Casi toda empresa está aprendiendo hoy a hablar de agentes de IA. Muchas menos logran que uno funcione. En la encuesta global de McKinsey de 2025, el 88% de las organizaciones ya usa IA en al menos una función de negocio, pero no más del 10% ha escalado agentes en alguna función concreta [1]. Gartner espera que más del 40% de los proyectos de IA agéntica se cancelen para finales de 2027, por costos, valor poco claro y controles débiles [2]. Detrás de esa brecha hay un problema de vocabulario: los equipos adoptan las herramientas antes de compartir el lenguaje para razonar sobre ellas. Este glosario lo resuelve.
La respuesta corta: los 20 términos de abajo se agrupan en seis trabajos que todo agente debe hacer bien: correr un bucle, mantenerse anclado en fuentes, conectarse a herramientas y a otros agentes, coordinarse a escala, mantenerse bajo control y demostrar que funciona. Apréndelos una vez y cada decisión sobre agentes, de la arquitectura al presupuesto, se vuelve más clara.
¿Por qué importa este vocabulario ahora?
Porque las palabras se corresponden directamente con dónde los proyectos triunfan o fracasan.
La adopción es amplia y los resultados son escasos (ver FIG-1). La mayoría de las organizaciones puede iniciar un piloto de agentes; muchas menos hacen que uno sea lo bastante confiable para confiarle trabajo real. La razón rara vez es el modelo. Es la ingeniería que lo rodea: cómo hace su bucle el agente, qué recupera, cómo se conecta, cómo se coordina, cómo se gobierna y cómo se mide. Cada uno de los seis grupos de este glosario es una de esas decisiones. Domina el lenguaje y podrás distinguir una demo de un sistema.
Datos
| Etapa de adopción | Porcentaje de organizaciones |
|---|---|
| Usan IA en al menos una función de negocio | 88% |
| Al menos experimentando con agentes de IA | 62% |
| Escalando un sistema agéntico en algún lugar | 23% |
| Agentes escalados en una sola función (10% o menos) | 10% |
Aquí está el mapa completo antes del detalle. La Tabla 1 ordena los 20 términos en los seis trabajos que sirven.
Tabla 1. Los 20 términos de IA agéntica, agrupados por el trabajo que hacen.
| Trabajo | Términos |
|---|---|
| Correr el bucle central | Bucle del agente, Uso de herramientas, Memoria |
| Anclarse en el conocimiento | RAG, Grounding, Ingeniería de contexto |
| Conectarse a herramientas y agentes | MCP, Protocolos de agentes, A2A, Identidad del agente |
| Coordinarse a escala | Orquestador, Sistema multiagente, Handoffs, Pipeline agéntico |
| Mantenerse seguro y bajo control | Guardrails, Capa de políticas, Sandboxing, Humano en el circuito |
| Demostrar que funciona | Observabilidad del agente, Evaluación (evals) |
¿Qué hace que una IA sea "agéntica" en primer lugar?
Un agente es un modelo que actúa, no que solo responde. Tres términos definen el núcleo.
1. Bucle del agente (agent loop). El motor de la agencia. En lugar de devolver una sola respuesta, el agente corre un ciclo: razona sobre el objetivo, elige una acción, la ejecuta, observa el resultado y repite hasta terminar la tarea. Anthropic describe a los agentes efectivos como modelos que "usan herramientas en un bucle" según la retroalimentación del entorno, y recomienda el bucle más simple que funcione antes de añadir estructura [3].
2. Uso de herramientas (tool use). Cómo un agente afecta al mundo. Las herramientas son funciones que el modelo puede llamar: buscar en una base de datos, enviar un correo, ejecutar código, consultar una API. El uso de herramientas convierte un generador de texto en algo que agenda una reunión o abre un ticket. La calidad de un agente está limitada por la calidad y la seguridad de las herramientas que puede alcanzar [3].
3. Memoria (memory). Lo que el agente lleva entre pasos y sesiones. La memoria de corto plazo es el contexto de trabajo dentro de una sola ejecución (la conversación y los resultados intermedios). La memoria de largo plazo es un almacén externo en el que el agente puede escribir y leer después, para no volver a aprender el mismo dato cada vez. La memoria es lo que permite a un agente manejar una tarea más larga que una sola ventana de contexto.
¿Cómo consiguen los agentes el conocimiento correcto?
Un modelo solo conoce sus datos de entrenamiento hasta que le das más. Este grupo es el cómo.
4. RAG (generación aumentada por recuperación). El patrón dominante para alimentar a los agentes con conocimiento fresco y privado. En el momento de la consulta, el sistema recupera documentos relevantes de un índice de búsqueda o un almacén vectorial y los pasa al modelo como contexto, para que las respuestas reflejen tus datos y no la memoria del modelo. Sistemas RAG diseñados a propósito han reportado reducciones de alucinaciones de más del 40% frente a bases sin anclaje [4].
5. Grounding (anclaje en fuentes). El objetivo al que sirve RAG: ligar cada afirmación a una fuente verificable y actual. Una respuesta anclada puede citar de dónde salió; una sin anclaje es una suposición plausible. El grounding es lo que hace auditable la salida de un agente, algo innegociable en trabajo regulado o de alto riesgo.
