agentes

La IA generativa ha pasado muy rápidamente de ser una tecnología relevante solo en los círculos académicos a convertirse en una herramienta de uso cotidiano para millones de personas y organizaciones, tanto privadas como públicas. Sin embargo, en el último año, el concepto que ha pasado a dominar la conversación sobre innovación tecnológica ha sido la IA agéntica.

En muchas ocasiones, la IA generativa y la IA agéntica se están presentando como tecnologías rivales, y en particular como si la IA agéntica hubiese nacido para sustituir a la IA generativa, cuando la realidad es que se trata de dos conceptos que podemos considerar complementarios. La confusión es comprensible, ya que en la práctica muchos sistemas agénticos incorporan modelos generativos, y algunos asistentes basados en IA generativa pueden utilizar herramientas  (aunque sea de forma limitada para, por ejemplo, recuperar información de una API o base de datos). Podemos simplificar la diferenciación diciendo que un modelo de IA generativa puede integrarse en un sistema de IA agéntica, pero no toda aplicación basada en un modelo generativo puede considerarse un agente de IA.

¿Qué es la IA generativa?

La IA generativa puede definirse de forma sencilla como la familia de sistemas que producen contenido nuevo a partir de estructuras aprendidas en grandes volúmenes de datos. El Instituto Nacional de Estándares y Tecnología (NIST)  del gobierno de los Estados Unidos la describe como la clase de modelos de IA inteligencia artificial que emula la estructura y las características de los datos de entrada para generar contenido sintético derivado, incluyendo texto, imagen, audio o y vídeo.

La Organización para la Cooperación y el Desarrollo Económicos lo explica de forma quizás más divulgativa, definiendo la IA generativa como la rama de la inteligencia artificial capaz de crear nuevo contenido (texto, imágenes, vídeo, música, código, etc.) a partir de patrones aprendidos en grandes volúmenes de datos. Esta tecnología ya se está utilizando en tareas tan distintas como la programación, la búsqueda de información, la educación o el diagnóstico médico.

Por tanto, su característica principal es la generación. Se pide algo a un sistema de IA generativa, el sistema interpreta el contexto y devuelve una salida probable que además intenta ser coherente con la petición. Incluso cuando se conecta con una base documental especializada para mejorar el contexto de la petición, por ejemplo mediante enfoques RAG, su misión principal sigue siendo la de producir una respuesta o una pieza de contenido útil para quien lo pide. Por ello la utilidad de un modelo de IA generativa se mide, sobre todo, a través de la evaluación de indicadores tales como la calidad, la pertinencia, la coherencia de la respuesta o el ahorro de tiempo en la realización de la tarea.

Desde el punto de vista funcional, los principales modelos de IA generativa ya han conseguido unos niveles de desempeño equivalentes o superiores a los humanos en tareas concretas de comprensión, generación y manipulación del lenguaje, aunque siempre conviene interpretar estos resultados dentro de los límites de cada marco de referencia (benchmark).

No obstante, estos resultados no implican una comprensión general equivalente a la humana, sino que deben interpretarse como un gran desempeño en tareas específicas. Por ello, en todos los usos de la IA generativa sigue siendo necesaria una validación muy rigurosa y una supervisión adecuada para que podamos confiar en sus resultados.

Los riesgos de la IA generativa también son conocidos: alucinación o generación de contenido erróneo presentado con seguridad, problemas de integridad de la información, sesgos, contenidos potencialmente peligrosos, riesgos para la privacidad de las personas, problemas de alineamiento con el comportamiento esperado o conflictos respecto a los derechos de propiedad intelectual. Además, tal y como reconoce el NIST en su marco para la gestión de riesgos de la IA generativa , esta no solo amplifica riesgos ya existentes en otros sistemas de IA, sino que introduce riesgos propios o aumentados por la capacidad de producir contenido a gran escala.

En cambio, cuando la salida del modelo empieza a decidir el flujo de trabajo, seleccionar herramientas o modificar el curso de la ejecución, entramos en un nivel diferente de autonomía, que corresponde a la IA Agéntica.

¿Qué entendemos por IA agéntica?

La definición de IA agéntica, por su novedad, tiene por el momento un nivel de consenso mucho menor que en el caso de la IA generativa. Por ejemplo, el Gobierno del Reino Unido (gov.uk) la define como el conjunto de sistemas compuestos por agentes de software que pueden comportarse e interactuar de forma autónoma para lograr un objetivo. En esa misma línea, el portal técnico del Gobierno de Singapur explica que se trata de sistemas en los que agentes de IA persiguen objetivos y ejecutan tareas con autonomía, especialmente en dominios donde deben tomar decisiones y actuar dentro de un marco delimitado.

La Comisión Europea no define aún la IA agéntica como una categoría regulatoria separada, por lo que podría situarse dentro de la evolución de los sistemas de IA avanzados. En la Apply AI Strategy, se refiere a los agentes de IA como sistemas capaces de tomar decisiones y ejecutar acciones de forma independiente, comprender lenguaje, razonar sobre tareas, actuar de manera autónoma para alcanzar objetivos predefinidos y relacionarse con su entorno, incluyendo la orquestación de interacciones con personas. Esta aproximación encaja con la definición amplia del Reglamento europeo de inteligencia artificial[RG12] , que entiende los sistemas de inteligencia artificial como “sistemas basados en máquinas diseñados para operar con distintos niveles de autonomía […] y generar salidas, como predicciones, contenidos, recomendaciones o decisiones, que pueden influir en entornos físicos o virtuales”.

