Para los responsables de TI y seguridad que evalúan las capacidades de IA en las plataformas de los proveedores o que planifican implementaciones internas, el tipo de agente no es solo un detalle técnico. Determina qué controles de gobernanza necesitará, en qué medida serán auditables las decisiones del sistema y si el comportamiento del agente seguirá siendo predecible a lo largo del tiempo.
En esta guía se analizan los distintos tipos de agentes, se explica en qué se diferencian y se ofrece un marco de referencia para adaptar la complejidad de los agentes a la capacidad de supervisión de su organización.
¿Qué es un agente de IA?
Un agente de inteligencia artificial es un sistema informático que percibe su entorno, procesa información y lleva a cabo acciones para alcanzar objetivos específicos.
Estos sistemas, a veces denominados «agentes inteligentes», se diferencian de los scripts de automatización habituales en un aspecto fundamental: los agentes detectan y responden. Un script ejecuta los mismos pasos independientemente de las condiciones. Un agente evalúa su situación actual y elige una acción basándose en lo que observa.
El tipo de agente determina directamente el grado de supervisión que le convenga. Un agente de reflexión sencillo que reinicia un servicio cuando se producen picos en el uso de la CPU se comporta de forma previsible. Un agente de aprendizaje que adapta su enfoque de corrección en función de los resultados históricos requiere controles de gobernanza totalmente distintos.
Comprender los diferentes tipos de agentes de IA (agentes de reflejo simple, de reflejo basado en modelos, basados en objetivos, basados en la utilidad y de aprendizaje) permite conocer la cantidad de contexto que cada uno de ellos tiene en cuenta, el grado de independencia con el que opera y el nivel de previsibilidad de su comportamiento.
La taxonomía que se expone a continuación no es de carácter meramente académico. Se trata de un marco práctico para evaluar las capacidades de la IA en las implementaciones de plataformas del mundo real que esté barajando, o para comprender qué es lo que ya se está ejecutando en su entorno.
Los cinco tipos principales de agentes de IA
Los cinco tipos de agentes constituyen una progresión que va desde un comportamiento sencillo y predecible hasta una toma de decisiones compleja y adaptativa. Cada paso adelante aporta nuevas capacidades, pero también aumenta la complejidad de la gobernanza.
| Tipo de agente | Principio fundamental | Previsibilidad de las decisiones | Requisito de supervisión |
|---|---|---|---|
| Reflejo simple | Reglas de condición-acción | Alto | Bajo |
| Basado en modelos | Estado interno + reglas | Medio-alto | Bajo-medio |
| Basado en objetivos | Planificación orientada a objetivos | Medio | Medio |
| Basado en la utilidad | Optimización en función de diversos factores | Medio-bajo | Medio-alto |
| Aprendizaje | Mejora basada en los comentarios recibidos | Inferior | Alto |
La posición que ocupe una determinada capacidad de IA en este espectro le ayudará a prever qué controles de gobernanza le convendrá establecer antes de su implementación. Comprender los casos de uso para los que cada tipo de agente resulta más adecuado también le ayuda a evitar implementar una complejidad (y una carga administrativa) mayores de lo que su situación realmente requiere.
Analicemos cada tipo.
Agentes reflejos simples
Los agentes reflexivos simples funcionan según reglas predefinidas que asocian directamente las condiciones con las acciones. Basándose únicamente en la percepción del momento, comparan lo que observan con unas condiciones predefinidas y llevan a cabo la acción correspondiente. No hay memoria. Sin planificación. Simplemente se aplica una lógica del tipo «si... entonces» en función de las condiciones actuales.
Piense en una alerta basada en umbrales que se active cuando la utilización del disco supere el 90 %. Piense en cómo funcionan los termostatos: cuando la temperatura desciende por debajo de un punto de consigna, se activa la calefacción. No recuerdo cómo hacía ayer. No hay previsión. Solo una situación y una reacción.
Al ser el tipo de agente más basado en reglas y más fácil de auditar, los agentes reflejos simples ofrecen una gran trazabilidad de las decisiones. Cada respuesta se corresponde directamente con una regla que usted ha definido, y los resultados suelen ser deterministas: unas mismas condiciones de entrada suelen producir la misma respuesta, siempre que las reglas subyacentes no cambien. Cuando algo sale mal, puede determinar con exactitud qué condición desencadenó cada acción.
