Fernando Santamaría González · IAforTeachers.com · Mayo 2026

Hay una escena que se repite con perturbadora regularidad en los congresos sobre tecnología educativa. Alguien sube al estrado y anuncia, con entusiasmo genuino, que su institución ha implementado un «agente de inteligencia artificial agéntica» para mejorar la experiencia del estudiante. El público asiente. Nadie pregunta. Y en la sala, diseminada entre el entusiasmo colectivo, flota una pregunta que nadie se atreve a formular en voz alta: ¿sabemos, realmente, de qué estamos hablando?

No es una acusación. Es una observación sobre el estado del lenguaje cuando la tecnología avanza más deprisa que los conceptos que la nombran. Los términos agente de IA e inteligencia artificial agéntica han colonizado el discurso educativo, empresarial y mediático con una velocidad que no ha dejado tiempo para detenerse a pensar qué significan, en qué se parecen y, sobre todo, en qué son radicalmente distintos. Aunque suenan similar y se usan con frecuencia de manera intercambiable, representan enfoques fundamentalmente diferentes. Esta confusión, lejos de ser un problema semántico menor, tiene consecuencias prácticas muy reales cuando se trata de tomar decisiones pedagógicas, institucionales o de gobernanza.

Nuestra propuesta para este recorrido es clara. Vamos desde la genealogía del concepto hasta sus manifestaciones más contemporáneas: qué es un agente de IA, qué es la IA agéntica, cómo se relacionan y, sobre todo, por qué la distinción entre ambos no es un lujo académico sino una herramienta de comprensión que cualquier persona que trabaje con tecnología necesita.

El vocabulario que nos traiciona

Antes de intentar definir, conviene entender por qué existe la confusión. El término agente tiene una historia larga y respetable en las ciencias de la computación. No es una invención reciente del discurso comercial, aunque a veces lo parezca. La noción de agencia, del latín agere (actuar, hacer), refiere filosóficamente a la capacidad de una entidad para actuar en un entorno. Fue adoptada por la inteligencia artificial clásica con precisión considerable, y durante décadas designó sistemas bien definidos con comportamientos explícitamente programados.

El problema empieza cuando ese mismo término se aplica, sin matices, a sistemas que funcionan de manera radicalmente diferente. Hoy llamamos agente tanto a un chatbot con unas pocas reglas de respuesta como a un sistema multiagente capaz de descomponer objetivos complejos, orquestar herramientas externas, mantener memoria entre sesiones y tomar decisiones secuenciales sin intervención humana constante. La palabra es la misma. Las realidades que nombra no tienen casi nada en común.

TENSIÓN CONCEPTUAL

Llamar «agente» a un chatbot basado en reglas y a un sistema multiagente con memoria persistente es tan impreciso como usar la misma palabra para un escalpelo de cirugía y un cuchillo de cocina. Ambos cortan. Pero no son lo mismo.

Esta inflación semántica no es inocente. Según los datos de Google Trends, el interés en el término IA agéntica se mantuvo mínimo durante años y experimentó un repunte pronunciado a partir de abril de 2024, alcanzando su pico máximo en julio de 2025. El dato refleja un giro global hacia la construcción de sistemas de IA capaces de planificar, actuar y adaptarse con mínima supervisión humana (Bandi et al., 2025). En ese contexto de aceleración, los conceptos se deforman. Y cuando los conceptos se deforman, las decisiones que se toman a partir de ellos también lo hacen.

De Wiener a LangGraph: una genealogía que no podemos ignorar

Para entender qué es un agente de IA hoy, necesitamos hacer un breve pero imprescindible viaje histórico. No porque la historia sea un adorno retórico, sino porque los errores conceptuales del presente tienen raíces muy concretas en el pasado.

La idea de agencia computacional arranca en los años cuarenta con la cibernética de Norbert Wiener (1948). Los primeros sistemas cibernéticos ya modelaban la capacidad de una máquina para percibir su entorno, detectar desviaciones respecto a un objetivo y corregir su comportamiento mediante bucles de retroalimentación. La agencia era entonces rudimentaria, casi mecánica: homeostasis, no inteligencia. Pero el germen estaba ahí.

