Un agente inteligente puede consultar documentos, utilizar herramientas digitales, analizar resultados y decidir qué acción ejecutar después. Construir un sistema así requiere mucho más que conectar un modelo de lenguaje con una aplicación: el desarrollador debe controlar el flujo de trabajo, establecer límites y comprobar que cada acción produzca un resultado válido.
Los conocimientos necesarios combinan programación, inteligencia artificial, integración de datos, seguridad y evaluación. La profundidad dependerá del proyecto. Un agente que responde preguntas sobre documentos internos no presenta los mismos riesgos que otro autorizado para actualizar registros, enviar mensajes o ejecutar operaciones en sistemas empresariales.
Respalda programas sobre agentes inteligentes
El Instituto Internacional de Ingeniería (3i) permite que organizaciones e instructores emitan credenciales verificables para respaldar los resultados de sus programas de formación.
Programación e integración
La programación es la base del desarrollo de agentes. Python se utiliza ampliamente en proyectos de inteligencia artificial, mientras que JavaScript y TypeScript pueden emplearse para integrar agentes en aplicaciones web. Más que memorizar un lenguaje, el profesional necesita dominar estructuras de datos, funciones, programación asíncrona, manejo de errores, pruebas automatizadas y control de versiones.
También debe saber trabajar con API, bases de datos, archivos, formatos JSON, autenticación y servicios externos. Estas integraciones permiten que el agente consulte información o ejecute acciones fuera del modelo de lenguaje. El diseño debe contemplar límites de tiempo, reintentos, validación de respuestas y mecanismos de recuperación cuando un servicio no está disponible.
Un ejemplo sencillo es un agente que revisa solicitudes de inscripción. El sistema recibe los datos del usuario, consulta una base de registros y verifica si faltan documentos. Para construirlo, el desarrollador debe controlar qué información se envía, cómo se interpreta la respuesta y qué sucede cuando la base de datos falla.
Además, debe distinguir entre operaciones repetibles y acciones que podrían generar duplicados. Volver a consultar un registro suele ser seguro, pero repetir el envío de una credencial o la modificación de una cuenta puede producir consecuencias no deseadas. Identificadores únicos, comprobaciones previas y registros de ejecución ayudan a prevenir estos problemas.
Modelos e instrucciones
El desarrollador necesita comprender cómo funciona un modelo de lenguaje dentro de una aplicación. Esto incluye tokens, ventana de contexto, mensajes del sistema, salidas estructuradas, latencia, costos y límites de uso. No siempre será necesario entrenar un modelo, pero sí elegirlo según la dificultad, velocidad y riesgo de la tarea.
Las instrucciones determinan el comportamiento del agente. Deben especificar el objetivo, los pasos permitidos, las restricciones y las condiciones para finalizar. Una orden como “revisa esta solicitud” deja demasiadas decisiones abiertas. Una instrucción más útil indica qué campos comprobar, qué fuente consultar, qué formato devolver y cuándo solicitar revisión humana.
La guía práctica de OpenAI para construir agentes organiza el diseño alrededor del modelo, las herramientas y las instrucciones. También recomienda establecer evaluaciones de referencia antes de optimizar costos o sustituir modelos, porque una elección más económica solo es útil si mantiene el nivel de desempeño requerido.
El contexto debe administrarse de forma deliberada. Enviar conversaciones completas o grandes cantidades de documentos puede incorporar información irrelevante y elevar el consumo. El desarrollador decide qué datos conservar, cuáles resumir y cuáles recuperar únicamente cuando sean necesarios para la tarea actual.
Herramientas y orquestación
Un agente puede diferenciarse de un chatbot básico porque utiliza herramientas, mantiene un estado de ejecución y decide entre varios pasos para completar una tarea. Esas herramientas pueden consultar documentos, buscar información, actualizar registros o enviar datos a otro sistema.