6. Ingeniería de contexto (context engineering). La disciplina de decidir qué entra en la ventana de contexto limitada del modelo, y en qué orden. Abarca la estructura del prompt, qué fragmentos recuperados incluir, cómo comprimir el historial y qué dejar fuera. A medida que los agentes corren más tiempo y manejan más herramientas, la ingeniería de contexto, no la redacción del prompt, se vuelve la palanca principal de la fiabilidad y el costo [5].
¿Cómo se conectan los agentes a las herramientas y entre sí?
Los agentes aislados son débiles. El valor viene de la conexión, y la conexión necesita estándares.
7. MCP (Model Context Protocol). El estándar abierto para conectar un agente con herramientas, datos y contexto, a menudo llamado el "USB-C de la IA". Presentado por Anthropic en noviembre de 2024, reemplaza las integraciones a la medida con un solo protocolo que cualquier cliente puede hablar [6]. A un año, su registro público tenía cerca de 2,000 entradas de servidores tras un crecimiento del 407% en un trimestre, y el protocolo pasó a una gobernanza neutral bajo la Linux Foundation [7].
8. Protocolos de agentes (agent protocols). La categoría más amplia de estándares abiertos que permiten que agentes, herramientas y servicios interoperen sin pegamento a la medida para cada par. Son para los agentes lo que HTTP fue para la web: las reglas compartidas que convierten sistemas aislados en un ecosistema y reducen la dependencia de un proveedor.
9. A2A (Agent2Agent). El estándar abierto para la comunicación agente-agente. Donde MCP conecta a un agente con sus herramientas, A2A permite que agentes distintos, posiblemente hechos por distintos proveedores, se descubran, intercambien información de forma segura y se deleguen trabajo. Google lo lanzó en abril de 2025 y lo aportó a la Linux Foundation; hoy más de 100 empresas de tecnología lo respaldan [8][9].
10. Identidad del agente (agent identity). Una respuesta verificable a "¿qué agente es este y qué le está permitido hacer?". A medida que los agentes llaman a herramientas y entre sí, cada uno necesita sus propias credenciales, permisos y rastro de auditoría, separados de la persona que lo lanzó. Sin una identidad distinta no puedes aplicar el mínimo privilegio ni rastrear quién hizo qué, por eso está en el centro de las guías de seguridad agéntica [10].
¿Cómo se coordina a más de un agente?
Un agente es un componente. Un sistema son muchos, y la coordinación es donde los sistemas se rompen.
11. Orquestador (orchestrator). El controlador central que descompone una tarea, enruta cada parte al agente o herramienta correcto y verifica el resultado. Un orquestador controlado le gana a un enjambre suelto porque las fallas de coordinación, no los modelos débiles, son la causa principal del colapso multiagente [11]. Es el patrón que diseñamos primero, no al final.
12. Sistema multiagente (multi-agent system). Varios agentes especializados trabajando hacia un mismo objetivo. Bien hecho, eleva el desempeño en trabajo amplio y paralelizable: el investigador multiagente de Anthropic superó a un agente único fuerte en 90.2% en su eval interna [5]. Mal hecho, multiplica el costo y la superficie de falla. Úsalo cuando un solo agente demostrablemente no puede hacer el trabajo, no por defecto.
13. Handoffs (transferencias entre agentes). El momento en que un agente pasa el control y el contexto a otro. Una transferencia que pierde contexto o describe mal la tarea es un punto de falla clásico; un estudio de UC Berkeley sobre 1,642 trazas multiagente atribuyó la mayoría de las fallas a la especificación y a la desalineación entre agentes, no a la debilidad del modelo [11]. Las transferencias limpias son un entregable de ingeniería, no una ocurrencia tardía.
14. Pipeline agéntico (agentic pipeline). Una secuencia definida de pasos o etapas de agentes, cada una con una entrada, una salida y una verificación claras. Estructurar el trabajo como un pipeline te permite verificar entre pasos, algo que importa porque las tasas de error se componen: encadena suficientes pasos y hasta una alta exactitud por paso decae hacia un todo poco confiable. Tramos más cortos y verificados le ganan a una sola cadena autónoma larga.
El problema es el costo. La coordinación no es gratis, y la moneda son los tokens. La FIG-2 muestra el multiplicador.
Datos
| Tipo de interacción | Tokens vs chat |
|---|---|
| Chat | 1x |
| Un solo agente | 4x |
| Sistema multiagente | 15x |
¿Cómo se mantiene a los agentes seguros y bajo control?
Un agente conectado a herramientas reales puede causar daño real. El control es una capa de diseño, no un ajuste.
15. Guardrails (barreras de seguridad). Los controles que mantienen a un agente dentro del comportamiento previsto: filtros de entrada y salida, verificaciones de contenido y límites sobre lo que puede decir o hacer. Importan porque la inyección de instrucciones (prompt injection) figura como el principal riesgo de seguridad de las aplicaciones con LLM, donde un texto hostil puede secuestrar a un agente con acceso a herramientas [10].