La formalización académica llega décadas después. Russell y Norvig (2021), en el manual que ha formado a varias generaciones de ingenieros de inteligencia artificial, definen el agente como una entidad que percibe su entorno a través de sensores y actúa sobre él mediante actuadores con el objetivo de maximizar una medida de rendimiento. La elegancia de esta definición reside en su economía: no dice nada sobre conciencia, intención ni comprensión. Solo percepción, acción y objetivo.

La distinción más influyente, sin embargo, es la de Wooldridge y Jennings (1995), cuya obra sigue siendo la referencia canónica para cualquier análisis serio del concepto. Estos autores diferencian dos nociones de agencia que conviene conocer:

• Noción débil de agencia. El sistema posee autonomía (opera sin intervención directa), reactividad (percibe el entorno y responde), proactividad (toma la iniciativa para alcanzar objetivos) y habilidad social (interactúa con otros agentes o humanos).
• Noción fuerte de agencia. Al sistema se le atribuyen estados mentales genuinos, como creencias, deseos e intenciones. El conocido modelo BDI (Belief, Desire, Intention) es la formalización de este nivel.

Esta distinción es crucial y a menudo se olvida. Los sistemas de los que hablamos hoy cuando usamos el término agente de IA basado en modelos de lenguaje operan, en el mejor de los casos, en la noción débil. Exhiben comportamientos que parecen autónomos, parecen proactivos, parecen socialmente hábiles. Pero atribuirles creencias, deseos e intenciones genuinas es un salto ontológico que la evidencia no justifica, como argumentaremos más adelante.

Durante las décadas de los ochenta y noventa, la ingeniería de software construyó lo que se conoce como Sistemas Multiagente (SMA): pequeños programas autónomos que negociaban, cooperaban y resolvían problemas complejos mediante reglas explícitas y deterministas. Eran predecibles, transparentes y verificables. Su agencia era programada: el humano definía las reglas de acción.

El giro decisivo ocurre con la llegada de los modelos de lenguaje grande (LLM) y, en particular, con el lanzamiento masivo de ChatGPT en 2022 y la proliferación de proyectos como Auto-GPT y BabyAGI en 2023. Estos sistemas demostraron que era posible asignar un objetivo a un LLM y que este planificara, ejecutara y refinara tareas de forma iterativa. La agencia dejaba de ser programada para convertirse en emergente: la máquina infería las reglas de acción en lugar de recibirlas.

Qué es un agente de IA: la pieza, no el paradigma

Con este contexto, podemos ya ofrecer una definición operativa que sirva de ancla conceptual. Un agente de IA es un sistema de software que percibe su entorno, razona sobre la información recibida y actúa sobre dicho entorno para alcanzar objetivos predefinidos o emergentes. A diferencia de un chatbot convencional, que responde a cada consulta de forma aislada sin memoria ni capacidad de acción real, un agente genuino integra cuatro capacidades fundamentales que lo distinguen cualitativamente.

1. Autonomía operativa. El agente toma decisiones y ejecuta acciones sin requerir aprobación humana en cada paso.
2. Planificación multipasos. Ante un objetivo complejo, el agente lo descompone en subtareas, establece un orden de ejecución y gestiona las dependencias entre pasos.
3. Uso instrumental de herramientas externas. El agente puede acceder a buscadores web, ejecutar código, consultar bases de datos, llamar a APIs o interactuar con otros sistemas digitales.
4. Memoria contextual persistente. El agente conserva información entre interacciones, lo que le permite adaptar su comportamiento en función de lo aprendido en sesiones anteriores.

DEFINICIÓN OPERATIVA

Un agente de IA es la unidad funcional: el componente software que percibe, planifica, actúa y recuerda. Puede existir solo o en compañía de otros agentes. Es la pieza del sistema, no el sistema en su conjunto.