Cada herramienta debe tener un propósito claro, parámetros definidos y respuestas predecibles. Si dos funciones tienen nombres o alcances ambiguos, el modelo puede seleccionar la opción incorrecta. La orquestación establece el orden de las acciones y decide si conviene utilizar un solo agente o varios componentes especializados.
La publicación de Anthropic sobre agentes efectivos recomienda comenzar con patrones simples y combinables antes de adoptar arquitecturas complejas. Esta recomendación es relevante porque cada agente adicional incorpora transferencias, estados y nuevos puntos de fallo.
Microsoft Research presenta AutoGen como un marco para orquestar flujos con múltiples agentes, herramientas y participación humana. El ejemplo demuestra que la colaboración entre agentes es una opción arquitectónica, no un requisito automático para cualquier proyecto.
Evaluación y observabilidad
Un agente no debe evaluarse únicamente por la calidad aparente de su respuesta final. Es necesario revisar el recorrido completo: qué herramientas seleccionó, qué parámetros envió, qué datos recuperó, qué resultados intermedios recibió y por qué terminó o transfirió la tarea.
La documentación de trazabilidad del OpenAI Agents SDK describe registros de generaciones del modelo, llamadas a herramientas, transferencias, controles y eventos personalizados. Estos datos permiten visualizar y depurar un flujo durante el desarrollo y la operación, aunque deben configurarse con cuidado cuando puedan contener información sensible.
Las pruebas deben representar el uso real. Para un agente que clasifica solicitudes, conviene incluir casos completos, datos faltantes, instrucciones contradictorias, herramientas no disponibles y peticiones fuera del alcance autorizado. Cada caso necesita un criterio verificable: categoría correcta, herramienta permitida, formato esperado o derivación a una persona.
Seguridad y control humano
Cuantas más acciones pueda ejecutar un agente, mayor será la necesidad de controlar permisos y consecuencias. El desarrollador debe conocer autenticación, autorización, protección de credenciales, validación de entradas, registro de actividades y manejo seguro de datos.
El principio de privilegio mínimo resulta especialmente útil: cada herramienta accede solo a los datos y acciones necesarios. Un agente creado para consultar credenciales no necesita permisos para eliminarlas o modificar información de alumnos. También deben existir aprobaciones humanas para acciones sensibles, irreversibles o con consecuencias económicas.
El perfil de inteligencia artificial generativa del NIST propone incorporar la gestión de riesgos durante el diseño, desarrollo, uso y evaluación del sistema. Su relevancia está en tratar la seguridad y la confiabilidad como parte del ciclo de vida, no como una revisión aislada posterior al despliegue.
Conocimiento del proceso
Un sistema técnicamente correcto puede ser poco útil si no representa el proceso real de la organización. El desarrollador debe identificar quién inicia la tarea, qué documentos se utilizan, qué excepciones existen, quién aprueba cada acción y cuál es el resultado esperado.
Antes de crear un agente para revisar inscripciones, por ejemplo, es necesario definir los datos obligatorios, las fuentes autorizadas y los motivos que requieren una derivación. Ese conocimiento se convierte en instrucciones, herramientas, reglas y pruebas. Sin este análisis, el agente podría generar una respuesta bien redactada que no respete el procedimiento institucional.
Conclusión
Un desarrollador de agentes inteligentes necesita integrar programación, modelos de lenguaje, herramientas, evaluación, seguridad y conocimiento operativo. Su preparación no debe limitarse al uso de un framework: debe permitirle construir sistemas observables y controlados que ejecuten tareas dentro de condiciones claramente definidas.
Emite credenciales técnicas verificables
Convierte los logros de tus alumnos en credenciales que puedan comprobarse mediante QR, enlace o código, manteniendo tus programas y la relación con cada participante.
Fuentes consultadas
OpenAI. A practical guide to building agents. Documentación técnica, consultada en 2026.
Anthropic. Building effective agents. 2024.
Microsoft Research. AutoGen: Enabling next-generation large language model applications. 2023.
OpenAI. OpenAI Agents SDK: Tracing. Documentación técnica, consultada en 2026.
National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. 2024.