16. Capa de políticas (policy layer). Las reglas que deciden qué le está permitido hacer a un agente antes de actuar: a qué herramientas puede llamar, sobre qué datos y qué acciones necesitan aprobación. Aplicada de forma independiente del modelo (para que un jailbreak no pueda reescribir las reglas), la capa de políticas es cómo aplicas el mínimo privilegio a un sistema autónomo [10].
17. Sandboxing (aislamiento en entorno seguro). Correr las acciones de un agente, sobre todo la ejecución de código y las llamadas a herramientas, dentro de un entorno aislado sin acceso permanente a producción, secretos ni a más red de la que necesita. El sandboxing contiene el radio de impacto cuando, no si, algo sale mal, y es un control central de defensa en profundidad en las guías de seguridad agéntica [10].
18. Humano en el circuito (human-in-the-loop). Mantener a una persona en los puntos de decisión que cargan un costo real: aprobaciones, excepciones y acciones irreversibles. El rol humano no desaparece a medida que los agentes mejoran; sube, hacia el juicio y la supervisión. Los mejores despliegues automatizan lo rutinario y enrutan lo trascendente a una persona.
¿Cómo sabes que un agente realmente funciona?
No puedes confiar en lo que no puedes medir, y una sola demo buena no mide nada.
19. Observabilidad del agente (agent observability). Trazar, registrar e inspeccionar cada paso que da un agente, no solo su respuesta final. Las trazas de varios pasos revelan de forma rutinaria fallas, un paso repetido, un desajuste entre razonamiento y acción, que una verificación de la salida final nunca ve [11]. La observabilidad es lo que convierte "el agente se rompió" en una firma específica y corregible.
20. Evaluación (evals). Medir la calidad del agente contra un umbral definido, a lo largo de ensayos repetidos en lugar de un solo intento. Importa porque los agentes que se ven fuertes una vez colapsan bajo la repetición: el benchmark tau-bench muestra a un modelo líder que pasa una tarea en un solo intento mucho más seguido de lo que la pasa a lo largo de varios intentos consecutivos [12]. Los evals son cómo se gana la autonomía: amplías el alcance de un agente solo en la medida en que su fiabilidad medida lo permita.
Cómo usa MasterDragon estos términos en la práctica
Construimos AI-native, lo que significa que estas palabras no son trivia; son la lista de verificación.
Cada sistema que lanzamos toma a propósito cada una de las seis decisiones. Diseñamos primero el bucle del agente y sus herramientas, anclamos al agente con RAG e ingeniería de contexto disciplinada, lo conectamos a través de protocolos abiertos como MCP y A2A con una identidad de agente real, lo coordinamos mediante un orquestador central en lugar de un enjambre, lo envolvemos en guardrails, una capa de políticas, sandboxing y aprobación humana donde el costo es real, y lo instrumentamos con observabilidad y evals antes de ampliar su autonomía. Esa es la diferencia entre un agente que hace demo y uno que llega a producción y se queda ahí.
Si estás construyendo con agentes, habla con nuestros ingenieros de IA, y empieza por nuestro portafolio de productos AI-native ya lanzados.
Referencias
- McKinsey & Company. (2025, 5 de noviembre). The state of AI in 2025: Agents, innovation, and transformation. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- Gartner. (2025, 25 de junio). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
- Anthropic. (2024). Building effective AI agents. https://www.anthropic.com/research/building-effective-agents
- Gupta, S., et al. (2025). Retrieval-augmented generation: A comprehensive survey of architectures, enhancements, and robustness frontiers. arXiv. https://arxiv.org/abs/2506.00054
- Anthropic. (2025). How we built our multi-agent research system. https://www.anthropic.com/engineering/multi-agent-research-system
- Anthropic. (2024, 25 de noviembre). Introducing the Model Context Protocol. https://www.anthropic.com/news/model-context-protocol
- Model Context Protocol. (2025, 25 de noviembre). One year of MCP. https://blog.modelcontextprotocol.io/posts/2025-11-25-first-mcp-anniversary/
- Google for Developers. (2025). Google Cloud donates A2A to the Linux Foundation. https://developers.googleblog.com/en/google-cloud-donates-a2a-to-linux-foundation/
- Google Open Source. (2026, 16 de abril). A year of open collaboration: celebrating the anniversary of A2A. https://opensource.googleblog.com/2026/04/a-year-of-open-collaboration-celebrating-the-anniversary-of-a2a.html
- OWASP GenAI Security Project. (2025). LLM01:2025 Prompt injection and the Top 10 for LLM applications. https://genai.owasp.org/llmrisk/llm01-prompt-injection/
- Cemri, M., Pan, M. Z., Yang, S., Agrawal, L. A., Chopra, B., Tiwari, R., Zou, J., Ramchandran, K., Sahai, A., Gonzalez, J. E., & Stoica, I. (2025). Why do multi-agent LLM systems fail? arXiv. https://doi.org/10.48550/arXiv.2503.13657
- Yao, S., Chen, H., Yang, J., & Narasimhan, K. (2024). tau-bench: A benchmark for tool-agent-user interaction in real-world domains. arXiv. https://arxiv.org/abs/2406.12045