Conviene insistir en esta distinción entre chatbot y agente porque en el discurso público se usa indistintamente, y la diferencia no es trivial. Un chatbot, por sofisticado que sea su lenguaje, es esencialmente un sistema de pregunta-respuesta. Formula una respuesta a partir de un texto de entrada y se detiene ahí. No actúa en el mundo. No puede buscar información actualizada por sí mismo, ejecutar una tarea en un sistema externo, recordar lo que dijiste la semana pasada ni planificar una secuencia de acciones para resolver un problema complejo. Un agente, en cambio, hace todo eso.

La diferencia entre chatbot y agente no es de grado: es de naturaleza.

Hay que ser precisos, no obstante, sobre lo que muchas herramientas etiquetadas como agentes en el mercado realmente son. La literatura especializada subraya que un agente genuino debe cumplir al menos cinco criterios: recibir un objetivo, planificarlo en pasos, ejecutar acciones mediante herramientas, mantener algún tipo de estado o memoria y permitir supervisión humana. Muchas herramientas etiquetadas como agentes no cumplen estos criterios. Son, en la práctica, asistentes conversacionales con algunas capacidades adicionales pero sin autonomía operativa real.

Qué es la IA agéntica: el paradigma que cambia la pregunta

Si el agente de IA es la pieza, la inteligencia artificial agéntica es el paradigma. No se refiere a un sistema concreto, sino a un modo de concebir y construir sistemas de IA en los que la autonomía, la orientación a objetivos y la adaptación dinámica al entorno son características centrales, no añadidos.

La inteligencia artificial agéntica representa un cambio de paradigma marcado por la colaboración multiagente, la descomposición dinámica de tareas, la memoria persistente y la autonomía coordinada (Sapkota et al., 2025). En otras palabras: no hablamos solo de que exista un agente que hace cosas, sino de arquitecturas enteras donde múltiples agentes especializados colaboran, se comunican, se distribuyen el trabajo y coordinan sus resultados hacia un objetivo compartido que ninguno de ellos podría alcanzar individualmente.

La inteligencia artificial agéntica sintetiza capacidades como la iniciación autónoma de tareas, la clasificación dinámica de objetivos, la monitorización del progreso y el ajuste del comportamiento mediante bucles de retroalimentación (Abou Ali et al., 2025). Esta combinación es lo que la distingue de la IA generativa conversacional convencional, que funciona como un oráculo pasivo: espera una entrada, genera una salida, y ahí acaba su relación con el mundo.

Para ilustrar la diferencia con un ejemplo concreto, imagina que pides a un asistente conversacional que prepare una revisión de literatura sobre el impacto de los agentes de IA en la educación superior. El chatbot te devolverá un texto coherente basado en su conocimiento hasta la fecha de su entrenamiento. Un sistema de IA agéntica, en cambio, hará algo cualitativamente diferente:

• Descompondrá la tarea en subtareas: búsqueda de artículos recientes, clasificación por relevancia, identificación de lagunas, redacción estructurada, verificación de citas.
• Asignará cada subtarea a agentes especializados: uno recupera documentos, otro los analiza, otro los sintetiza, otro formatea la bibliografía.
• Coordinará sus resultados y te entregará un producto elaborado que ninguno de los agentes individuales habría podido producir por sí solo.

Estos sistemas multiagente se utilizan ya para revisiones de literatura, preparación de solicitudes de financiación y búsquedas de patentes, superando a los sistemas de agente único por su capacidad de ejecución simultánea de subtareas y gestión de contextos largos (Sapkota et al., 2025).

DIFERENCIA CLAVE

Agente de IA: el sistema individual que percibe, planifica, actúa y recuerda. Es la unidad funcional.

Inteligencia artificial agéntica: el paradigma de diseño y despliegue que pone la autonomía, la orientación a objetivos y la coordinación multiagente en el centro. Es el enfoque arquitectónico.