La limitación es evidente: los agentes basados en reflejos simples fallan en situaciones que sus reglas no prevén. Si la utilización del disco alcanza picos del 89 % de forma repetida antes de superar el umbral, un agente de respuesta automática simple no detectará dicho patrón.
En entornos de TI, los agentes Reflex sencillos resultan eficaces para realizar comprobaciones del estado de los servicios (reiniciar un servicio cuando deja de responder), emitir alertas sobre los umbrales de recursos y garantizar el cumplimiento de la configuración (señalizar o corregir cuando un parámetro se desvía de la línea de base).
Los agentes basados en reflejos simples destacan en entornos estables y observables: entornos predecibles en los que la respuesta adecuada a una condición determinada no varía en función del contexto y en los que los sensores del agente pueden captar plenamente el estado relevante.
Agentes basados en modelos
Los agentes reflexivos basados en modelos mantienen un estado interno, es decir, una representación actualizada de su entorno que se mantiene a lo largo de las observaciones. Realizan un seguimiento del estado a lo largo del tiempo, lo que les permite abordar situaciones en las que la observación actual por sí sola no ofrece una visión completa de la situación.
Considere un agente que supervisa el estado de los puntos finales en una red distribuida. Un agente de reflexión sencillo detecta que un dispositivo se encuentra actualmente desconectado y activa una alerta. Un agente basado en modelos recuerda que el dispositivo se ha quedado sin conexión tres veces en la última hora, que se trata de un ordenador portátil que se desconecta con frecuencia durante los desplazamientos y que, según el calendario del usuario, este se encuentra de viaje. La misma observación actual, una respuesta diferente.
El modelo interno no tiene por qué ser complejo. Podría realizar un seguimiento del historial reciente, mantener una lista de los estados conocidos de los dispositivos o almacenar información contextual sobre las relaciones entre los activos. La clave radica en que el agente utilice el contexto acumulado para tomar decisiones fundamentadas, en lugar de reaccionar únicamente ante el momento inmediato.
Los agentes basados en modelos plantean una nueva cuestión a los auditores: ¿qué contiene el modelo? Las decisiones del agente dependen ahora del estado acumulado, y no solo de las condiciones actuales y de unas reglas estáticas. Le interesará conocer qué «recuerda» el agente y cómo esa memoria influye en sus acciones.
En las operaciones de TI, los agentes basados en modelos se encargan de gestionar los problemas de conectividad intermitentes (distinguiendo entre un dispositivo que está desconectado y uno que ha estado experimentando fluctuaciones), el seguimiento del estado de los parches y la correlación de cambios (relacionando un problema de rendimiento actual con un cambio de configuración realizado anteriormente). Fuera del ámbito de las tecnologías de la información, esta misma arquitectura sustenta los sistemas de detección de fraudes que analizan los patrones de comportamiento a lo largo del tiempo para distinguir la actividad anómala de la variación normal.
Agentes basados en objetivos
Los agentes basados en objetivos están orientados a objetivos por su propio diseño: en lugar de reaccionar ante las condiciones o realizar un seguimiento del estado, incorporan la planificación, partiendo del resultado deseado para determinar qué pasos les permitirán alcanzarlo.
Un agente basado en objetivos, encargado de garantizar que un servidor cumpla con los requisitos, constituye un ejemplo de resolución estructurada de problemas: en lugar de limitarse a comprobar el estado actual y aplicar una solución, evalúa la diferencia entre la configuración actual y el estado futuro deseado, identifica la secuencia de cambios necesarios y los ejecuta en el orden adecuado. Si falla un paso, puede reevaluar la situación y elegir una línea de actuación alternativa.
La planificación genera incertidumbre sobre qué camino elegirá el agente. Dos agentes orientados a objetivos con metas idénticas podrían seguir rutas diferentes en función de sus algoritmos de planificación y de las opciones disponibles. Le convendrá disponer de controles que limiten las vías aceptables, y no solo los resultados aceptables.
Para los equipos de TI y seguridad, los agentes basados en objetivos se adaptan a la corrección de incumplimientos (lograr que los terminales cumplan con una política definida mediante las medidas que sean necesarias), a los flujos de trabajo de respuesta ante incidentes y a la implementación de software teniendo en cuenta las dependencias y los requisitos previos.