Podemos resumir por tanto la idea central en que el objetivo no es solo “hablar” o “escribir” bien, sino actuar con criterio operativo dentro de una serie de capacidades previamente autorizadas. En lugar de devolver una única respuesta a una instrucción, un agente puede recibir un objetivo de alto nivel, descomponerlo en subtareas, elegir qué herramientas o funciones necesita, consultar API, recuperar datos, evaluar resultados intermedios y continuar iterando hasta completar la tarea. Gov.uk lo explica con bastante claridad: en los sistemas agénticos, la ruta de ejecución no está completamente prefijada, sino que se decide de forma inteligente durante el proceso, utilizando la IA generativa para planificar y utilizar las herramientas necesarias a través de estándares abiertos como el Protocolo de contexto de modelo (MCP).

Cómo cambian las arquitecturas de los sistemas

La arquitectura típica de un sistema de IA generativa debe responder a un flujo relativamente lineal: una persona hace una petición a través de unas instrucciones (prompt), el modelo de IA interpreta el contexto, y produce una respuesta. Tan sólo cuando se quiere aumentar la precisión en dominios concretos, se añaden técnicas como RAG para recuperar información más precisa en tiempo real desde bases documentales o bases vectoriales.

Sin embargo, en la IA agéntica el patrón es mucho más complejo, ya que el sistema combina varios módulos junto con el modelo base para incluir mecanismos para planificar, mantener memoria, llamar a herramientas, registrar decisiones y coordinar acciones entre componentes o incluso con otros agentes. Además, es necesario monitorizar el funcionamiento y, en muchos casos, incluir una capa de supervisión humana. La documentación del gov.uk distingue incluso entre orquestación (un controlador central que ordena pasos) y coreografía (comportamientos más distribuidos y orientados a eventos), una distinción especialmente útil para entender por qué los agentes son más flexibles, pero también más difíciles de evaluar y auditar.

El desarrollo de la IA agéntica requiere, además, datos y servicios preparados para ser consumidos con garantías por máquinas; y aquí es donde la disponibilidad metadatos ricos, catálogos, API, control de versiones, información sobre calidad, licencias o acuerdos de nivel de servicio, entre otros, pueden marcar la diferencia en el despliegue robusto y fiable de esta tecnología.

Cómo cambia la forma de evaluar y reducir riesgos

Partimos de la base de que la evaluación de la IA generativa ya es una actividad muy exigente por sí misma y que poder explicar las decisiones de un sistema de inteligencia artificial es ineludible cuando hablamos de delegar tareas que antes realizaba un humano.

Si la IA generativa se evalúa sobre todo por la calidad de las respuestas, la IA agéntica obliga a evaluar el comportamiento completo del sistema. Esto es, es necesario preguntarse cuestiones como si la planificación elegida ha sido la adecuada para resolver la tarea, si la herramienta seleccionada era la correcta, si la consulta de datos respetó las reglas fijadas, si el sistema supo detenerse cuando debía, si dejó trazas suficientes para auditar lo ocurrido o si preguntó a un humano para respetar los límites con que se diseñó su autonomía.

Los benchmarks más recientes para IA agéntica van precisamente en esa dirección: GAIA evalúa asistentes generales en navegación web y uso de herramientas, StableToolBench trabaja sobre tasas de resolución y estabilidad en el uso de API, MultiAgentBench introduce indicadores de colaboración y competición entre múltiples agentes y Agent Security Bench pone el foco en ataques y defensas, mostrando vulnerabilidades muy relevantes en prompt injection, memoria y uso de herramientas.

El Reglamento de IA en particular refuerza la importancia de la supervisión humana en su artículo 14, estableciendo que el objetivo de dicha supervisión es prevenir o reducir al mínimo los riesgos que puedan surgir durante el uso de sistemas de IA. Para la IA agéntica, esto resulta especialmente importante ya que cuanto mayor sea la autonomía operativa del sistema, más necesario será definir cuándo debe pedir confirmación, cuándo debe detenerse, qué acciones puede realizar sin autorización y qué decisiones deben quedar siempre bajo control humano. En España, la Agencia española Española de supervisión Supervisión de Inteligencia Artificial (AESIA) está ayudando a aterrizar el Reglamento europeo de IA en orientaciones más operativas a través de sus guías prácticas para el cumplimiento del RIA, elaboradas por la Secretaría de Estado de Digitalización e Inteligencia Artificial, a través de la Dirección General de Inteligencia Artificial, y con la colaboración de la propia AESIA.

Figura 1. Visual comparativo entre IA generativa e IA agéntica. Fuente: elaboración propia - datos.gob.es

En definitiva, la diferencia entre IA generativa e IA agéntica es sobre todo una cuestión de propósito. La primera se especializa en producir contenido útil a partir de instrucciones; la segunda en coordinar acciones para conseguir objetivos, pero en ambos casos, tanto los conjuntos de datos abiertos como la buena gobernanza del dato seguirán siendo pilares fundamentales para que puedan conseguir sus objetivos. Además, no todos los casos de uso necesitan completar el salto hacia la IA agéntica, ya que los agentes de IA son adecuados sobre todo cuando el flujo de trabajo es no determinista, esto es, cuando hace falta decidir el siguiente paso en función del contexto. Tal y como argumenta el propio GovTech de Singapur los agentes de IA inteligencia artificial pueden incluso resultar excesivos allí donde un sistema más simple ya resuelve bien la tarea.

El uso de la IA generativa empezó siendo visible, específico e intencional. Durante los primeros años, utilizarla era una decisión consciente que requería abrir una herramienta concreta, como ChatGPT o Midjourney. Esas herramientas ocupaban su propio espacio marcado y reconocible, separado del resto de productos. Escribir o ilustrar con IA o sin IA se materializaba en el hecho de abrir o no una herramienta concreta, un gesto que hacía imposible que nos olvidásemos o pasásemos por alto que estábamos utilizando IA.

