IA generativa vs IA agéntica: de crear contenido a orquestar acciones

La IA generativa ha pasado muy rápidamente de ser una tecnología relevante solo en los círculos académicos a convertirse en una herramienta de uso cotidiano para millones de personas y organizaciones, tanto privadas como públicas. Sin embargo, en el último año, el concepto que ha pasado a dominar la conversación sobre innovación tecnológica ha sido la IA agéntica.

En muchas ocasiones, la IA generativa y la IA agéntica se están presentando como tecnologías rivales, y en particular como si la IA agéntica hubiese nacido para sustituir a la IA generativa, cuando la realidad es que se trata de dos conceptos que podemos considerar complementarios. La confusión es comprensible, ya que en la práctica muchos sistemas agénticos incorporan modelos generativos, y algunos asistentes basados en IA generativa pueden utilizar herramientas  (aunque sea de forma limitada para, por ejemplo, recuperar información de una API o base de datos). Podemos simplificar la diferenciación diciendo que un modelo de IA generativa puede integrarse en un sistema de IA agéntica, pero no toda aplicación basada en un modelo generativo puede considerarse un agente de IA.

¿Qué es la IA generativa?

La IA generativa puede definirse de forma sencilla como la familia de sistemas que producen contenido nuevo a partir de estructuras aprendidas en grandes volúmenes de datos. El Instituto Nacional de Estándares y Tecnología (NIST)  del gobierno de los Estados Unidos la describe como la clase de modelos de IA inteligencia artificial que emula la estructura y las características de los datos de entrada para generar contenido sintético derivado, incluyendo texto, imagen, audio o y vídeo.

La Organización para la Cooperación y el Desarrollo Económicos lo explica de forma quizás más divulgativa, definiendo la IA generativa como la rama de la inteligencia artificial capaz de crear nuevo contenido (texto, imágenes, vídeo, música, código, etc.) a partir de patrones aprendidos en grandes volúmenes de datos. Esta tecnología ya se está utilizando en tareas tan distintas como la programación, la búsqueda de información, la educación o el diagnóstico médico.

Por tanto, su característica principal es la generación. Se pide algo a un sistema de IA generativa, el sistema interpreta el contexto y devuelve una salida probable que además intenta ser coherente con la petición. Incluso cuando se conecta con una base documental especializada para mejorar el contexto de la petición, por ejemplo mediante enfoques RAG, su misión principal sigue siendo la de producir una respuesta o una pieza de contenido útil para quien lo pide. Por ello la utilidad de un modelo de IA generativa se mide, sobre todo, a través de la evaluación de indicadores tales como la calidad, la pertinencia, la coherencia de la respuesta o el ahorro de tiempo en la realización de la tarea.

Desde el punto de vista funcional, los principales modelos de IA generativa ya han conseguido unos niveles de desempeño equivalentes o superiores a los humanos en tareas concretas de comprensión, generación y manipulación del lenguaje, aunque siempre conviene interpretar estos resultados dentro de los límites de cada marco de referencia (benchmark).

No obstante, estos resultados no implican una comprensión general equivalente a la humana, sino que deben interpretarse como un gran desempeño en tareas específicas. Por ello, en todos los usos de la IA generativa sigue siendo necesaria una validación muy rigurosa y una supervisión adecuada para que podamos confiar en sus resultados.

Los riesgos de la IA generativa también son conocidos: alucinación o generación de contenido erróneo presentado con seguridad, problemas de integridad de la información, sesgos, contenidos potencialmente peligrosos, riesgos para la privacidad de las personas, problemas de alineamiento con el comportamiento esperado o conflictos respecto a los derechos de propiedad intelectual. Además, tal y como reconoce el NIST en su marco para la gestión de riesgos de la IA generativa , esta no solo amplifica riesgos ya existentes en otros sistemas de IA, sino que introduce riesgos propios o aumentados por la capacidad de producir contenido a gran escala.

En cambio, cuando la salida del modelo empieza a decidir el flujo de trabajo, seleccionar herramientas o modificar el curso de la ejecución, entramos en un nivel diferente de autonomía, que corresponde a la IA Agéntica.

¿Qué entendemos por IA agéntica?

La definición de IA agéntica, por su novedad, tiene por el momento un nivel de consenso mucho menor que en el caso de la IA generativa. Por ejemplo, el Gobierno del Reino Unido (gov.uk) la define como el conjunto de sistemas compuestos por agentes de software que pueden comportarse e interactuar de forma autónoma para lograr un objetivo. En esa misma línea, el portal técnico del Gobierno de Singapur explica que se trata de sistemas en los que agentes de IA persiguen objetivos y ejecutan tareas con autonomía, especialmente en dominios donde deben tomar decisiones y actuar dentro de un marco delimitado.

La Comisión Europea no define aún la IA agéntica como una categoría regulatoria separada, por lo que podría situarse dentro de la evolución de los sistemas de IA avanzados. En la Apply AI Strategy, se refiere a los agentes de IA como sistemas capaces de tomar decisiones y ejecutar acciones de forma independiente, comprender lenguaje, razonar sobre tareas, actuar de manera autónoma para alcanzar objetivos predefinidos y relacionarse con su entorno, incluyendo la orquestación de interacciones con personas. Esta aproximación encaja con la definición amplia del Reglamento europeo de inteligencia artificial[RG12] , que entiende los sistemas de inteligencia artificial como “sistemas basados en máquinas diseñados para operar con distintos niveles de autonomía […] y generar salidas, como predicciones, contenidos, recomendaciones o decisiones, que pueden influir en entornos físicos o virtuales”.

