Artículo de información
José Carlos Botto Cayo y Abel Marcial Oruna Rodríguez
3 de setiembre del 2026
La inteligencia artificial ha dejado de ser solamente una tecnología que responde. Durante buena parte de su expansión pública, el contacto cotidiano con estos sistemas estuvo dominado por una lógica sencilla: una persona formulaba una pregunta y el modelo devolvía una respuesta. En 2026 esa relación comienza a ser desplazada por otra mucho más compleja. Los agentes de inteligencia artificial pueden recibir objetivos, utilizar herramientas, consultar información, mantener contexto y ejecutar distintas acciones antes de entregar un resultado. La verdadera transformación no consiste únicamente en que los modelos sean más capaces, sino en que empiezan a integrarse dentro de sistemas preparados para convertir una instrucción humana en una secuencia prolongada de trabajo. La inteligencia artificial empieza, de este modo, a pasar de la conversación hacia la ejecución (Parikh, 2026).
Este cambio obliga a mirar más allá del modelo. Un agente necesita permisos, memoria, datos, herramientas, reglas y mecanismos que determinen hasta dónde puede llegar. También necesita comprender cuándo debe continuar por sí mismo y cuándo corresponde devolver una decisión a una persona. A medida que los sistemas crecen, aparece además una segunda posibilidad: que varios agentes especializados trabajen de forma coordinada. Uno puede planificar, otro ejecutar y un tercero evaluar el resultado antes de continuar. Prithvi Rajasekaran ha mostrado cómo estas arquitecturas pueden mantener tareas de desarrollo durante horas mediante agentes con funciones diferenciadas. Lo que comienza a surgir no es simplemente un programa más inteligente, sino una organización digital del trabajo construida alrededor de modelos que actúan, se supervisan y se transfieren tareas entre sí (Rajasekaran, 2026).
De responder preguntas a realizar trabajo
La diferencia entre un chatbot y un agente se encuentra principalmente en la continuidad de la acción. El chatbot suele reaccionar ante una solicitud concreta; el agente puede interpretar un objetivo y determinar parte de los pasos necesarios para alcanzarlo. Puede abrir herramientas, consultar sistemas empresariales, trabajar sobre archivos y revisar lo que ha realizado antes de seguir adelante. Jay Parikh sostiene que el verdadero salto empresarial aparece cuando estos agentes dejan de funcionar como demostraciones aisladas y empiezan a operar dentro de sistemas donde identidad, contexto, políticas y supervisión están integrados desde el comienzo. El modelo, por poderoso que sea, deja de ser suficiente por sí solo (Parikh, 2026).
La arquitectura de múltiples agentes lleva esa lógica todavía más lejos. Rajasekaran describe una estructura utilizada en Anthropic donde un agente planificador divide el proyecto, otro genera el trabajo y un evaluador revisa lo producido. La importancia del modelo no está en imitar literalmente una oficina humana, sino en demostrar que una tarea extensa puede separarse entre componentes especializados que conservan información y continúan trabajando a través de diferentes etapas. En esas condiciones, la inteligencia artificial ya no depende de que una persona permanezca indicando cada movimiento. El sistema puede sostener una misión durante periodos mucho mayores y organizar internamente parte de su ejecución (Rajasekaran, 2026).
Pero los agentes necesitan conectarse con el exterior. Allí aparece uno de los asuntos técnicos más importantes de 2026: los protocolos que permiten relacionar modelos, herramientas, servicios y otros agentes. Shubham Saboo y Kristopher Overholt han explicado la función de estándares como MCP, A2A, UCP, AP2, A2UI y AG-UI, cada uno destinado a resolver partes diferentes de esa comunicación. Sin estos mecanismos, las compañías tendrían que construir una integración particular para cada herramienta utilizada por sus agentes. La aparición de protocolos comunes muestra que la industria empieza a prepararse para un escenario donde las inteligencias artificiales no funcionarán encerradas dentro de una sola aplicación (Saboo & Overholt, 2026).
La consecuencia puede ser una transformación de la arquitectura de Internet. Si los agentes son capaces de localizar herramientas y descubrir las capacidades de otros sistemas, deberán saber también cuáles son auténticos, quién los ofrece y bajo qué condiciones resulta seguro utilizarlos. Junjie Bu y Srinivas Krishnan han presentado una especificación abierta orientada precisamente al descubrimiento y verificación de recursos para agentes a través de la red. El problema parece técnico, pero posee una enorme dimensión práctica: una inteligencia artificial autónoma no solamente necesita encontrar una herramienta adecuada, sino establecer si puede confiar en ella antes de incorporarla a una tarea (Bu & Krishnan, 2026).
El trabajo se reorganiza alrededor de los agentes
La incorporación de estos sistemas comienza a modificar la unidad misma del trabajo digital. Durante años, la automatización se concentró en tareas repetitivas y claramente delimitadas. Los agentes permiten avanzar hacia procesos donde varias acciones se encadenan bajo un mismo objetivo. Pueden investigar, escribir código, revisar documentos, interactuar con sistemas externos y mantener una actividad durante periodos extensos. En consecuencia, la persona puede desplazarse progresivamente desde la ejecución permanente hacia la definición de objetivos, la evaluación y la intervención en aquellos momentos donde la decisión exige criterio, responsabilidad o conocimiento difícil de automatizar (Parikh, 2026).
