Guillaume Duvernay

Un agente de IA solo hace dos cosas

8 min de lectura

agentsAI efficiencylearning

Se habla de los agentes de IA como si fueran una nueva clase de inteligencia capaz de actuar por su cuenta. Cuando los explico, ya sea en un taller o a un compañero, empiezo por algo mucho más sencillo.

En cada paso, un agente hace una de estas dos cosas: te escribe un mensaje o llama a una herramienta.

Eso es todo. Lo demás es el software que lo rodea.

El ciclo

Envías una petición. El modelo la lee junto con todo lo demás que se le ha proporcionado y decide qué hacer a continuación. O te responde o pide que se ejecute una herramienta: buscar en la web, leer un archivo, consultar tus correos o crear un contacto en tu CRM.

El modelo no ejecuta la herramienta por sí mismo. Escribe una petición breve (“llama a esta herramienta con estos datos”) y el software que lo rodea la ejecuta. El resultado vuelve, se añade a lo que ve el modelo y este vuelve a decidir: otra herramienta o una respuesta.

El ciclo termina cuando el modelo escribe un mensaje sin llamar a ninguna herramienta. Esa es la respuesta final.

Una petición puede convertirse en diez pasos, pero en cada uno se repite uno de los mismos dos movimientos. Las herramientas cambian de un producto a otro. El ciclo, no.

Incluso se podría decir que solo hay un movimiento. Escribirte es una herramienta más, llamada «enviar un mensaje al usuario». A mí me resulta más fácil explicar que hay dos, porque el mensaje es lo que tú ves.

Qué envía realmente el modelo

Por dentro, cada paso es una respuesta breve y estructurada. Simplificada y sin las partes que varían según el proveedor, tiene este aspecto:

{
  "message": "Claro, voy a buscar sus publicaciones más recientes.",
  "tool_call": {
    "name": "search_profile",
    "input": { "name": "Jane Example" }
  }
}

Una respuesta puede incluir a la vez un breve mensaje de progreso y una llamada a una herramienta. Es el «Claro, voy a comprobarlo» que ves en el chat mientras el agente sigue trabajando. La respuesta final incluye un mensaje, pero no una llamada a una herramienta. Así sabe el software que debe detenerse y devolverte el turno.

Todo el proceso, paso a paso

Este es un ejemplo bastante realista de principio a fin: «Busca las 5 publicaciones más recientes de Jane Example en LinkedIn y guárdalas en un archivo». El modelo es el robot. Solo puede escribir. Cada llamada a una herramienta es un encargo que le pasa a la aplicación, representada aquí por un mensajero, que lo realiza y trae el resultado.

You at your desk ask: find Jane Example's 5 latest LinkedIn posts and save them to a file. The model, a blue robot, and the harness, a runner in a red cap, are waiting.The model thinks: two moves, which one? 1, write a message: text for you, nothing runs. 2, call a tool: a request for the harness to run.Step 1. The model says "Sure, let me find her profile first" and hands a red tool-call ticket, search_profile with the name Jane Example, to the runner. It writes the request; it cannot run it.Step 2. The runner dashes to the LinkedIn shop and brings back a result slip: her profile URL and her headline, Head of Ops.Steps 3 and 4. The model reads the result and decides again: another ticket, get_posts with a limit of 5, newest first. The runner hauls back five posts.Steps 5 and 6. A third ticket, write_file posts.md. The runner files it in the cabinet and comes back with a tiny result: ok, true.
Step 7. A message with no tool call: "Done. I saved her 5 latest posts in posts.md." You say thanks; the runner says: no ticket, break time. The loop ends.
Tres llamadas a herramientas y dos mensajes. El robot no se levanta de su escritorio: escribe peticiones y el mensajero hace el trabajo.

Puedes ver cómo funciona en n8n

Antes de Claude Code, n8n fue una de las primeras herramientas que facilitó la creación de agentes, y sigue siendo el lugar más claro para ver el ciclo, porque muestra cada paso.

Este es más o menos el agente más sencillo que puedes crear allí: un activador de chat, un nodo AI Agent, un modelo, una memoria y dos herramientas: una calculadora y Wikipedia.

El modelo y la memoria dan soporte al agente. Las dos herramientas son lo único que puede hacer realmente.

Le pregunté cuál es la población total de Francia y Alemania. No conoce las cifras con seguridad, así que no se las inventa. Este es el proceso, paso a paso, tal como lo registra n8n:

Cuatro llamadas a herramientas y un mensaje. En n8n puedes hacer clic en cada elemento y ver exactamente qué datos envió y qué resultado recibió, además de los tokens y el tiempo que tardó. Es lo que más echo de menos cuando paso a agentes más grandes. Y de eso trata tener curiosidad por lo que ha hecho tu agente.

Claude Code funciona igual, pero con mejores herramientas

Claude Code, Codex en la aplicación ChatGPT y OpenCode ejecutan exactamente este ciclo. Lo que cambia es la lista de herramientas. Incluyen las más útiles para trabajar en el ordenador: leer un archivo, buscar entre archivos, editar uno, crear uno nuevo y ejecutar un comando en el terminal. La mayoría también ofrece búsqueda web, y puedes añadir tus propias herramientas mediante conectores.

El terminal es lo que lo cambia todo. Desde un terminal, un agente puede hacer casi cualquier cosa que pueda hacer tu ordenador, sin necesitar una herramienta específica para cada tarea. Y a los modelos se les da muy bien, porque los comandos y los scripts son código, y es con el código con lo que estos modelos se sienten más cómodos.

También lo veo en Softr. Cuando le pedimos a un agente que monte algo con muchas herramientas específicas, hacen falta muchas llamadas y a menudo algo sale mal. Si le pedimos que escriba un poco de JavaScript para hacer lo mismo, muchas veces lo resuelve a la primera.

Por eso, en buena medida, recomiendo trabajar con archivos. Así, tu trabajo queda en el terreno donde el agente es más fuerte.

Por qué conviene saberlo

Puede sonar a simple curiosidad. En la práctica, cambia lo que haces cuando algo va mal.

Cuando un agente te da una respuesta incorrecta, solo puede deberse a unas pocas cosas: ha llamado a la herramienta equivocada, ha usado la herramienta correcta con datos incorrectos, la herramienta ha devuelto información incompleta o ha interpretado mal un buen resultado. Puedes comprobar cada una de ellas. Pedirle que «se esfuerce más» no comprueba ninguna.

También te dice qué no puede hacer un agente. Si ninguna herramienta puede borrar una página de tu Notion, ningún prompt conseguirá que la borre. Solo puede elegir entre las opciones que tiene disponibles.

Las aplicaciones de agentes muestran esta información, si sabes dónde mirar. Las llamadas a herramientas son las filas que se distinguen de los mensajes, y puedes abrir cada una.

La misma ejecución que en la viñeta, tal como se ve en Claude Code o Codex. En la fila abierta puedes descubrir con qué información contaba realmente el modelo.

La próxima vez que un agente te sorprenda, abre los pasos. Busca las llamadas a herramientas y mira qué datos entraron y qué resultado devolvieron. La mayoría de las veces, la respuesta está ahí mismo.