Qué es un agente autónomo y en qué se diferencia de un chatbot, RPA o ML
Definiciones técnicas claras: agente autónomo, chatbot, RPA, machine learning. Cuándo conviene cada uno y por qué confundirlos sale caro.
Qué es un agente autónomo y en qué se diferencia de un chatbot, RPA o ML
“Tenemos que poner un agente de IA” — frase escuchada en muchas reuniones de gerencia en 2026. El problema es que la palabra “agente” se usa para cosas muy distintas, y la diferencia importa porque cada categoría se diseña, se opera y se factura distinto.
Este post pone definiciones claras, ejemplos y criterios para elegir.
Definición técnica de agente autónomo
Wikipedia, citando a Russell & Norvig (referencia clásica del campo de IA), define a un agente inteligente como “una entidad que percibe su entorno, toma acciones autónomamente para alcanzar objetivos, y puede mejorar su performance mediante aprendizaje automático” (fuente).
Las cuatro propiedades clave:
- Percepción del entorno (lee datos, recibe inputs).
- Acción sobre ese entorno (puede hacer algo que cambie el estado del mundo).
- Autonomía (decide qué hacer sin instrucciones paso a paso).
- Aprendizaje (puede mejorar con experiencia, opcional pero característico).
Un agente autónomo combina esas cuatro propiedades —especialmente la tercera, autonomía— con un modelo de lenguaje grande que le permite razonar en lenguaje natural sobre tareas abiertas.
Diferencias claras con otras categorías
Agente vs. Chatbot
Wikipedia define chatbot como “un programa de computadora o agente de inteligencia artificial diseñado para simular conversación con usuarios humanos, especialmente sobre internet” (fuente).
Un chatbot tradicional:
- Responde a un mensaje a la vez.
- No persiste estado más allá de la sesión.
- No toma acciones sobre sistemas externos por sí solo.
- Si algo no entra en su flujo, deriva a humano.
Un agente:
- Puede iterar varios pasos antes de responder (“razonar”, consultar, refinar).
- Persiste estado entre turnos (memoria de largo plazo).
- Ejecuta acciones: llama APIs, escribe en bases, envía emails.
- Decide qué herramienta usar y cuándo.
Wikipedia diferencia explícitamente: “Los chatbots responden principalmente a prompts; los agentes operan con autonomía en entornos complejos” (fuente). Anthropic publica documentación técnica sobre construcción de agentes efectivos como una arquitectura distinta de los chatbots tradicionales (Anthropic Research).
Ejemplo de chatbot: “¿Cuál es el saldo de mi cuenta?” → “Tu saldo es $X” (consulta única).
Ejemplo de agente: “Reservame un vuelo a Buenos Aires el viernes que esté en presupuesto y compatible con mi calendario.” → el agente consulta calendario, busca opciones, compara precios, valida políticas, presenta o ejecuta reserva.
Agente vs. RPA
Wikipedia describe RPA (Robotic Process Automation) como “una forma de automatización de procesos de negocio que se basa en software ‘robots’ o agentes de inteligencia artificial” que automatizan tareas repetitivas siguiendo reglas predefinidas (fuente).
Características de RPA:
- Determinista: ejecuta exactamente la misma secuencia.
- Programado paso a paso: si A entonces B; si B entonces C.
- Trabaja a nivel UI (clicks, teclas) o API.
- Si la pantalla cambia, el bot se rompe hasta que alguien lo arregle.
Características de agente:
- No determinista: ante el mismo input puede tomar caminos distintos.
- Programado por objetivo: “lograr X dadas estas restricciones”.
- Trabaja con APIs, archivos, bases, navegador.
- Si la pantalla cambia, el agente se adapta (con probabilidad alta, no certeza).
Wikipedia lo distingue así: “RPA sigue scripts rígidos, mientras que los agentes adaptan su comportamiento basados en cambios en el entorno y aprendizaje” (fuente).
Ejemplo de RPA: extraer datos de 50 facturas en formato fijo y cargarlas en SAP.
Ejemplo de agente: revisar emails entrantes, identificar cuáles son facturas (vienen en formatos variados), extraer los campos relevantes, cargarlas en SAP, y avisar a contabilidad si alguna requiere atención.
Agente vs. Machine Learning “tradicional”
Machine learning es el campo más amplio. Un modelo ML supervisado (clasificador, regresor) hace una predicción dado un input. No tiene autonomía ni acción.
Características de ML supervisado:
- Input → Predicción.
- No persiste estado.
- No toma acciones sobre el mundo.
- Se entrena offline con datos etiquetados.