Ese desplazamiento no significa que la presencia humana pierda importancia. Ocurre algo distinto: cuanto mayor es la autonomía concedida a la máquina, más importante se vuelve determinar dónde están sus fronteras. Un agente que redacta una respuesta equivocada plantea un problema limitado; uno que puede modificar archivos, ejecutar comandos o acceder a información empresarial posee una capacidad de impacto mucho mayor. Max McGuinness, Mikaela Grace, Jiri De Jonghe, Jake Eaton y Abel Ribbink han mostrado que el aumento de las capacidades de los agentes amplía también su posible radio de daño, razón por la cual la seguridad necesita apoyarse en límites técnicos capaces de contener acciones incorrectas incluso cuando el modelo falla (McGuinness et al., 2026).
La organización del trabajo tendrá entonces que aprender a convivir con diferentes grados de autonomía. Algunas operaciones podrán ejecutarse sin autorización permanente; otras requerirán supervisión antes de afectar datos, sistemas o decisiones relevantes. Esto cambia también la forma de diseñar las aplicaciones. Ya no basta con preguntar qué puede hacer un modelo, sino qué debería permitírsele hacer, durante cuánto tiempo, con qué información y bajo qué identidad. En 2026, el problema central de los agentes empieza a desplazarse desde la capacidad pura hacia una combinación más delicada de competencia, acceso y responsabilidad (McGuinness et al., 2026).
Autonomía, seguridad y una red poblada por agentes
La autonomía introduce riesgos que no pertenecían con la misma intensidad a la etapa de los chatbots. Los agentes pueden recibir información desde páginas web, repositorios, documentos o herramientas externas, y esos contenidos pueden contener instrucciones diseñadas para manipular su comportamiento. La llamada inyección de instrucciones adquiere una dimensión más seria cuando el sistema no solo genera texto, sino que posee permisos para ejecutar acciones. McGuinness y sus colegas muestran que la defensa no puede depender exclusivamente de que el modelo reconozca siempre el peligro. También debe existir una estructura externa que limite qué archivos, redes y recursos puede utilizar (McGuinness et al., 2026).
La seguridad se convierte así en parte de la arquitectura y no en una corrección posterior. Permisos reducidos, entornos aislados, registros de actividad y controles sobre las conexiones externas serán elementos necesarios para construir agentes confiables. El desafío aumenta cuando estos sistemas mantienen memoria entre sesiones o trabajan con otros agentes, porque una instrucción manipulada puede sobrevivir más tiempo o propagarse a través de una cadena de operaciones. La posibilidad de conceder autonomía obliga, por tanto, a diseñar límites capaces de mantenerse incluso cuando el razonamiento del sistema produce una decisión inesperada (McGuinness et al., 2026).
A esa preocupación se suma la escala. Bu y Krishnan describen un ecosistema donde herramientas, habilidades y agentes pueden encontrarse distribuidos entre equipos, organizaciones y plataformas distintas. Si esa estructura prospera, una parte creciente de la actividad digital podría desarrollarse mediante máquinas que descubren capacidades, comprueban recursos y delegan tareas sin intervención humana en cada intercambio. La red dejaría de estar construida únicamente para personas que buscan páginas y aplicaciones; también tendría que responder a entidades artificiales que necesitan localizar otras entidades artificiales y decidir si pueden establecer una relación operativa con ellas (Bu & Krishnan, 2026).
Los sistemas de agentes representan por eso algo más amplio que una nueva generación de asistentes. Están construyendo una capa de ejecución donde modelos, herramientas, protocolos, permisos y mecanismos de seguridad se combinan para realizar trabajo. El desarrollo de 2026 muestra que la competencia tecnológica ya no puede medirse únicamente por la calidad de una respuesta. También importa cuánto tiempo puede sostener un agente una tarea, qué herramientas puede utilizar, cómo coopera con otros sistemas y qué mecanismos existen para detenerlo cuando la situación lo exige. La inteligencia artificial comienza a entrar en una etapa donde su valor depende tanto de su capacidad de actuar como de la disciplina con que esa capacidad sea gobernada (Saboo & Overholt, 2026).
Bibliografía
Junjie Bu y Srinivas Krishnan. (2026). Announcing the Agentic Resource Discovery specification. Google Developers Blog.
Max McGuinness, Mikaela Grace, Jiri De Jonghe, Jake Eaton y Abel Ribbink. (2026). How we contain Claude across products. Anthropic Engineering.
Jay Parikh. (2026). AI alone won’t change your business. The system running it will. The Official Microsoft Blog.
Prithvi Rajasekaran. (2026). Harness design for long-running application development. Anthropic Engineering.
Shubham Saboo y Kristopher Overholt. (2026). Developer’s Guide to AI Agent Protocols. Google Developers Blog.
