En posts anteriores hemos visto reglas, ML clásico y modelos generativos que escriben texto o código. El siguiente escalón es la IA agéntica: sistemas donde uno o varios agentes de IA no solo generan respuestas, sino que planifican, llaman a herramientas, orquestan pasos y se integran con tus sistemas.
Aquí ya no hablamos solo de “dame una explicación”, sino de cosas como:
-
Crear un plan de acción para una tarea compleja.
-
Llamar a APIs o scripts reales.
-
Leer el resultado, corregir el rumbo y seguir hasta completar el objetivo.
Es una IA híbrida porque combina:
-
Modelos generativos (razonamiento, lenguaje, código).
-
Herramientas clásicas (scripts, APIs, bases de datos).
-
Reglas, flujos y límites definidos por humanos.
Qué significa “agente” en este contexto
Un agente de IA es, simplificando, un asistente con cuatro capacidades:
-
Entender un objetivo
-
No solo responde a una pregunta, sino que interpreta qué hay que conseguir: “diagnosticar un incidente”, “analizar este repositorio”, “preparar un informe”.
-
-
Dividir en pasos
-
Planifica: “primero miro los logs, luego reviso métricas, después consulto la CMDB, finalmente genero el informe”.
-
-
Usar herramientas reales
-
Puede llamar a comandos, APIs, bases de datos, sistemas de ticketing, etc., dentro de los límites que tú definas.
-
-
Revisar y ajustar
-
Lee los resultados, los interpreta y decide el siguiente paso, hasta completar o escalar al humano.
-
Cuando combinas varios agentes especializados que colaboran entre sí, hablamos de sistemas multi‑agente.
Ejemplos: Clawdbot, Kimi Swarm, Devin
Más que quedarnos en nombres concretos (que irán cambiando), lo importante es el patrón que representan:
Clawdbot / agentes “pegados a tus datos”
Puedes imaginar un agente centrado en tu stack de datos y observabilidad:
-
Tiene acceso controlado a dashboards, logs, métricas y documentación.
-
Puede ejecutar consultas predefinidas (SQL, KQL, PromQL…) y scripts de diagnóstico.
-
Habla tu idioma técnico (nombres de servicios, entornos, SLAs).
Su rol:
-
Contestar preguntas tipo “qué ha pasado”, “desde cuándo”, “a quién afecta” usando datos reales.
-
Preparar resúmenes y primeros análisis de incidentes.
-
Proponer acciones en base a runbooks existentes.
Es como un SRE junior hiper‑rápido, que nunca se cansa de leer logs, pero siempre bajo tus reglas.
Kimi Swarm / sistemas multi‑agente
Un swarm es un conjunto de agentes que se reparten el trabajo:
-
Un agente entiende la petición global (“auditar esta arquitectura”).
-
Otros se especializan: uno lee documentación, otro analiza código, otro revisa políticas, otro prepara el informe.
-
Se pasan contexto entre ellos hasta entregar un resultado coherente.
Ventajas:
-
Puedes escalar en complejidad de tareas sin tener un solo agente “monolítico”.
-
Cada agente puede tener permisos limitados y responsabilidades claras.
-
Es más fácil de mantener y ampliar: añades un agente para un nuevo tipo de tarea sin rehacerlo todo.
Devin / el “futuro combinado”
Devin se ha presentado como un “ingeniero de software autónomo”: recibe un ticket y, en teoría, puede:
-
Entender el requerimiento.
-
Leer un repositorio entero.
-
Planificar cambios.
-
Editar código, lanzar tests y abrir pull requests.
-
Explicar lo que ha hecho.
Más allá del hype, lo relevante es la dirección:
-
Agentes que no solo sugieren código, sino que interactúan con repos, CI/CD, issues.
-
Integración profunda con herramientas de desarrollo: Git, issue trackers, pipelines.
-
Un modelo híbrido donde la IA hace el trabajo mecánico y el humano supervisa, prioriza y decide.
Orquestación e integración: el “cerebro” alrededor de los modelos
La IA agéntica necesita una buena capa de orquestación:
-
Definir qué herramientas puede usar cada agente (APIs, scripts, queries).
-
Marcar límites de seguridad: qué entornos puede tocar, qué solo puede leer, qué siempre requiere confirmación humana.
-
Establecer flujos: qué pasa si una llamada falla, cuándo se reintenta, cuándo se escala a una persona.
Esta orquestación convierte un LLM potente en algo utilizable de verdad en empresa:
-
No quieres un modelo con acceso sin control a producción.
-
Sí quieres agentes que ejecuten tareas rutinarias en entornos controlados, con logs y auditoría.
Aquí entra la IA híbrida: una mezcla de:
-
LLMs para entender, planificar y generar.
-
Reglas y workflows para garantizar comportamiento predecible.
-
Sistemas clásicos (ITSM, CMDB, monitores, CI/CD) como “extensiones” del agente.
Casos de uso en cloud e infraestructura
Para tu mundo, esto es especialmente interesante. Algunos ejemplos:
-
Diagnóstico asistido de incidentes
-
Agente que, ante una alerta crítica, recopila logs, revisa cambios recientes, consulta dashboards, resume hipótesis y prepara un primer informe para el on‑call.
-
-
Gestión de cambios repetitivos
-
Agentes que implementan cambios estándar (por ejemplo, ajustes de configuración, despliegues de pequeños componentes) siguiendo plantillas y pidiendo aprobación humana cuando toca.
-
-
Auditoría continua
-
Agente que recorre configuraciones (Terraform, Azure, Kubernetes), compara contra buenas prácticas y abre tickets con findings bien documentados.
-
-
Documentación viva
-
Agente que genera y actualiza documentación técnica a partir de código, infra como código y decisiones registradas en tickets.
-
En todos los casos, la clave es la misma: la IA no va sola, se apoya en tus sistemas y en tus reglas.
Qué cambiará y qué no
Lo que probablemente veremos en los próximos años:
-
Menos “abrir el chat” y más agentes embebidos en herramientas que ya usamos (portales internos, paneles de observabilidad, IDEs, ITSM).
-
Menos prompts sueltos y más tareas definidas (“investiga esto”, “genera este informe semanal”, “aplica este cambio estándar”).
-
Más foco en seguridad, permisos, auditoría y trazabilidad de lo que hace cada agente.
Lo que no cambiará:
-
La necesidad de criterio humano para definir qué es un buen resultado.
-
La responsabilidad final sobre cambios en producción, decisiones de diseño y gestión de riesgos.
-
La importancia de entender mínimamente cómo funcionan estos sistemas para no tratarlos como cajas mágicas.