La pregunta clave a la hora de evaluar agentes basados en objetivos: ¿se puede definir el objetivo con la suficiente precisión como para que cualquier camino hacia él resulte aceptable? Si hay determinados caminos que no se pueden transitar, le convendrá instalar barreras de seguridad más allá de la propia meta.
Agentes basados en la utilidad
Los agentes basados en la utilidad optimizan en función de múltiples factores que compiten entre sí. Mientras que los agentes basados en objetivos se preguntan: «¿Cómo puedo alcanzar este objetivo?», los agentes basados en la utilidad se preguntan: «¿Qué acción de entre las disponibles produce el mejor resultado global teniendo en cuenta todo lo que me importa?».
Esta distinción es importante cuando existen compensaciones.
Imagine que un agente debe decidir qué vulnerabilidades debe solucionar en primer lugar. Un agente basado en objetivos podría ir resolviéndolos por orden de gravedad. Un agente basado en la utilidad evalúa la gravedad teniendo en cuenta la importancia crítica del activo, el impacto en el negocio, la complejidad de la corrección y la carga operativa actual. Podría restar prioridad a una vulnerabilidad crítica en un sistema de pruebas en favor de una vulnerabilidad de alta gravedad en una base de datos de producción.
Las funciones de utilidad transforman múltiples factores en una única puntuación que sirve de guía para la toma de decisiones. De entre todas las acciones posibles, el agente selecciona aquella que ofrece la mayor utilidad esperada. Más allá de las operaciones de TI, esta misma lógica de compensación sustenta el funcionamiento de los agentes basados en utilidades en los sistemas y motores de recomendación (como las plataformas de recomendación de contenidos o productos), la optimización de la cadena de suministro y los sistemas de triaje sanitario, en los que es necesario sopesar múltiples factores contrapuestos para seleccionar la mejor acción.
En este caso, la complejidad de la gobernanza aumenta considerablemente. La propia función de utilidad se convierte en un punto de control crítico. La forma en que se ponderan los distintos factores determina el objetivo para el que se optimiza el agente. Si establece mal los pesos, el agente perseguirá con total seguridad resultados que usted no pretendía.
Los agentes basados en la utilidad aparecen en contextos de TI como la priorización basada en el riesgo (clasificación de las medidas correctivas en función de la reducción prevista del riesgo, en lugar de la gravedad bruta), la asignación de recursos y la clasificación de alertas (puntuación y enrutamiento de alertas en función de la probabilidad, el impacto y la disponibilidad de los analistas).
Agentes de aprendizaje
Los agentes de aprendizaje mejoran su rendimiento con el tiempo, basándose en experiencias pasadas y en la información recibida para perfeccionar sus decisiones futuras. Basados en los principios del aprendizaje automático y, a menudo, implementados mediante el aprendizaje por refuerzo —en el que los agentes reciben señales de recompensa que determinan su comportamiento futuro—, no se limitan a ejecutar reglas ni a optimizar funciones. Ajustan su comportamiento en función de los resultados, ganando en eficacia a medida que van adquiriendo experiencia.
Un agente de aprendizaje está formado por varios componentes que funcionan de forma conjunta. Estos agentes ya se utilizan en ámbitos de gran importancia, desde la robótica, los vehículos autónomos y la fabricación autónoma hasta las plataformas de ciberseguridad adaptativas, en los que las reglas fijas no pueden seguir el ritmo de las condiciones cambiantes.
- Elemento de rendimiento: « » (Actúa en función de los conocimientos actuales) Actúa en función de los conocimientos actuales
- Elemento de aprendizaje: Actualiza los conocimientos en función de los comentarios recibidos
- Criterio: « » evalúa en qué medida las acciones han logrado los resultados deseados
- Generador de problemas: Sugiere acciones exploratorias para recabar nueva información
Esta arquitectura permite la adaptación. Un agente capaz de aprender qué métodos de corrección dan buenos resultados en su entorno específico puede resultar más eficaz que uno que se limite a seguir reglas genéricas. Sin embargo, la adaptación también implica que el comportamiento del agente cambia con el tiempo de formas que quizá no sean visibles de inmediato.