Podemos resumir por tanto la idea central en que el objetivo no es solo “hablar” o “escribir” bien, sino actuar con criterio operativo dentro de una serie de capacidades previamente autorizadas. En lugar de devolver una única respuesta a una instrucción, un agente puede recibir un objetivo de alto nivel, descomponerlo en subtareas, elegir qué herramientas o funciones necesita, consultar API, recuperar datos, evaluar resultados intermedios y continuar iterando hasta completar la tarea. Gov.uk lo explica con bastante claridad: en los sistemas agénticos, la ruta de ejecución no está completamente prefijada, sino que se decide de forma inteligente durante el proceso, utilizando la IA generativa para planificar y utilizar las herramientas necesarias a través de estándares abiertos como el Protocolo de contexto de modelo (MCP).

Cómo cambian las arquitecturas de los sistemas

La arquitectura típica de un sistema de IA generativa debe responder a un flujo relativamente lineal: una persona hace una petición a través de unas instrucciones (prompt), el modelo de IA interpreta el contexto, y produce una respuesta. Tan sólo cuando se quiere aumentar la precisión en dominios concretos, se añaden técnicas como RAG para recuperar información más precisa en tiempo real desde bases documentales o bases vectoriales.

Sin embargo, en la IA agéntica el patrón es mucho más complejo, ya que el sistema combina varios módulos junto con el modelo base para incluir mecanismos para planificar, mantener memoria, llamar a herramientas, registrar decisiones y coordinar acciones entre componentes o incluso con otros agentes. Además, es necesario monitorizar el funcionamiento y, en muchos casos, incluir una capa de supervisión humana. La documentación del gov.uk distingue incluso entre orquestación (un controlador central que ordena pasos) y coreografía (comportamientos más distribuidos y orientados a eventos), una distinción especialmente útil para entender por qué los agentes son más flexibles, pero también más difíciles de evaluar y auditar.

El desarrollo de la IA agéntica requiere, además, datos y servicios preparados para ser consumidos con garantías por máquinas; y aquí es donde la disponibilidad metadatos ricos, catálogos, API, control de versiones, información sobre calidad, licencias o acuerdos de nivel de servicio, entre otros, pueden marcar la diferencia en el despliegue robusto y fiable de esta tecnología.

Cómo cambia la forma de evaluar y reducir riesgos

Partimos de la base de que la evaluación de la IA generativa ya es una actividad muy exigente por sí misma y que poder explicar las decisiones de un sistema de inteligencia artificial es ineludible cuando hablamos de delegar tareas que antes realizaba un humano.

Si la IA generativa se evalúa sobre todo por la calidad de las respuestas, la IA agéntica obliga a evaluar el comportamiento completo del sistema. Esto es, es necesario preguntarse cuestiones como si la planificación elegida ha sido la adecuada para resolver la tarea, si la herramienta seleccionada era la correcta, si la consulta de datos respetó las reglas fijadas, si el sistema supo detenerse cuando debía, si dejó trazas suficientes para auditar lo ocurrido o si preguntó a un humano para respetar los límites con que se diseñó su autonomía.

Los benchmarks más recientes para IA agéntica van precisamente en esa dirección: GAIA evalúa asistentes generales en navegación web y uso de herramientas, StableToolBench trabaja sobre tasas de resolución y estabilidad en el uso de API, MultiAgentBench introduce indicadores de colaboración y competición entre múltiples agentes y Agent Security Bench pone el foco en ataques y defensas, mostrando vulnerabilidades muy relevantes en prompt injection, memoria y uso de herramientas.

El Reglamento de IA en particular refuerza la importancia de la supervisión humana en su artículo 14, estableciendo que el objetivo de dicha supervisión es prevenir o reducir al mínimo los riesgos que puedan surgir durante el uso de sistemas de IA. Para la IA agéntica, esto resulta especialmente importante ya que cuanto mayor sea la autonomía operativa del sistema, más necesario será definir cuándo debe pedir confirmación, cuándo debe detenerse, qué acciones puede realizar sin autorización y qué decisiones deben quedar siempre bajo control humano. En España, la Agencia española Española de supervisión Supervisión de Inteligencia Artificial (AESIA) está ayudando a aterrizar el Reglamento europeo de IA en orientaciones más operativas a través de sus guías prácticas para el cumplimiento del RIA, elaboradas por la Secretaría de Estado de Digitalización e Inteligencia Artificial, a través de la Dirección General de Inteligencia Artificial, y con la colaboración de la propia AESIA.

Figura 1. Visual comparativo entre IA generativa e IA agéntica. Fuente: elaboración propia - datos.gob.es

En definitiva, la diferencia entre IA generativa e IA agéntica es sobre todo una cuestión de propósito. La primera se especializa en producir contenido útil a partir de instrucciones; la segunda en coordinar acciones para conseguir objetivos, pero en ambos casos, tanto los conjuntos de datos abiertos como la buena gobernanza del dato seguirán siendo pilares fundamentales para que puedan conseguir sus objetivos. Además, no todos los casos de uso necesitan completar el salto hacia la IA agéntica, ya que los agentes de IA son adecuados sobre todo cuando el flujo de trabajo es no determinista, esto es, cuando hace falta decidir el siguiente paso en función del contexto. Tal y como argumenta el propio GovTech de Singapur los agentes de IA inteligencia artificial pueden incluso resultar excesivos allí donde un sistema más simple ya resuelve bien la tarea.