El agente es el músico: posee sus propias capacidades, su instrumento, su técnica. La IA agéntica es la orquesta: no es un músico mejor, sino una forma de organización cualitativamente diferente en la que los músicos coordinados producen algo que ninguno podría producir solo.

La taxonomía que aclara: dos linajes, no uno

Uno de los análisis más rigurosos publicados hasta la fecha sobre esta distinción es el de Sapkota, Roumeliotis y Karkee (2025), quienes ofrecen una taxonomía conceptual sistemática que diferencia con precisión los agentes de IA de los sistemas de IA agéntica. Mientras el campo había avanzado hacia sistemas complejos con múltiples agentes que descomponen objetivos de forma colaborativa, se comunican y coordinan hacia metas compartidas, en 2025 Google introdujo el protocolo Agent-to-Agent (A2A), estándar propuesto para permitir la interoperabilidad entre agentes de diferentes marcos y proveedores. Se construye en torno a cinco principios: abrazar las capacidades agénticas, apoyarse en estándares existentes, asegurar las interacciones por defecto, admitir tareas de larga duración y garantizar la indiferencia modal.

Desde un plano más técnico, Abou Ali, Dornaika y Charafeddine (2025) proponen una dualidad de paradigmas que conviene retener:

• Sistemas simbólicos o clásicos, que se apoyan en la planificación algorítmica y el estado persistente.
• Sistemas neurales o generativos, que se valen de la generación estocástica y la orquestación dirigida por instrucciones.

Esta dualidad es fundamental para comprender por qué los agentes actuales basados en modelos de lenguaje son tan diferentes de los agentes simbólicos clásicos, aunque compartan el mismo nombre.

La tabla siguiente recoge las diferencias fundamentales entre los tres niveles que conviene distinguir:

La ilusión agéntica: cuando la estadística simula intención

En este punto del recorrido conviene introducir una advertencia que consideramos fundamental y que pocas veces aparece en los discursos entusiastas sobre agentes e IA agéntica. Existe lo que podríamos llamar la ilusión agéntica: la tendencia a atribuir a estos sistemas capacidades de juicio, intención y comprensión que, en sentido estricto, no poseen.

Un modelo de lenguaje grande, que es el núcleo cognitivo de prácticamente todos los agentes contemporáneos, es, en su naturaleza más básica, un predictor de secuencias de texto. No tiene memoria persistente fuera de lo que se le proporciona en su ventana de contexto. No tiene «vida» entre conversaciones. No tiene volición. Lo que llamamos razonamiento agéntico es, técnicamente, una completación probabilística de patrones aprendidos durante el entrenamiento: el sistema genera el token que estadísticamente es más probable que venga a continuación dado el contexto disponible. La apariencia de planificación, de intención, de autonomía, emerge de esta cadena probabilística, no de una arquitectura cognitiva con estados mentales genuinos.

¿Por qué importa esto? Porque cuando atribuimos a estos sistemas una agencia que no tienen en sentido filosófico pleno, transferimos implícitamente una carga de responsabilidad y «sentido común» que la máquina no posee. Estamos, en la formulación precisa que nos gusta usar, antropomorfizando la estadística. Y eso tiene consecuencias muy reales:

• Confiamos en decisiones que deberíamos verificar.
• Delegamos juicios que deberíamos retener.
• Absolvemos de responsabilidad a quienes diseñan y despliegan estos sistemas.

ADVERTENCIA EPISTEMOLÓGICA

Un agente de IA contemporáneo no tiene intención (deseo de actuar), solo tiene instrucción (mandato de procesar). La ilusión de agencia es tan convincente que tendemos a olvidar esta distinción. No podemos permitírnoslo.

Este problema se amplifica en los sistemas de IA agéntica multiagente, donde la complejidad de las interacciones hace aún más difícil rastrear cómo se llegó a una decisión determinada. La opacidad algorítmica, que ya era problemática en un sistema único, se convierte en un laberinto cuando múltiples agentes se llaman entre sí, comparten memorias, modifican planes y producen resultados que ningún agente individual «conoce» en su totalidad. La transparencia, que es condición de cualquier uso educativo responsable, se convierte en un desafío de ingeniería de primera magnitud.

