La IA agéntica combina un modelo, herramientas y un bucle de control para trabajar hacia un objetivo en varios pasos. Puede examinar resultados y elegir otra acción; su fiabilidad depende de la implementación, los permisos y las comprobaciones.
Los agentes autónomos amplían sus capacidades llamando a herramientas externas durante la ejecución. Entre las habituales están búsqueda web, intérpretes de código, lectura y escritura de archivos, acceso al calendario y llamadas a API externas. El modelo decide cuándo usar una herramienta, qué pasarle e incorpora la salida al siguiente paso de razonamiento.
Después de cada llamada a herramienta o acción, un sistema agéntico observa lo ocurrido y se ajusta. Si una búsqueda devuelve resultados insuficientes, prueba términos distintos. Si un código generado arroja error, lee el mensaje y lo revisa. Este ciclo de acción, observación y revisión permite completar tareas complejas sin guía humana en cada paso.
El usuario aporta un objetivo de alto nivel: «resume todas las quejas de clientes del mes pasado», «reserva el vuelo más barato a Berlín antes del jueves» o «identifica qué contratos contienen cláusulas de responsabilidad no estándar». El sistema recibe el objetivo, pero no instrucciones sobre cómo lograrlo.
El modelo de lenguaje central genera un plan. Razona qué pasos son necesarios, qué herramientas hay y en qué orden proceder. Un marco común es el patrón ReAct, presentado por Yao y otros en 2022, que alterna trazas de razonamiento con acciones concretas. El modelo piensa qué debe hacer, actúa, observa el resultado, razona el siguiente paso y continúa.
El plan no es fijo. Si los primeros pasos producen resultados inesperados, el modelo revisa el enfoque en vez de seguir un script predeterminado.
La ejecución requiere llegar más allá del conocimiento interno del modelo. El sistema llama herramientas: búsqueda web para información actual, intérprete de código para cálculos, consulta de base de datos para registros estructurados o API para actuar en un sistema externo. Cada llamada es elegida por el modelo según las necesidades del paso actual.
La salida de cada herramienta se convierte en entrada del siguiente paso de razonamiento. El modelo lee lo devuelto y decide si seguir, repetir o cambiar de dirección.
Si falla una escritura de archivo, el sistema lee el error. Si una búsqueda devuelve resultados irrelevantes, reformula la consulta. Si un bloque de código produce salida incorrecta, lo depura. El ciclo continúa hasta alcanzar el objetivo o determinar que está bloqueado.