La integración de los modelos de OpenAI en Microsoft 365 bajo la forma de Copilot y, poco después, de los modelos de Gemini en Google Workspace no han sido una experiencia homogénea. Lo hemos vivido como un proceso irregular, insatisfactorio por momentos, con mejoras progresivas y expectativas todavía a medio cumplir. Eso no quiere decir que no hayan marcado el camino para la transformación de toda nuestra estructura digital, que asume ya la IA como una capa natural de casi cualquier producto. Si esta tendencia prospera y realmente la IA llega a integrarse en todas partes, es posible que pierda visibilidad hasta el punto en que dejemos de mencionarla.

La segunda vida de las herramientas digitales con IA

Existen muchos ejemplos en los que la IA es ya una funcionalidad que se da por hecha. En el mundo de las plataformas de gestión de proyectos, sistemas como Notion, Asana, Trello o ClickUp han incorporado capas de IA que giran en torno a resumir estados de proyectos, priorizar tareas por criterios o transformar notas dispersas en los objetos formales de cada plataforma, como tareas y subtareas. Sin embargo, la interoperabilidad real para que una herramienta “entienda” la estructura de otra y pueda importarla sigue siendo un asunto pendiente. Si tu equipo usa una herramienta pero tu cliente usa otra, para sincronizar las tareas de un proyecto probablemente todavía dependas de exportaciones intermedias poco intuitivas con formatos CSV, Markdown o automatizaciones avanzadas. Los modelos de IA son especialmente buenos en interpretar información en un formato y trasladarla a otro, por lo que su aparición ha fomentado una cierta interoperabilidad funcional entre estos sistemas.

En el ámbito de la creación visual, herramientas como Photoshop, Canva o Figma han añadido funciones que permiten no solo generar imágenes, sino también pequeñas tareas cotidianas del mundo del diseño digital como rellenar espacios, expandir fondos, redimensionar, borrar objetos o sugerir paletas de color coherentes. En las hojas de cálculo como Excel o Google Sheets las fórmulas han empezado el camino hacia su extinción, sustituidas por las expresiones en lenguaje natural como “calcula el crecimiento mensual de esta serie y muéstralo en porcentaje en una columna nueva”, o “detecta qué productos tienen ventas más bajas que la media en el trimestre 1”.

Por supuesto, todas las herramientas anteriores incluyen ya editores basados en modelos de lenguaje que, con la misma naturalidad que el corrector, sugieren, reescriben y resumen cualquier texto. El resumen con IA es la capa más sencilla de implementar. En los gestores de correo electrónico empezó como opción “resumir este hilo”, y en poco tiempo pasó a ser un resumen automático al inicio del correo que ya está totalmente interiorizado en las versiones corporativas comerciales. En la práctica, esta función no siempre es necesaria y a veces roza lo redundante. No es raro encontrarnos con sistemas que proponen resumir textos muy breves o PDF en los que el propio anuncio de “resume este archivo con IA” nos interrumpe la lectura o la consulta del documento. La lógica de integración y la inversión de las plataformas en las funcionalidades IA nos han llevado a naturalizar capas que se activan por defecto y que también pueden introducir fricción, aunque es posible que esta sea sólo otra etapa de su progreso.

El lenguaje como programador de comportamiento

La habilidad técnica que habíamos acumulado hasta hoy, la de recordar opciones, menús desplegables y recorridos de las herramientas, se desplaza hacia una habilidad conceptual en el uso de la IA que tiene que ver con el prompting, pero también con otras capacidades: de poco sirve saber describir muy bien lo que se quiere si la acción es errónea o está mal planteada, si no sabemos anticipar ambigüedades, dividir un problema en partes o filtrar el resultado. Cuando lo anterior está resuelto, generalmente por la experiencia o el criterio profesional, entonces la habilidad o la soltura para escribir el prompt sí pueden marcar la diferencia.

El efecto cognitivo del prompting es interesante desde el punto de vista de que las personas no estamos acostumbradas a que el uso del lenguaje suponga la programación directa y vinculante de un comportamiento. En el lenguaje humano habitual, decir algo no garantiza que ocurra, y además, convivimos y contamos con la capacidad de desambiguación de los demás. En cambio, las capas de IA desencadenan acciones y transformaciones a través del lenguaje y eso nos obliga a desarrollar una forma de autoconciencia lingüística distinta, capaz de anticipar mejor las consecuencias de nuestras órdenes.

Sistemas agénticos impredecibles

La escalada de la complejidad llega con la IA agéntica, sistemas que van más allá de la creación de texto e imagen y ejecutan acciones como crear y eliminar archivos y carpetas, registrarse e iniciar sesión en productos y servicios, utilizar credenciales personales para ejecutar compras y pagos, o incluso, realizar trámites en nuestro nombre. OpenClaw es el ejemplo más representativo, un proyecto de software libre que permite crear asistentes autónomos para ejecutar tareas reales en un dispositivo, con acceso a todo el entorno digital si la persona propietaria se lo concede. Aunque es cierto que puede automatizar flujos y mantener el trabajo en marcha en nuestra ausencia, también introduce una capa de opacidad que nos hace más difícil seguir la pista de todo lo que está haciendo. Los sistemas agénticos toman por su cuenta las decisiones necesarias para lograr el objetivo programado, y pequeños errores iniciales pueden propagarse con consecuencias a veces irreversibles, como el borrado de información o el filtrado de datos. Hay personas que ya han narrado sus experiencias dando acceso a OpenClaw a su correo electrónico, y advierten de que estos bots pueden compartir datos personales e información privada con facilidad, no por maldad o rebeldía, sino por exceso de permisos en un sistema que requiere supervisión.