Un agente puede usar modelos ML como herramienta (ej: pedirle a un clasificador que categorice un texto) pero el agente es el sistema que decide qué hacer con esa categorización.
Tabla comparativa
| Característica | Chatbot | RPA | ML supervisado | Agente autónomo |
|---|---|---|---|---|
| Persiste estado | Sesión corta | No | No | Sí |
| Toma acciones | A veces (botones) | Sí, programadas | No | Sí, decide cuáles |
| Maneja casos no previstos | No | No | No | Razonablemente |
| Determinista | Sí (típicamente) | Sí | Sí (mismo input) | No |
| Costo por ejecución | Bajo | Muy bajo | Bajo | Variable, puede ser alto |
| Auditabilidad | Alta | Muy alta | Alta | Media (requiere logs) |
| Tiempo de desarrollo | Días-semanas | Semanas | Semanas-meses | Semanas-meses |
| Mantenimiento | Bajo | Alto (UI cambia) | Medio | Alto (modelo evoluciona) |
Niveles de autonomía
El espectro va de tool a agent:
- Tool (herramienta): humano controla totalmente. Ej: ChatGPT clásico — vos preguntás, él responde, vos decidís qué hacer.
- Consultant (asesor): la IA recomienda, humano decide. Ej: Copilot que sugiere código, vos aceptás o rechazás.
- Collaborator (colaborador): humano y IA trabajan juntos en una tarea. Ej: agente de soporte que arma respuesta, humano la valida y envía.
- Operator (operador): la IA ejecuta, humano supervisa. Ej: agente que procesa tickets simples, escala a humano los complejos.
- Agent (agente pleno): la IA opera autónomamente bajo políticas. Ej: agente que reserva, compra, comunica sin aprobación humana de cada acción.
A mayor autonomía, mayor productividad esperable y mayor riesgo si algo sale mal. La elección no es técnica; es de gestión de riesgo.
Cuándo conviene cada uno
Chatbot
- Atención de FAQs en alto volumen.
- Bots de soporte L1 con flujo conocido.
- Asistentes en e-commerce que ayudan a navegar catálogo.
RPA
- Procesos repetitivos, alta frecuencia, baja variabilidad.
- Migración de datos entre sistemas sin API.
- Cumplimiento normativo de cargas regulares (AFIP, balances).
Machine Learning “puro”
- Predicción de churn, fraud detection, scoring crediticio.
- Recomendadores en plataformas de contenido.
- Clasificación automática de documentos o tickets.
Agente autónomo
- Procesos donde cada caso es distinto y se requiere razonar caso a caso.
- Investigación / búsqueda en múltiples fuentes con síntesis.
- Soporte avanzado donde se debe razonar sobre la cuenta del cliente, su historial y la base de conocimiento.
- Operaciones internas que combinan varias herramientas (calendario + email + ERP).
- Casos donde la cantidad de combinaciones de input hace impracticable programar reglas.
Errores frecuentes al elegir
”Vamos directo al agente porque es lo nuevo”
Para casos repetitivos y de alta frecuencia, RPA es más barato, más rápido y más auditable. Usar agente para algo que un script de Python resolvería es como usar un destornillador eléctrico para clavar un clavo.
”Es un agente” cuando es un chatbot con dos tools
Un sistema que solo puede llamar a una API y responder no es un agente: es un chatbot extendido. Decirle “agente” infla expectativas y obliga a explicar después por qué no hace lo que un cliente cree que un agente debería hacer.
”El modelo grande va a manejar todo”
Los modelos cometen errores. Sin guardrails (validaciones, límites de gasto, escalado a humano) el agente termina haciendo cosas inesperadas. Definir el espacio de acciones permitidas y los límites es parte del diseño, no algo opcional.
”Es como RPA pero más flexible”
No. RPA es predecible y barato; agente es flexible y caro. La transición de RPA a agente debe justificarse caso por caso, no como upgrade automático.
Conclusión
“Agente autónomo” tiene una definición técnica precisa: una entidad que percibe, decide y actúa con autonomía sobre su entorno. No todo lo que tiene IA es un agente, ni todo problema necesita uno. La consultoría seria empieza por esta diferenciación: si el cliente describe un proceso repetitivo y predecible, hay alta chance de que la respuesta correcta sea RPA o un script. Si el caso es ambiguo, variable y requiere razonar, ahí sí entra el agente —con su correspondiente diseño de controles.
Fuentes y referencias
- Wikipedia — Intelligent agent
- Wikipedia — Robotic process automation
- Wikipedia — Chatbot
- Anthropic — Research