Los requisitos de gobernanza y el cumplimiento normativo en materia de IA, así como las obligaciones derivadas de la Directiva « », alcanzan aquí su punto álgido. Los agentes de aprendizaje pueden desviarse de su comportamiento original a medida que incorporan nueva información de retroalimentación.
Le convendrá disponer de mecanismos para realizar un seguimiento de lo que ha aprendido el agente, limitar el alcance de lo que puede modificar, mantener la observabilidad sobre cómo evolucionan los comportamientos aprendidos, comprobar que siguen ajustándose a la política y revertir a estados anteriores si resultan problemáticos.
Los agentes de aprendizaje se adaptan a situaciones en las que los entornos son dinámicos, las condiciones cambian con frecuencia, las respuestas óptimas varían según el contexto y los datos históricos pueden servir de base para tomar mejores decisiones.
Cómo se combinan los tipos de agentes en las implementaciones empresariales
Los sistemas de IA de producción rara vez utilizan un único tipo de agente de forma aislada. Lo más habitual es que las organizaciones combinen varias arquitecturas de agentes, de modo que cada tipo se encargue de aquello que mejor sabe hacer.
Un patrón habitual en las implementaciones empresariales a gran escala: unos agentes reflexivos sencillos se encargan de las tareas repetitivas y de las decisiones de gran volumen y baja complejidad en el perímetro. Filtran el ruido, responden a situaciones rutinarias y derivan las excepciones a agentes de nivel superior que están mejor preparados para gestionarlas.
Los agentes basados en modelos conservan el contexto y gestionan situaciones que requieren tener en cuenta los acontecimientos recientes. Los agentes basados en objetivos o en la utilidad abordan tareas complejas, incluidos los flujos de trabajo de corrección que requieren planificación o la evaluación de compensaciones, en los que los agentes más sencillos fracasarían o necesitarían una intervención humana constante.
Este enfoque por niveles ofrece varias ventajas:
- Una gobernanza adecuada para cada nivel: Los agentes sencillos situados en el perímetro no requieren la misma supervisión que los agentes de aprendizaje que toman decisiones complejas
- Degradación elegante: Si un agente sofisticado falla o se comporta de forma inesperada, los agentes más sencillos siguen encargándose de las operaciones rutinarias
- Adopción gradual: Las organizaciones pueden comenzar con tipos de agentes más sencillos e ir aumentando la complejidad a medida que crece la madurez en materia de gobernanza, un enfoque que evita una sobrediseñación en las primeras implementaciones, al tiempo que mantiene una trayectoria clara hacia arquitecturas más autónomas.
El reto es la integración, concretamente la coordinación. Los agentes de las distintas capas deben comunicarse, transferir el contexto y evitar acciones contradictorias, lo que requiere una lógica de coordinación clara y protocolos de transferencia bien definidos. Establecer límites claros entre las responsabilidades de los agentes ayuda a evitar lagunas o solapamientos.
A medida que estas arquitecturas en capas crecen, las organizaciones suelen enfrentarse a una expansión des ada de la IA basada en agentes —un reto a nivel de ecosistema en el que los agentes se multiplican, las responsabilidades se solapan y surgen riesgos que no son visibles al evaluar a un agente concreto de forma aislada—.
A la hora de evaluar las capacidades de IA de las plataformas, pregúntese cómo interactúan los distintos tipos de agentes. Un proveedor que afirme ofrecer «automatización basada en la inteligencia artificial» podría estar utilizando agentes reflejos sencillos, agentes de aprendizaje o una combinación de ambos. La respuesta determinará qué modelo de gobernanza le conviene.
A medida que el sector avanza hacia sistemas multiagente autónomos cada vez más , comprender estas diferencias arquitectónicas será cada vez más fundamental para los responsables de la toma de decisiones en las empresas.
Elegir el tipo de agente adecuado
La elección del tipo de agente no es, ante todo, una decisión técnica. Se trata de una decisión de gobernanza que depende de la tolerancia al riesgo, la capacidad de supervisión y la madurez operativa de su organización.
Empiece por las características de la decisión. ¿Hasta qué punto debe ser predecible el comportamiento del agente? ¿Qué grado de contexto requiere dicha decisión? ¿Existen varias vías válidas para alcanzar el resultado deseado? ¿Existen compensaciones entre prioridades contrapuestas? ¿Cambiará el comportamiento óptimo con el paso del tiempo?