Los agentes, además, pueden comportarse de forma implacable para lograr sus objetivos y no tener en cuenta qué pueden romper por el camino. Por ejemplo, un agente conectado a un servicio público digital para realizar un trámite podría acabar enviando solicitudes masivas si cree que no consigue su objetivo, duplicando registros, completando formularios incorrectos o incluso afectando a la infraestructura pública. El desafío de ciberseguridad es mayor si el uso de estos agentes se generaliza.

En definitiva, la IA como copiloto universal, integrada en todas nuestras herramientas diarias, no es todavía una realidad en la práctica porque su despliegue sigue siendo desigual y dependemos de las líneas de pago o de las versiones contratadas. No obstante, el futuro del ecosistema digital parece marcado por que la IA deje de considerarse una tecnología diferenciada y se naturalice. Que una funcionalidad esté basada en IA puede ser un dato anecdótico dentro de unos años. Sin embargo, cuanto más transparente y natural se vuelva la interacción con sistemas generativos, más importante será mantener la cabeza fría y la conciencia de que seguimos trabajando con modelos probabilísticos, que aciertan y se equivocan con el mismo convencimiento.

Contenido elaborado por Carmen Torrijos, experta en IA aplicada al lenguaje y la comunicación. Los contenidos y los puntos de vista reflejados en esta publicación son responsabilidad exclusiva de su autor.
 

Cuando se acaban de cumplir tres años desde que comenzó la aceleración del despliegue masivo de la Inteligencia Artificial con el lanzamiento de ChatGPT, un término nuevo emerge con fuerza: la IA agéntica (Agentic AI). En los últimos tres años hemos pasado de hablar de modelos de lenguaje (como por ejemplo, los LLM) y chatbots (o asistentes conversacionales) a diseñar los primeros sistemas capaces no solo de responder a nuestras preguntas, sino de actuar de forma autónoma para conseguir objetivos, combinando datos, herramientas y colaboraciones con otros agentes de IA o con personas humanas. Esto es, la conversación global sobre IA se está moviendo desde la capacidad para "conversar" hacia la capacidad para "actuar" de estos sistemas.

En el sector privado, informes recientes de grandes consultoras describen agentes de IA que resuelven de principio a fin incidencias de clientes, orquestan cadenas de suministro, optimizan inventarios en el sector retail o automatizan la elaboración de informes de negocio. En el sector público, esta conversación también comienza a tomar forma y cada vez más administraciones exploran cómo estos sistemas pueden ayudar a simplificar trámites o a mejorar la atención a la ciudadanía. Sin embargo, el despliegue parece que está siendo algo más lento porque lógicamente en la administración no solo debe tenerse en cuenta la excelencia técnica sino también el estricto cumplimiento del marco normativo, que en Europa lo marca el Reglamento de IA, para que los agentes autónomos sean, ante todo, aliados de la ciudadanía.

¿Qué es la IA agéntica (Agentic AI)?

Aunque se trate de un concepto reciente que aún está en evolución, varias administraciones y organismos empiezan a converger en una definición. Por ejemplo, el Gobierno del Reino Unido describe la IA agéntica como sistemas formados por agentes de IA que “pueden comportarse e interactuar de forma autónoma para lograr sus objetivos”. En este contexto un agente de IA sería una pieza especializada de software que puede tomar decisiones y operar de forma cooperativa o independiente para lograr los objetivos del sistema.

Podríamos pensar, por ejemplo, en un agente de IA en una administración local que recibe la solicitud de una persona para abrir un pequeño negocio. El agente, diseñado de acuerdo con el procedimiento administrativo correspondiente, comprobaría la normativa aplicable, consultaría datos urbanísticos y de actividad económica, verificaría requisitos, rellenaría borradores de documentos, propondría citas o trámites complementarios y prepararía un resumen para que el personal funcionario pudiera revisar y validar la solicitud. Esto es, no sustituiría la decisión humana, sino que automatizaría buena parte del trabajo que hay entre la solicitud realizada por el ciudadano y la resolución dictada por la administración.

Frente a un chatbot conversacional -que responde a una pregunta y, en general, termina ahí la interacción-, un agente de IA puede encadenar múltiples acciones, revisar resultados, corregir errores, colaborar con otros agentes de IA y seguir iterando hasta alcanzar la meta que se le ha definido. Esto no significa que los agentes autónomos decidan por su cuenta sin supervisión, sino que pueden hacerse cargo de buena parte de la tarea siempre siguiendo reglas y salvaguardas bien definidas.

Las características clave de un agente autónomo incluyen:

• Percepción y razonamiento: es la capacidad de un agente para comprender una solicitud compleja, interpretar el contexto y desglosar el problema en pasos lógicos que conduzcan a resolverlo.
• Planificación y acción: es la habilidad para ordenar esos pasos, decidir la secuencia en que se van a ejecutar y adaptar el plan cuando cambian los datos o aparecen nuevas restricciones.
• Uso de herramientas: un agente puede, por ejemplo, conectarse a diversas API, consultar bases de datos, catálogos de datos abiertos, abrir y leer documentos o enviar correos electrónicos según lo requieran las tareas que está intentando resolver.
• Memoria y contexto: es la capacidad del agente para mantener la memoria de las interacciones en procesos largos, recordando las acciones y respuestas pasadas y el estado actual de la solicitud que está resolviendo.
• Autonomía supervisada: un agente puede tomar decisiones dentro de unos límites previamente establecidos para avanzar hacia la meta sin necesidad de intervención humana en cada paso, pero permitiendo siempre la revisión y trazabilidad de las decisiones.