El giro que descoloca: ¿y si la distinción no fuera lo más importante?

Hemos argumentado hasta aquí que la diferencia entre agentes de IA e IA agéntica es conceptualmente relevante y prácticamente significativa. Conviene, sin embargo, introducir una tensión honesta que matice ese argumento.

En la práctica educativa y profesional cotidiana, la distinción técnica entre un agente individual y un sistema multiagente puede resultar menos decisiva que otra pregunta, más fundamental: ¿qué ocurre con nosotros cuando estos sistemas se despliegan a escala? ¿Qué pasa con nuestra capacidad de pensar cuando delegamos en máquinas procesos cognitivos que antes ejercíamos nosotros?

La investigación de Gerlich (2025), con 666 participantes de diversos grupos de edad y niveles educativos, evidenció una correlación negativa significativa entre el uso frecuente de herramientas de IA y las capacidades de pensamiento crítico, mediada por el incremento de la descarga cognitiva (cognitive offloading). Los participantes más jóvenes mostraron mayor dependencia de las herramientas de IA y puntuaciones más bajas en pensamiento crítico en comparación con los participantes de mayor edad.

Este hallazgo es incómodo. No porque sea concluyente (la investigación sobre IA y cognición está todavía en fases muy tempranas, y estudios de este tipo tienen limitaciones metodológicas que reconocer) sino porque nos obliga a formular la pregunta correcta. No es solo:

¿Qué puede hacer este sistema?

sino:

¿Qué dejamos de hacer nosotros cuando este sistema lo hace por nosotros?

Y esa pregunta no admite respuesta satisfactoria si no entendemos bien qué es el sistema que usamos.

Aquí es donde la distinción conceptual que hemos construido a lo largo de este artículo cobra su sentido más profundo. La diferencia entre un chatbot, un agente y un sistema de IA agéntica no es una curiosidad técnica para ingenieros de software. Es la diferencia entre:

• Delegar una respuesta puntual.
• Delegar una tarea compleja.
• Delegar un proceso cognitivo distribuido que puede afectar múltiples dimensiones de nuestro trabajo intelectual sin que seamos plenamente conscientes de ello.

Cuanto mayor es la autonomía del sistema, cuanto más agéntico es el paradigma, mayor es también la responsabilidad de quien lo usa para mantener lo que podríamos llamar vigilancia epistémica: la capacidad crítica de evaluar, verificar y, cuando corresponde, rechazar lo que el sistema produce.

Lo que genuinamente cambia (y lo que no cambia en absoluto)

Con todo este contexto, podemos ya señalar lo que, en nuestra lectura, cambia genuinamente con la IA agéntica respecto a todo lo anterior, y lo que permanece invariable por mucho que cambie la tecnología.

Lo que cambia es la escala de la autonomía. Un chatbot requiere que el humano formule cada pregunta y evalúe cada respuesta. Un agente puede ejecutar decenas de acciones encadenadas sin intervención humana. Un sistema de IA agéntica puede orquestar cientos de agentes especializados durante horas o días, producir documentos, tomar decisiones y modificar entornos digitales sin que nadie revise cada paso. Esto no es un cambio de grado, es un cambio en la naturaleza de la relación entre humano y sistema. A diferencia de los modelos de IA tradicionales, que operan dentro de restricciones predefinidas y requieren intervención humana, la IA agéntica exhibe autonomía, comportamiento orientado a objetivos y adaptabilidad (Bandi et al., 2025).

Lo que no cambia, y esta es la parte que más nos interesa, es la naturaleza del juicio humano y su irreductibilidad. Los sistemas más sofisticados de IA agéntica que existen hoy siguen siendo incapaces de:

• Contextualizar éticamente una decisión.
• Comprender las consecuencias no previstas de una acción.
• Establecer una relación pedagógica genuina.
• Ejercer el tipo de discernimiento situado que distingue a un buen profesional de uno mediocre.