A continuación, evalúe su grado de preparación en materia de gobernanza. ¿Es posible revisar las decisiones del agente a posteriori? ¿Dispone de medidas de control para limitar las acciones inaceptables? ¿Puede realizar un seguimiento de las desviaciones en el comportamiento? ¿Disponen de procedimientos de reversión en caso de que surja algún problema?
Las organizaciones que se han adelantado en la adopción de la inteligencia artificial suelen beneficiarse de comenzar con tipos de agentes más sencillos. Los agentes simples basados en reflejos y en modelos aportan ventajas en materia de automatización, gracias a un comportamiento predecible y a registros de auditoría claros. A medida que maduran las prácticas de gobernanz , se hacen viables tipos de agentes más sofisticados.
| Si lo desea... | Piense en lo siguiente... | Enfoque en la gobernanza |
|---|---|---|
| Respuestas previsibles ante situaciones conocidas | Agentes reflejos simples | Documentación y pruebas de las reglas |
| Decisiones basadas en el contexto | Agentes basados en modelos | Visibilidad del estado y validación del modelo |
| Remediación en varias fases | Agentes basados en objetivos | Restricciones de trayectoria y verificación de resultados |
| Optimización de compromisos | Agentes basados en la utilidad | Revisión de la función de utilidad y validación de los pesos |
| Mejora adaptativa | Agentes de aprendizaje | Seguimiento de la deriva y límites de comportamiento |
El tipo de agente adecuado es aquel que se adapta tanto a sus necesidades operativas como a su capacidad de gestión. La implementación de agentes sofisticados sin la supervisión correspondiente conlleva riesgos. La implementación de agentes excesivamente sencillos cuando la situación requiere un mayor grado de complejidad genera ineficiencias.
El objetivo es adaptar la capacidad de los agentes a la complejidad de las tareas, optimizando las operaciones en aquellos casos en los que basten agentes más sencillos, sin recurrir a soluciones excesivamente complejas ni a una inversión insuficiente.
La información sobre los terminales en tiempo real constituye la base de cualquier tipo de agente. Los agentes solo pueden tomar decisiones acertadas si disponen de datos precisos y actualizados sobre el entorno en el que operan.
Cómo utiliza Tanium los agentes de inteligencia artificial en las operaciones de TI y la seguridad
La taxonomía de agentes que se aborda en este artículo no es meramente teórica. Esto tiene implicaciones directas en la forma en que evalúa las capacidades de la IA, incluidas las funciones de IA generativa, en las plataformas que su organización ya utiliza o está barajando utilizar.
Tanium AI se basa en esta misma realidad arquitectónica, combinando capacidades generativas y de agentes « » que se fundamentan en la inteligencia de los terminales en tiempo real, en lugar de en datos almacenados en caché o sincronizados periódicamente. Esa realidad arquitectónica tiene consecuencias directas: los agentes basados en objetivos y en la utilidad (los tipos más relevantes para las operaciones de TI y los flujos de trabajo de seguridad) son tan fiables como el estado del entorno en el que actúan.
Tanium Ask Agent pone en práctica un diseño basado en objetivos y en la utilidad: utiliza el procesamiento del lenguaje natural (NLP) para recibir tareas expresadas en lenguaje coloquial, recopila datos actuales de los terminales bajo demanda a través de una capa de API diseñada para proporcionar información actualizada sobre los mismos, y ofrece recomendaciones adaptadas al contexto y alineadas con las mejores prácticas del producto, con la opción de actuar directamente desde la propia consola.
Los controles de gobernanza (acceso basado en roles, permisos con intervención humana, puntuaciones de confianza e implementaciones progresivas) se integran en el flujo de trabajo en lugar de tratarse como un elemento secundario, lo que aborda uno de los riesgos más importantes que se identifican en este artículo: la actuación autónoma sin una supervisión adecuada.
Los tipos de agentes de IA guardan relación con cuestiones más amplias relativas a la implantación de la IA, la gobernanza y la preparación de las organizaciones. A continuación se recogen algunas preguntas frecuentes que van más allá de la taxonomía básica.
