Tipos de Agentes de IA: Reactivos, Planificadores y Autónomos

Artículo 5 de la Serie IA Agéntica: Sistemas que Perciben, Deciden y Actúan

< Artículo Anterior

En los últimos artículos de esta serie, vimos qué es un agente, en qué se diferencia de un simple modelo de lenguaje y qué componentes forman su anatomía. Ha llegado el momento de responder a una pregunta práctica: cuando dices “agente de IA”, ¿de qué tipo estás hablando?

La respuesta es importante. Un agente reactivo y un agente autónomo pueden usar el mismo modelo de lenguaje de base, pero se comportan de maneras completamente diferentes. Confundir ambos lleva a expectativas erróneas, arquitecturas inadecuadas y frustraciones innecesarias.

Clasificación de agentes

No existe una taxonomía oficial de agentes de IA. Diferentes investigadores y frameworks utilizan términos distintos para cosas parecidas. Pero, en la práctica, tres categorías cubren la gran mayoría de los sistemas que encontrarás o construirás:

1. Agentes reactivos (basados en reglas o reflexivos)
2. Agentes orientados a LLM (LLM-driven)
3. Agentes planificadores (multi-step planners)

Estas categorías no son excluyentes y pueden combinarse. Un agente real frecuentemente mezcla características de las tres. Pero entender cada una por separado aclara el razonamiento.

1. Agentes Reactivos

Qué son

Los agentes reactivos responden a estímulos del entorno con acciones predefinidas. No planifican. No razonan sobre consecuencias futuras. Reciben una entrada, consultan un conjunto de reglas y ejecutan la acción correspondiente.

La lógica central es simple:

SI condición X → ENTONCES acción Y

Cómo funcionan en la práctica

Piensa en un chatbot de atención al cliente que identifica palabras clave y redirige a departamentos. O en un script de automatización que monitorea logs y dispara alertas cuando detecta un patrón de error. O incluso en un asistente de correo electrónico que clasifica mensajes por remitente y aplica etiquetas.

Ninguno de estos sistemas “piensa”. Reaccionan.

Puntos fuertes

• Predecibles: el comportamiento es determinista. Para una entrada X, la salida Y es siempre la misma.
• Rápidos: sin sobrecarga de razonamiento. La latencia es baja.
• Fáciles de auditar: puedes inspeccionar cada regla y entender el comportamiento sin sorpresas.
• Confiables en contextos controlados: en entornos donde el conjunto de situaciones posibles es finito y está bien mapeado, las reglas funcionan muy bien.

Limitaciones

El problema aparece cuando el mundo se vuelve más complejo que las reglas previstas. Si la situación no encaja en ninguna regla, el agente no sabe qué hacer. No generaliza. Cada excepción exige una nueva regla y, pronto, el sistema se convierte en un laberinto de condiciones.

Además, las reglas son estáticas. No aprenden de nuevas situaciones y no adaptan su comportamiento basándose en el contexto histórico.

Los agentes reactivos son excelentes cuando el problema está bien definido. Son frágiles cuando el problema presenta una variación significativa.

2. Agentes Orientados a LLM

Qué son

Aquí entra el modelo de lenguaje como motor de decisión. En lugar de reglas fijas, el agente utiliza un LLM para interpretar la situación y decidir qué hacer. La inteligencia deja de estar en el código y pasa a estar en el modelo.

La estructura básica cambia a:

entrada → LLM (razonamiento) → acción

Cómo funcionan en la práctica

El agente recibe una entrada (texto, datos, contexto), la envía al modelo con un prompt que describe las herramientas disponibles y el objetivo, y ejecuta la acción que el modelo indique. El resultado puede ser llamar a una API, escribir un archivo, responder una pregunta o cualquier otra cosa que las herramientas del agente permitan.

El salto respecto al modelo reactivo

La diferencia crucial es que el LLM generaliza. Fue entrenado con una cantidad enorme de texto y aprendió patrones de razonamiento. Esto significa que puede manejar situaciones que no fueron programadas explícitamente, interpretar lenguaje ambiguo y adaptar la respuesta al contexto.

Un agente LLM-driven puede recibir la petición “necesito una tabla comparando los tres planes de la competencia” y saber que eso implica buscar datos, estructurar una tabla y formatear la respuesta, sin que se haya escrito ninguna regla para ese caso específico.

Limitaciones

La generalización tiene un costo: la imprevisibilidad. La misma entrada puede generar salidas ligeramente diferentes. El modelo puede “alucinar”, cometer errores de razonamiento o interpretar mal la intención.

Además, los agentes LLM-driven simples siguen siendo esencialmente reactivos en su estructura: reciben un input y producen una respuesta. La diferencia es que el motor de decisión es probabilístico, no basado en reglas. Para tareas que requieren múltiples pasos coordinados a lo largo del tiempo, esto no es suficiente.

3. Agentes Planificadores (Multi-step Planners)

Qué son

Los planificadores son agentes que, antes de actuar, construyen un plan. Descomponen un objetivo complejo en subtareas, ejecutan cada paso, observan los resultados y ajustan el plan según sea necesario.

