una persona apruebe las acciones de alto impacto antes de ejecutarlas». Anthropic dice lo mismo sobre los agentes de programación: las pruebas automáticas verifican la funcionalidad, pero «la revisión humana sigue siendo crucial para asegurar que las soluciones se ajustan a los requisitos más amplios del sistema».

Tres límites más aparecen en la práctica:

• Los errores se encadenan. Si el primer paso interpreta mal un correo, todos los pasos siguientes se apoyan en ese error.
• El coste crece con cada paso, por eso existen los límites por ejecución.
• El resultado sigue necesitando revisión. La documentación de GitHub sobre su agente de Copilot en la nube dice que «puede producir código incorrecto o subóptimo» y que el resultado debe revisarse y probarse antes de usarlo en producción. Lo mismo vale para los borradores y los cambios de registros de cualquier agente.

Una prueba rápida para cualquier producto que se venda como agente: ¿a qué herramientas puede llamar, con los permisos de quién y qué hace sin preguntar?

¿Cómo le doy a un agente su primer trabajo?

1. Elige una tarea con un final claro

   Una buena primera tarea termina en una sola ejecución y tiene un «listo» evidente: una ficha para una reunión, un borrador de respuesta, un registro puesto al día. Evita objetivos abiertos como «hacer crecer el pipeline».

2. Empieza con borradores y un rol acotado

   Deja que el agente prepare y que una persona decida, y ejecútalo como un usuario cuyo rol cubra la tarea. Permite acciones directas solo en los pasos que son baratos de deshacer.

3. Escribe la regla de parada

   Di qué pasa cuando un caso no encaja: «Si ocurre X, no hagas nada». Los casos que la instrucción no previó son donde los agentes improvisan.

4. Lee cada ejecución al principio

   Revisa el registro de cada una de las primeras ejecuciones. Amplía lo que el agente puede hacer una acción cada vez.

Anota las respuestas en una ficha de una página. La columna de la derecha la rellena para el agente de preparación de respuestas del ejemplo anterior.

¿Cuándo es la IA agéntica la herramienta equivocada?

Si los pasos nunca cambian, una regla fija es más barata y más predecible que un agente. «Cuando una oportunidad pasa a Ganada, crear una tarea de incorporación» necesita un webhook y una automatización de flujos de trabajo, no un modelo de lenguaje. Los agentes compensan su coste donde la entrada varía: correos de texto libre, notas desordenadas, preguntas que requieren varias consultas. Son la opción equivocada cuando una acción errónea no se puede deshacer y nadie puede revisarla a tiempo, siendo los pagos el caso más claro.

IA agéntica y protección de datos

Los agentes leen datos personales: nombres, direcciones de correo, el contenido de las conversaciones. Según el RGPD, un proveedor que trata esos datos por cuenta tuya es un encargado del tratamiento y necesita un contrato de encargo del tratamiento, y los proveedores de IA en los que se apoya son sus subencargados. Para Mate en Customermates Cloud, los proveedores de modelos figuran en la lista de subencargados. Si quieres elegir tú el proveedor, conecta tu propio cliente de IA mediante MCP o autoaloja el núcleo de código abierto para que los datos del CRM se queden en tus propios servidores. En España, la autoridad que supervisa el RGPD es la Agencia Española de Protección de Datos (AEPD), y en los países de Latinoamérica rigen leyes propias de protección de datos; consulta los criterios actuales de la autoridad de tu país sobre IA y datos personales. Esta guía no es asesoramiento jurídico.

Preguntas frecuentes

Definiciones, descripciones de producto y citas de terceros comprobadas el 11 de noviembre de 2026 en IBM, AWS, Google Cloud (IA agéntica), Google Cloud (agentes de IA), MIT Sloan, Salesforce, Anthropic, OWASP, la documentación de MCP, la documentación de Claude Code y GitHub Docs.