Podríamos resumir el cambio que supone con la siguiente analogía: si los LLM son el motor de razonamiento, los agentes de IA son sistemas que además de esa capacidad de “pensar” en las acciones que habría que hacer, tienen "manos" para interactuar con el mundo digital e incluso con el mundo físico y ejecutar esas mismas acciones.

El potencial de los agentes de IA en los servicios públicos

Los servicios públicos se organizan, en buena medida, alrededor de procesos de una cierta complejidad como son la tramitación de ayudas y subvenciones, la gestión de expedientes y licencias o la propia atención ciudadana a través de múltiples canales. Son procesos con muchos pasos, reglas y actores diferentes, donde abundan las tareas repetitivas y el trabajo manual de revisión de documentación.

Como puede verse en el eGovernment Benchmark de la Unión Europea, las iniciativas de administración electrónica de las últimas décadas han permitido avanzar hacia una mayor digitalización de los servicios públicos. Sin embargo, la nueva ola de tecnologías de IA, especialmente cuando se combinan modelos fundacionales con agentes, abre la puerta a un nuevo salto para automatizar y orquestar de forma inteligente buena parte de los procesos administrativos.

En este contexto, los agentes autónomos permitirían:

• Orquestar procesos de extremo a extremo como, por ejemplo, recopilar datos de distintas fuentes, proponer formularios ya cumplimentados, detectar incoherencias en la documentación aportada o generar borradores de resoluciones para su validación por el personal responsable.
• Actuar como “copilotos” de los empleados públicos, preparando borradores, resúmenes o propuestas de decisiones que luego se revisan y validan, asistiendo en la búsqueda de información relevante o señalando posibles riesgos o incidencias que requieren atención humana.
• Optimizar los procesos de atención ciudadana apoyando en tareas como la gestión de citas médicas, respondiendo consultas sobre el estado de expedientes, facilitando el pago de tributos o guiando a las personas en la elección del trámite más adecuado a su situación.

Diversos análisis sobre IA en el sector público apuntan a que este tipo de automatización inteligente, al igual que en el sector privado, puede reducir tiempos de espera, mejorar la calidad de las decisiones y liberar tiempo del personal para tareas de mayor valor añadido. Un informe reciente de PWC y Microsoft que explora el potencial de la IA agéntica para el sector público resume bien la idea, señalando que al incorporar la IA agéntica en los servicios públicos, los gobiernos pueden mejorar la capacidad de respuesta y aumentar la satisfacción ciudadana, siempre que existan las salvaguardas adecuadas.

Además, la implementación de agentes autónomos permite soñar con una transición desde una administración reactiva (que espera a que el ciudadano solicite un servicio) a una administración proactiva que se ofrece a hacer por nosotros parte de esas mismas acciones: desde avisarnos de que se ha abierto una ayuda para la que probablemente cumplamos los requisitos, hasta proponernos la renovación de una licencia antes de que caduque o recordarnos una cita médica.

Un ejemplo ilustrativo de esto último podría ser un agente de IA que, apoyado en datos sobre servicios disponibles y en la información que el propio ciudadano haya autorizado utilizar, detecte que se ha publicado una nueva ayuda para actuaciones de mejora de la eficiencia energética a través de la rehabilitación de viviendas y envíe un aviso personalizado a quienes podrían cumplir los requisitos. Incluso ofreciéndoles un borrador de solicitud ya pre-cumplimentado para su revisión y aceptación. La decisión final sigue siendo humana, pero el esfuerzo de buscar la información, entender las condiciones y preparar la documentación se podría reducir mucho.

El rol de los datos abiertos

Para que un agente de IA pueda actuar de forma útil y responsable necesita apalancarse sobre un entorno rico en datos de calidad y un sistema de gobernanza de datos sólido. Entre esos activos necesarios para desarrollar una buena estrategia de agentes autónomos, los datos abiertos tienen importancia al menos en tres dimensiones:

1. Combustible para la toma de decisiones: los agentes de IA necesitan información sobre normativa vigente, catálogos de servicios, procedimientos administrativos, indicadores socioeconómicos y demográficos, datos de transporte, medio ambiente, planificación urbana, etc. Para ello, la calidad y estructura de los datos es de gran importancia ya que datos desactualizados, incompletos o mal documentados pueden llevar a los agentes a cometer errores costosos. En el sector público, esos errores pueden traducirse en decisiones injustas que en última instancia podrían llevar a la pérdida de confianza de la ciudadanía.
2. Banco de pruebas para evaluar y auditar agentes: al igual que los datos abiertos son importantes para evaluar modelos de IA generativa, también pueden serlo para probar y auditar agentes autónomos. Por ejemplo, simulando expedientes ficticios con datos sintéticos basados en distribuciones reales para comprobar cómo actúa un agente en distintos escenarios. De este modo, universidades, organizaciones de la sociedad civil y la propia administración puedan examinar el comportamiento de los agentes y detectar problemas antes de escalar su uso.
3. Transparencia y explicabilidad: los datos abiertos podrían ayudar a documentar de dónde proceden los datos que utiliza un agente, cómo se han transformado o qué versiones de los conjuntos de datos estaban vigentes cuando se tomó una decisión. Esta trazabilidad contribuye a la explicabilidad y la rendición de cuentas, especialmente cuando un agente de IA interviene en decisiones que afectan a los derechos de las personas o a su acceso a servicios públicos. Si la ciudadanía puede consultar, por ejemplo, los criterios y datos que se aplican para otorgar una ayuda, se refuerza la confianza en el sistema.

