Agentes y automatización

Qué cubre esta sección

Un agente es un programa en el que un modelo de lenguaje no se limita a contestar, sino que decide qué hacer a continuación: elige una herramienta, la usa, mira el resultado y repite hasta terminar la tarea o necesitar tu decisión. Las guías de esta sección explican qué significa eso, cómo se conectan los agentes con herramientas y datos, y qué cuestan y qué riesgos tienen en una empresa. Se apoyan en la documentación de los propios fabricantes, en la especificación del Protocolo de Contexto de Modelos y en la lista de riesgos de OWASP para aplicaciones con modelos de lenguaje, y cada cifra lleva la fecha en que la comprobamos.

Por dónde empezar

1. Qué es un agente recoge las definiciones de Google Cloud y de Anthropic, la diferencia entre agente, asistente y bot, el ciclo de planificar, actuar y observar, ejemplos reales y los dos riesgos de OWASP que afectan directamente a los agentes: la inyección de instrucciones y el exceso de autonomía.
2. Qué es MCP explica el Protocolo de Contexto de Modelos, el estándar abierto que permite que un mismo servidor de herramientas funcione con cualquier aplicación compatible. Cubre los hosts, los clientes y los servidores, las tres cosas que puede ofrecer un servidor (herramientas, recursos y prompts) y lo que dice la especificación sobre el consentimiento y la seguridad de las herramientas, incluido que el protocolo por sí solo no puede imponer esos principios.
3. Agentes para empresas convierte los conceptos en decisiones: qué tareas encajan con un agente, si lo necesitas de verdad, tres maneras de conseguir uno, un ejemplo de costes con un agente de soporte que atiende 5.000 conversaciones al mes, los riesgos, las normas de la UE y un piloto de 30 días.

• n8n vs Make vs Zapier compara las tres plataformas de automatización por cómo cobran (ejecuciones, tareas o créditos), pone precio al mismo flujo en cada una y repasa sus agentes, MCP y la opción de instalarlas en tu servidor.
• Cómo crear un agente va de decidir si necesitas un agente a un ejemplo probado de 60 líneas con dos herramientas, tope de pasos, reglas en el código y aprobación humana de los reembolsos, con el coste mensual en cuatro modelos y el aviso que exige el artículo 50.
• Llamada a funciones explica cómo pide un modelo a tu código que ejecute una herramienta y cómo lo resuelven OpenAI, Claude y Gemini: la petición, el resultado y los esquemas estrictos.
• Cómo conectar un servidor MCP: Claude, ChatGPT y VS Code explica cómo añadir servidores MCP locales y remotos a Claude, Claude Code, VS Code y ChatGPT, y qué comprobar antes por seguridad.
• n8n autoalojado: Docker, licencia y límites gratis explica la instalación con Docker y Compose, qué deja fuera la edición gratuita Community y qué permite la licencia Sustainable Use.

¿Necesitas de verdad un agente?

Muchas veces no, y la mejor fuente para ese consejo es la propia empresa que fabrica agentes. Anthropic recomienda buscar la solución más sencilla posible y añadir complejidad solo cuando haga falta, lo que a veces significa no construir un sistema con agentes. En orden de complejidad: una sola petición bien diseñada a un modelo, con los documentos adecuados adjuntos; después un flujo de pasos fijos en el que un modelo hace algunos de ellos; y solo al final un agente que decide sus propios pasos. Los agentes cambian latencia y coste por mejores resultados en tareas abiertas, así que se justifican cuando el camino hacia la respuesta varía demasiado para programarlo de antemano. Nuestra guía para empresas da las preguntas que conviene hacerse antes de construir.

Lo que cuesta un agente

Las llamadas al modelo son el coste más fácil de estimar. En nuestro ejemplo, un agente de soporte que hace seis llamadas al modelo por conversación cuesta entre 17 $ y 2.075 $ al mes según el modelo, para las mismas 5.000 conversaciones. Hay dos conclusiones que valen sean cuales sean tus cifras: la elección del modelo mueve la factura en dos órdenes de magnitud, y el uso del modelo no suele ser el mayor gasto, porque construir las integraciones, probar con casos reales, supervisar y revisar pueden costar cada uno más que los tokens. Como un agente repite el mismo prefijo largo en cada paso, la caché de prompts importa más en agentes que en un chat, y nuestra calculadora de precios de las API de modelos te deja probar tus propias cifras.

Qué puede salir mal

El Top 10 de OWASP para aplicaciones con modelos de lenguaje (edición de 2025) nombra los riesgos que importan en los agentes: la inyección de instrucciones, la divulgación de información sensible, el exceso de autonomía y el consumo descontrolado. Todo lo que lee un agente, como una página web, un correo o un documento, puede intentar darle órdenes, y un agente con más permisos de los que necesita su tarea puede causar daños reales. Las medidas prácticas son las mismas en todas las guías: permisos estrechos, una persona que aprueba las acciones irreversibles o costosas, un número máximo de pasos, un registro de cada acción y una revisión periódica de una muestra. Para entender por qué una respuesta fluida no es una respuesta fiable, lee alucinaciones de los modelos.

Si operas en la UE

El Reglamento (UE) 2024/1689 ya se aplica a las empresas que usan modelos de lenguaje, no solo a las que los construyen. Desde el 2 de febrero de 2025, proveedores y responsables del despliegue deben tomar medidas para apoyar la alfabetización del personal que usa sistemas, y desde el 2 de agosto de 2026 los proveedores de sistemas diseñados para interactuar directamente con personas, como los chatbots, deben asegurarse de que esas personas sepan que están ante una máquina, salvo que sea evidente. Nuestras guías explican el calendario completo en el Reglamento (UE) 2024/1689 y los deberes de transparencia en el artículo 50.

Qué leer después

Si quieres un agente que escriba código, mira cómo usar Claude Code e asistentes para programar. Si quieres dar a un modelo tus propios documentos, empieza por qué es RAG.