Preguntas frecuentes sobre los tipos de agentes de IA
Los tipos de agentes de IA guardan relación con cuestiones más amplias relativas a la implantación de la IA, la gobernanza y la preparación de las organizaciones. A continuación se recogen algunas preguntas frecuentes que van más allá de la taxonomía básica.
¿Cuál es la diferencia entre un agente de IA y un chatbot?
Un chatbot es, por lo general, una aplicación específica de la inteligencia artificial centrada en la interacción conversacional, una de las muchas aplicaciones e interfaces a través de las cuales se ofrece la inteligencia artificial basada en agentes a los usuarios finales. Los bots de este tipo abarcan desde sencillos scripts de coincidencia de palabras clave hasta sofisticados sistemas que pueden considerarse auténticos agentes de inteligencia artificial.
Un agente de inteligencia artificial es un concepto más amplio que describe cualquier sistema capaz de percibir, decidir y actuar. Algunos chatbots pueden considerarse agentes de inteligencia artificial. Otros son simples sistemas de reconocimiento de patrones que no mantienen un estado ni persiguen objetivos. En el ámbito de la atención al cliente, por ejemplo, un bot básico de preguntas frecuentes no es un agente de IA, pero sí lo es un sistema que realiza un seguimiento del historial de conversaciones, deriva los problemas sin resolver y distribuye las incidencias en función de su urgencia.
La cuestión fundamental es si el sistema actúa de forma activa para alcanzar objetivos basados en la información que recibe del entorno. Los agentes conversacionales modernos, que se basan en grandes modelos de lenguaje (LLM), difuminan aún más esta línea divisoria: son capaces de mantener el contexto, perseguir objetivos y llevar a cabo acciones, lo que los acerca más a los agentes basados en objetivos o en la utilidad que a los chatbots tradicionales.
¿Puede un agente de inteligencia artificial funcionar sin supervisión humana?
Técnicamente, sí. En la práctica, depende del tipo de agente y de lo que esté en juego.
Los agentes reflexivos simples que se encargan de decisiones rutinarias y de bajo riesgo suelen actuar de forma autónoma dentro de unos límites definidos. Los agentes de aprendizaje que toman decisiones con consecuencias suelen requerir supervisión humana, controles de aprobación o, como mínimo, un seguimiento riguroso. La cuestión no es si los agentes pueden funcionar de forma independiente, sino si son adecuados para los riesgos y para su nivel de madurez en materia de gobernanza.
¿En qué se diferencian los sistemas multiagente de los agentes individuales?
Los sistemas multiagente consisten en múltiples agentes que trabajan juntos, a veces de forma cooperativa y otras de forma competitiva. Se utilizan cuando los problemas complejos superan la capacidad de un único agente, o cuando el reparto de las decisiones entre agentes especializados mejora los resultados.
Los sistemas multiagente plantean retos de coordinación: los agentes pueden tener objetivos contradictorios, información incompleta sobre los demás o dependencias que provocan cadenas de fallos.
¿Qué papel desempeña la calidad de los datos en la eficacia de los agentes?
La calidad de los datos es fundamental. Cada tipo de agente depende de una percepción precisa de su entorno. Los agentes que actúan por puro instinto y cuentan con datos erróneos de los sensores provocan acciones equivocadas. Los agentes de aprendizaje entrenados con datos erróneos adquieren comportamientos erróneos. En los entornos de TI, la visibilidad integral y en tiempo real de los terminales no es opcional. Es un requisito imprescindible para cualquier automatización basada en agentes.
¿Cómo puedo saber qué tipo de agente utiliza un proveedor?
Pregunte directamente. Solicite documentación sobre cómo toma decisiones la IA, qué datos utiliza, si mantiene un estado, si planifica en función de objetivos y si aprende a partir de la retroalimentación.
Respuestas vagas como «basado en IA» o «automatización inteligente» no le indican lo que necesita a efectos de gobernanza. El tipo de agente determina sus requisitos de supervisión, por lo que le conviene conocer los detalles concretos.
Comprender los tipos de agentes es el punto de partida. Observar cómo funcionan en su entorno es lo que permite tomar decisiones fundamentadas.
Concierte una demostración personalizada en para ver cómo se combinan en la práctica la inteligencia de terminales en tiempo real y las capacidades de IA basada en agentes de Tanium.