El panorama de la IA agéntica en España y en el resto del mundo

Aunque el concepto de IA agéntica es reciente, ya existen iniciativas en marcha en el sector público a nivel internacional y comienzan a abrirse paso también en el contexto europeo y español:

• La Government Technology Agency (GovTech) de Singapur ha publicado una guía Agentic AI Primer para orientar a desarrolladores y responsables públicos sobre cómo aplicar esta tecnología, destacando tanto sus ventajas como sus riesgos. Además, el gobierno está pilotando el uso de agentes en varios ámbitos para reducir la carga administrativa de los trabajadores sociales y apoyar a las empresas en procesos complejos de obtención de licencias. Todo ello en un entorno controlado (sandbox) para probar estas soluciones antes de escalarlas.
• El Gobierno de Reino Unido ha publicado una nota específica dentro de su documentación “AI Insights” para explicar qué es la IA agéntica y por qué es relevante para servicios gubernamentales. Además, ha anunciado una licitación para desarrollar un “GOV.UK Agentic AI Companion” que sirva de asistente inteligente para la ciudadanía desde el portal del gobierno.
• La Comisión Europea, en el marco de la estrategia Apply AI y de la iniciativa GenAI4EU, ha lanzado convocatorias para financiar proyectos piloto que introduzcan soluciones de IA generativa escalables y replicables en las administraciones públicas, plenamente integradas en sus flujos de trabajo. Estas convocatorias buscan precisamente acelerar el paso en la digitalización a través de IA (incluidos agentes especializados) para mejorar la toma de decisiones, simplificar procedimientos y hacer la administración más accesible.

En España, aunque la etiqueta “IA agéntica” todavía no se utiliza aún de forma amplia, ya se pueden identificar algunas experiencias que van en esa dirección. Por ejemplo, distintas administraciones están incorporando copilotos basados en IA generativa para apoyar a los empleados públicos en tareas de búsqueda de información, redacción y resumen de documentos, o gestión de expedientes, como muestran iniciativas de gobiernos autonómicos como el de Aragón y o entidades locales como el Ayuntamiento de Barcelona que empiezan a documentarse de forma pública.

El salto hacia agentes más autónomos en el sector público parece, por tanto, una evolución natural sobre la base de la administración electrónica existente. Pero esa evolución debe, al mismo tiempo, reforzar el compromiso con la transparencia, la equidad, la rendición de cuentas, la supervisión humana y el cumplimiento normativo que exige el Reglamento de IA y el resto del marco normativo y que deben guiar las actuaciones de la administración pública.

Mirando hacia el futuro: agentes de IA, datos abiertos y confianza ciudadana

La llegada de la IA agéntica ofrece de nuevo a la Administración pública nuevas herramientas para reducir la burocracia, personalizar la atención y optimizar sus siempre escasos recursos. Sin embargo, la tecnología es solo un medio, el fin último sigue siendo generar valor público reforzando la confianza de la ciudadanía.

En principio, España parte de una buena posición: dispone de una Estrategia de Inteligencia Artificial 2024 que apuesta por una IA transparente, ética y centrada en las personas, con líneas específicas para impulsar su uso en el sector público; cuenta con una infraestructura consolidada de datos abiertos; y ha creado la Agencia Española de Supervisión de la Inteligencia Artificial (AESIA) como organismo encargado de garantizar un uso ético y seguro de la IA, de acuerdo con el Reglamento Europeo de IA.

Estamos, por tanto, ante una nueva oportunidad de modernización que puede construir unos servicios públicos más eficientes, cercanos e incluso proactivos. Si somos capaces de adoptar la IA agéntica adecuadamente, los agentes que se desplieguen no serán una “caja negra” que actúa sin supervisión, sino “agentes públicos” digitales, transparentes y auditables, diseñados para trabajar con datos abiertos, explicar sus decisiones y dejar rastro de las acciones que realizan. Herramientas, en definitiva, inclusivas, centradas en las personas y alineadas con los valores del servicio público.

Los agentes de IA (como los de Google ADK, LangChain, etc.) son "cerebros". Pero un cerebro sin "manos" no puede actuar en el mundo real (consultar APIs, buscar en bases de datos, etc.). Esas "manos" son las herramientas.

El desafío es: ¿cómo conectas el cerebro con las manos de forma estándar, desacoplada y escalable? La respuesta es el Model Context Protocol (MCP).

Como ejercicio práctico, construiremos un sistema de agente conversacional que permite explorar el Catálogo Nacional de datos abiertos albergado en datos.gob.es mediante preguntas en lenguaje natural, facilitando así el acceso a datos públicos.

En este ejercicio práctico, el objetivo principal es ilustrar, paso a paso, cómo construir un servidor de herramientas independiente que hable el protocolo MCP.

Para hacer este ejercicio tangible y no solo teórico, usaremos, FastMCP para construir el servidor. Para probar que nuestro servidor funciona, crearemos un agente simple con Google ADK que lo consuma. El caso de uso (consultar la API de datos.gob.es) ilustra esta conexión entre herramientas y agentes. El verdadero aprendizaje es la arquitectura, que podrías reutilizar para cualquier API o base de datos.

A continuación se muestran las tecnologías que usaremos y un esquema de cómo están realizados entre sí los diferentes componentes

• FastMCP (mcp.server.fastmcp): implementación ligera del protocolo MCP que permite crear servidores de herramientas con muy poco código mediante decoradores Python. Es el 'protagonista' del ejercicio.
• Google ADK (Agent Development Kit): framework para definir el agente de IA, su prompt y conectarlo a las herramientas. Es el 'cliente' que prueba nuestro servidor.
• FastAPI: para servir el agente como una API REST con interfaz web interactiva.
• httpx: para realizar llamadas asíncronas a la API externa de datos.gob.es.
• Docker y Docker Compose: para paquetizar y orquestar los dos microservicios, permitiendo que se ejecuten y comuniquen de forma aislada.