No porque la tecnología sea todavía inmadura, sino porque esas capacidades emergen de una forma de ser en el mundo, de una experiencia corporal, emocional y social, que los sistemas computacionales no tienen y es improbable que tengan en ningún sentido profundo.

POSICIONAMIENTO AUTORAL

Proponemos una distinción que consideramos útil para navegar este territorio: autonomía operativa (qué puede hacer el sistema sin supervisión) frente a agencia epistémica (quién es responsable del sentido de lo que se hace). La primera puede delegarse. La segunda, no.

Es probable que los próximos años traigan sistemas de IA agéntica de una capacidad que hoy resulta difícil de imaginar. La proliferación de marcos de orquestación como LangGraph, CrewAI, AutoGen o Haystack, junto con la consolidación de protocolos de interoperabilidad como el Model Context Protocol (MCP) y el Agent-to-Agent (A2A), sugiere que estamos ante una arquitectura técnica que va a madurar con rapidez. Los enjambres de agentes especializados coordinados hacia objetivos complejos dejarán de ser experimentos de laboratorio para convertirse en infraestructura cotidiana de trabajo intelectual.

Eso hace más urgente, no menos, entender bien de qué estamos hablando cuando usamos estas palabras.

Una pregunta con la que convivir

Hay una escena que imaginamos podría producirse en los próximos años. Un estudiante universitario entrega un trabajo excelente. El docente, satisfecho, le pregunta cómo llegó a la conclusión central. El estudiante no lo sabe. Lo elaboró un sistema agéntico que descompuso la tarea, buscó fuentes, sintetizó argumentos y redactó el texto. El estudiante revisó el resultado y lo aprobó.

¿Aprendió algo? ¿Quién es el autor del trabajo?

Esta escena no pretende ser una predicción catastrofista. Es una invitación a pensar con precisión. Porque si no sabemos distinguir qué es un chatbot, qué es un agente y qué es un sistema de IA agéntica, tampoco podemos diseñar los entornos de aprendizaje, las políticas institucionales ni los marcos de gobernanza que esa escena requiere. No existe regulación sensata sin comprensión conceptual. No existe diseño pedagógico responsable sin claridad sobre qué se está delegando y a qué.

¿Qué ocurre con la agencia del estudiante cuando el paradigma que lo rodea es agéntico? Esa es la pregunta que, creemos, define el próximo capítulo de la educación superior. Y para responderla bien, primero hay que saber con precisión de qué estamos hablando.

Referencias

Abou Ali, M., Dornaika, F., y Charafeddine, J. (2025). Agentic AI: A comprehensive survey of architectures, applications, and future directions. Artificial Intelligence Review, 59(1), Artículo 11. https://doi.org/10.1007/s10462-025-11422-4

Bandi, A., Kongari, B., Naguru, R., Pasnoor, S., y Vilipala, S. V. (2025). The rise of agentic AI: A review of definitions, frameworks, architectures, applications, evaluation metrics, and challenges. Future Internet, 17(9), 404. https://doi.org/10.3390/fi17090404

Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006

Russell, S., y Norvig, P. (2021). Artificial intelligence: A modern approach (4.ª ed.). Pearson. Ver en https://raw.githubusercontent.com/yanshengjia/ml-road/47cadb02faa756f85fd2f058e31221cc8223b97a/resources/Artificial%20Intelligence%20-%20A%20Modern%20Approach%20(3rd%20Edition).pdf

Sapkota, R., Roumeliotis, K. I., y Karkee, M. (2025). AI agents vs. agentic AI: A conceptual taxonomy, applications and challenges [preimpresión]. arXiv. https://arxiv.org/abs/2505.10468

Wiener, N. (1948). Cybernetics: Or control and communication in the animal and the machine. MIT Press.

Wooldridge, M., y Jennings, N. R. (1995). Intelligent agents: Theory and practice. The Knowledge Engineering Review, 10(2), 115-152. https://doi.org/10.1017/S0269888900008122