El ciclo que los define es:

objetivo → plan → acción → observación → revisión del plan → próxima acción → ...

Este bucle continúa hasta que se alcanza el objetivo o el agente concluye que no puede avanzar.

Cómo funcionan en la práctica

Imagina pedirle a un agente: “Investiga los tres principales competidores de nuestro producto, compara los precios y genera un informe en PDF”.

Un agente reactivo no sabría qué hacer. Un agente LLM simple intentaría responder todo a la vez, probablemente inventando datos.

Un agente planificador haría algo así:

1. Identificar que la tarea tiene tres subtareas: investigación, comparación y generación de documento.
2. Usar una herramienta de búsqueda para recolectar información sobre cada competidor.
3. Estructurar los datos recolectados en una tabla comparativa.
4. Llamar a una herramienta de generación de PDF con el contenido estructurado.
5. Verificar si el PDF se generó correctamente e informar el resultado.

Si en la etapa 2 un competidor no tiene información de precios disponible públicamente, el agente revisa el plan: intenta otra fuente o registra esa carencia en el informe, en lugar de inventar un número.

Frameworks que implementan este patrón

Varios frameworks modernos se construyen alrededor de este modelo de planificación:

• ReAct (Reasoning + Acting): el modelo alterna entre razonar sobre la situación y ejecutar acciones, produciendo un rastro de pensamiento explícito antes de cada acción.
• Plan-and-Execute: el agente genera un plan completo antes de comenzar a ejecutar, y una segunda etapa supervisa la ejecución.
• LangGraph, AutoGen, CrewAI: frameworks que implementan grafos de estado donde cada nodo representa una etapa del plan y las aristas representan transiciones condicionales.

Exploraremos cada uno de estos patrones en profundidad en futuros artículos.

Por qué los planificadores son diferentes

La distinción fundamental es el horizonte temporal. Los agentes reactivos operan en el presente inmediato: recibo X, hago Y. Los planificadores operan sobre secuencias: para llegar a Z, necesito pasar por A, B y C, en ese orden, ajustando según lo que suceda en cada paso.

Esta capacidad de razonar sobre una secuencia de pasos futuros es lo que permite que los agentes planificadores realicen tareas que duran minutos u horas, no solo segundos.

Comparación directa

Ninguna categoría es mejor que las otras de forma absoluta. La elección depende del problema.

Cuándo usar cada tipo

La decisión no es filosófica, es práctica. Algunas preguntas ayudan a guiar la elección:

Usa un agente reactivo cuando:

• El conjunto de situaciones posibles es finito y está bien mapeado.
• La velocidad de respuesta es crítica.
• La auditabilidad y previsibilidad son requisitos obligatorios (ej. sistemas regulados).
• El costo de tokens importa mucho.

Usa un agente LLM-driven cuando:

• Las entradas varían mucho y las reglas fijas no cubren todos los casos.
• Necesitas lenguaje natural como interfaz.
• La tarea cabe en un solo turno de razonamiento.

Usa un agente planificador cuando:

• La tarea involucra múltiples pasos secuenciales.
• El agente necesita usar varias herramientas en coordinación.
• El objetivo final no puede alcanzarse con una sola acción.
• Necesitas que el agente maneje fallos intermedios y ajuste el plan.

La realidad: sistemas híbridos

En la práctica, los sistemas de producción rara vez utilizan un único tipo puro. Un producto real puede tener:

• Un agente reactivo para el triaje rápido de peticiones (clasificar, enrutar, validar formato).
• Un agente LLM para interpretar la intención del usuario y generar respuestas conversacionales.
• Un agente planificador para ejecutar flujos de trabajo complejos en segundo plano.

Esta composición permite que cada parte del sistema use el tipo de agente más adecuado para su rol. Velocidad donde la velocidad importa, razonamiento donde el razonamiento es necesario, planificación donde la tarea es larga e incierta.

En el próximo artículo de esta serie, saldremos de la teoría y construiremos el primer agente funcional desde cero, con código, un bucle real de percepción-acción-observación y herramientas integradas.

Resumen

• Reactivos operan por reglas fijas. Rápidos, predecibles, frágiles fuera del alcance mapeado.
• LLM-driven usan un modelo de lenguaje como motor de decisión. Generalizan bien, pero operan en un solo turno.
• Planificadores descomponen objetivos en pasos, ejecutan en bucle y ajustan el plan basándose en los resultados. Son los más capaces para tareas complejas y los más difíciles de depurar.

La elección entre ellos no es una cuestión de cuál es más avanzado. Es una cuestión de cuál resuelve el problema que tienes.

Este es el quinto artículo de una serie sobre IA con agentes: sistemas que perciben, deciden y actúan. Es lo suficientemente técnico para desarrolladores, pero accesible para quienes se inician en este campo.

< Artigo Anterior

Equipo de ingeniería de InnoVox
Engenheiros focados em construir sistemas de IA confiáveis

CONTÁCTANOS