Figura 1. Arquitectura desacoplada con comunicación MCP.

El diagrama ilustra una arquitectura desacoplada dividida en cuatro componentes principales que se comunican mediante el protocolo MCP. Cuando el usuario realiza una consulta en lenguaje natural, el Agente ADK (basado en Google Gemini) procesa la intención y se comunica con el servidor MCP a través del Protocolo MCP, que actúa como intermediario estandarizado. El servidor MCP expone cuatro herramientas especializadas (buscar datasets, listar temáticas, buscar por temática y obtener detalles) que encapsulan toda la lógica de negocio para interactuar con la API externa de datos.gob.es. Una vez que las herramientas ejecutan las consultas necesarias y reciben los datos del catálogo nacional, el resultado se propaga de vuelta al agente, que finalmente genera una respuesta comprensible para el usuario, completando así el ciclo de comunicación entre el "cerebro" (agente) y las "manos" (herramientas).

Accede al repositorio del laboratorio de datos en GitHub

Accede al notebook de Google Colab

La arquitectura: servidor MCP y agente consumidor

La clave de este ejercicio es entender la relación cliente-servidor:

1. El Servidor (Backend): es el protagonista de este ejercicio. Su único trabajo es definir la lógica de negocio (las "herramientas") y exponerlas al mundo exterior usando el "contrato" estándar de MCP. Es el responsable de encapsular toda la lógica de comunicación con la API de datos.gob.es.
2. El Agente (Frontend): es el "cliente" o "consumidor" de nuestro servidor. Su rol en este ejercicio es probar que nuestro servidor MCP funciona. Lo usamos para conectarnos, descubrir las herramientas que el servidor ofrece y llamarlas.
3. El Protocolo MCP: es el "lenguaje" o "contrato" que permite que el agente y el servidor se entiendan sin necesidad de conocer los detalles internos del otro.

Proceso de desarrollo

El núcleo del ejercicio se divide en tres partes: crear el servidor, crear un cliente para probarlo y ejecutarlos.

# Ejemplo de configuración en agent.py
root_agent = LlmAgent(
   ...
   instruction="Eres un asistente especializado en datos.gob.es...",
   tools=[
       MCPToolset(
           connection_params=StreamableHTTPConnectionParams(
               url="http://mcp-server:8000/mcp",
           ),
       )
   ]
)

Fuente: https://docs.unitycatalog.io/

Accede al repositorio del laboratorio de datos en Github

Accede al notebook de Google Colab

Despliegue y primeros pasos

• Clonamos el repositorio de Unity Catalog y lo levantamos con Docker.
• Exploramos su arquitectura: un backend accesible por API y CLI, y una interfaz gráfica intuitiva.
• Navegamos por los recursos que gestiona Unity Catalog: catálogos, esquemas, tablas, volúmenes, funciones y modelos.

Figura 2. Captura de pantalla

¿Qué aprenderemos aquí?

Cómo levantar la aplicación, sus componentes principales, y cómo empezar a interactuar con ella desde distintos puntos: web, API y CLI.

Organización de recursos

• Configuramos una base de datos MySQL externa como repositorio de metadatos.
• Creamos catálogos para representar distintas ciudades y esquemas para distintos servicios públicos.

Figura 3. Captura de pantalla

¿Qué aprenderemos aquí?

Cómo estructurar el gobierno de datos a distintos niveles (ciudad, servicio, dataset) y cómo gestionar los metadatos de forma centralizada y persistente.

Construcción de datos y uso real

• Creamos tablas estructuradas para representar rutas, autobuses o paradas.
• Cargamos datos reales en estas tablas usando PySpark.Habilitamos un bucket en AWS S3 como almacenamiento de datos en crudo (volúmenes).
• Subimos ficheros JSON con eventos de telemetría y los gobernamos desde Unity Catalog.

Figura 4. Esquema

¿Qué aprenderemos aquí?

Cómo convivir con distintos tipos de datos (estructurados y no estructurados), y cómo integrarlos con fuentes externas (como AWS S3).

Funciones reutilizables y modelos de IA

• Registramos funciones personalizadas (como el cálculo de distancias) reutilizables desde el catálogo.
• Creamos y registramos modelos de machine learning con MLflow.
• Ejecutamos predicciones desde Unity Catalog como si fueran cualquier otro recurso del ecosistema.

Figura 5. Captura de pantalla

¿Qué aprenderemos aquí?

Cómo ampliar el gobierno de datos a funciones y modelos, y cómo facilitar su reutilización y trazabilidad en entornos colaborativos.

En el panorama actual del análisis de datos y la inteligencia artificial, la generación automática de informes completos y coherentes representa un desafío significativo. Mientras que las herramientas tradicionales permiten visualizar datos o generar estadísticas aisladas, existe la necesidad de sistemas que puedan investigar un tema a fondo, recopilar información de diversas fuentes, y sintetizar hallazgos en un informe estructurado y coherente.

En este ejercicio práctico, exploraremos el desarrollo de un agente de generación de reportes basado en LangGraph e inteligencia artificial. A diferencia de los enfoques tradicionales basados en plantillas o análisis estadísticos predefinidos, nuestra solución aprovecha los últimos avances en modelos de lenguaje para:

1. Crear equipos virtuales de analistas especializados en diferentes aspectos de un tema.
2. Realizar entrevistas simuladas para recopilar información detallada.
3. Sintetizar los hallazgos en un informe coherente y bien estructurado.

Accede al repositorio del laboratorio de datos en GitHub

Accede al notebook de Google Colab

Como se muestra en la Figura 1, el flujo completo del agente sigue una secuencia lógica que va desde la generación inicial de preguntas hasta la redacción final del informe.

Figura 1. Diagrama de flujo del agente.

Arquitectura de la aplicación

El núcleo de la aplicación se basa en un diseño modular implementado como un grafo de estados interconectados, donde cada módulo representa una funcionalidad específica en el proceso de generación de reportes. Esta estructura permite un flujo de trabajo flexible, recursivo cuando es necesario, y con capacidad de intervención humana en puntos estratégicos.

Componentes principales

El sistema se compone de tres módulos fundamentales que trabajan en conjunto:

1. Generador de Analistas Virtuales

Este componente crea un equipo diverso de analistas virtuales especializados en diferentes aspectos del tema a investigar. El flujo incluye:

• Creación inicial de perfiles basados en el tema de investigación.
• Punto de retroalimentación humana que permite revisar y refinar los perfiles generados.
• Regeneración opcional de analistas incorporando sugerencias.

Este enfoque garantiza que el informe final incluya perspectivas diversas y complementarias, enriqueciendo el análisis.

2. Sistema de Entrevistas

Una vez generados los analistas, cada uno participa en un proceso de entrevista simulada que incluye:

• Generación de preguntas relevantes basadas en el perfil del analista.
• Búsqueda de información en fuentes vía Tavily Search y Wikipedia.
• Generación de respuestas informativas combinando la información obtenida.
• Decisión automática sobre continuar o finalizar la entrevista en función de la información recopilada.
• Almacenamiento de la transcripción para su procesamiento posterior.

El sistema de entrevistas representa el corazón del agente, donde se obtiene la información que nutrirá el informe final. Tal y como se muestra en la Figura 2, este proceso puede monitorizarse en tiempo real mediante LangSmith, una herramienta abierta de observabilidad que permite seguir cada paso del flujo.

Figura 2. Monitorización del sistema vía LangGraph. Ejemplo concreto de una interacción analista-entrevistador.

3. Generador de Informes

Finalmente, el sistema procesa las entrevistas para crear un informe coherente mediante:

• Redacción de secciones individuales basadas en cada entrevista.
• Creación de una introducción que presente el tema y la estructura del informe.
• Organización del contenido principal que integra todas las secciones.
• Generación de una conclusión que sintetiza los hallazgos principales.
• Consolidación de todas las fuentes utilizadas.

La Figura 3 muestra un ejemplo del informe resultante del proceso completo, demostrando la calidad y estructura del documento final generado automáticamente.

Figura 3. Vista del informe resultante del proceso de generación automática al prompt de “Datos abiertos en España”.

¿Qué puedes aprender?

Este ejercicio práctico te permite aprender:

Integración de IA avanzada en sistemas de procesamiento de información:

• Cómo comunicarse efectivamente con modelos de lenguaje.
• Técnicas para estructurar prompts que generen respuestas coherentes y útiles.
• Estrategias para simular equipos virtuales de expertos.

Desarrollo con LangGraph:

• Creación de grafos de estados para modelar flujos complejos.
• Implementación de puntos de decisión condicionales.
• Diseño de sistemas con intervención humana en puntos estratégicos.

Procesamiento paralelo con LLM:

• Técnicas de paralelización de tareas con modelos de lenguaje.
• Coordinación de múltiples subprocesos independientes.
• Métodos de consolidación de información dispersa.

Buenas prácticas de diseño:

• Estructuración modular de sistemas complejos.
• Manejo de errores y reintentos.
• Seguimiento y depuración de flujos de trabajo mediante LangSmith.

Conclusiones y futuro

Este ejercicio demuestra el extraordinario potencial de la inteligencia artificial como puente entre los datos y los usuarios finales. A través del caso práctico desarrollado, podemos observar cómo la combinación de modelos de lenguaje avanzados con arquitecturas flexibles basadas en grafos abre nuevas posibilidades para la generación automática de informes.

La capacidad de simular equipos de expertos virtuales, realizar investigaciones paralelas y sintetizar hallazgos en documentos coherentes, representa un paso significativo hacia la democratización del análisis de información compleja.

Para aquellas personas interesadas en expandir las capacidades del sistema, existen múltiples direcciones prometedoras para su evolución:

• Incorporación de mecanismos de verificación automática de datos para garantizar la precisión.
• Implementación de capacidades multimodales que permitan incorporar imágenes y visualizaciones.
• Integración con más fuentes de información y bases de conocimiento.
• Desarrollo de interfaces de usuario más intuitivas para la intervención humana.
• Expansión a dominios especializados como medicina, derecho o ciencias.

En resumen, este ejercicio no solo demuestra la viabilidad de automatizar la generación de informes complejos mediante inteligencia artificial, sino que también señala un camino prometedor hacia un futuro donde el análisis profundo de cualquier tema esté al alcance de todos, independientemente de su nivel de experiencia técnica. La combinación de modelos de lenguaje avanzados, arquitecturas de grafos y técnicas de paralelización abre un abanico de posibilidades para transformar la forma en que generamos y consumimos información.

AirSPI es es un visualizador de marcas comerciales publicadas en el Boletín Oficial de la Propiedad Industrial (www.oepm.es):

• Visualización de los últimos 5 boletines.
• Búsqueda de parecidos fonéticos entre las Marcas Publicadas y denominaciones introducidas por el usuario.
• Búsqueda de Denominaciones en Boletín.
• Búsqueda de Agentes de Propiedad Industrial por situación geográfica.