Los agentes de inteligencia artificial representan una de las áreas de mayor interés dentro de la evolución de los modelos de lenguaje. A diferencia de una interacción tradicional con un chatbot, un agente de IA puede estar diseñado para razonar sobre una tarea, utilizar herramientas, consultar información, ejecutar acciones y completar objetivos mediante varios pasos.
Este cambio está dando lugar al concepto de Agentic AI o inteligencia artificial agéntica, utilizado para describir sistemas capaces de actuar de forma más autónoma dentro de determinados límites.
En esta guía encontrarás una selección de libros sobre agentes de IA, LLM, sistemas autónomos, Machine Learning y arquitectura de aplicaciones inteligentes, incluyendo títulos útiles tanto para profesionales de negocio como para desarrolladores.
¿Qué es un agente de IA?
Un agente de inteligencia artificial es un sistema diseñado para alcanzar uno o varios objetivos utilizando capacidades de percepción, razonamiento, planificación y ejecución.
En una aplicación moderna basada en modelos de lenguaje, un agente puede combinar un LLM con memoria, herramientas, fuentes externas de información, APIs y mecanismos de planificación.
Por ejemplo, en lugar de limitarse a responder una pregunta, un agente podría recibir una tarea, consultar una base de datos, analizar los resultados, utilizar una herramienta externa y producir una respuesta final.
¿Qué significa Agentic AI?
Agentic AI se refiere generalmente a sistemas de inteligencia artificial diseñados para realizar tareas orientadas a objetivos con cierto grado de autonomía.
El término puede utilizarse de distintas maneras según el contexto. En aplicaciones empresariales suele relacionarse con sistemas capaces de dividir una tarea en pasos, decidir qué herramientas utilizar y ejecutar acciones dentro de unas reglas determinadas.
Esto diferencia a los agentes de un simple modelo generativo que produce una respuesta a partir de una instrucción.
Los mejores libros sobre agentes de IA y Agentic AI
AI Engineering — Chip Huyen
AI Engineering es especialmente relevante para quienes quieren comprender cómo construir aplicaciones alrededor de modelos de inteligencia artificial modernos.
El contenido resulta útil para estudiar conceptos relacionados con LLM, evaluación de modelos, recuperación de información, generación aumentada y arquitectura de aplicaciones de IA.
- Modelos fundacionales.
- Aplicaciones con LLM.
- Evaluación de sistemas de IA.
- RAG.
- Diseño de aplicaciones inteligentes.
Hands-On Large Language Models — Jay Alammar y Maarten Grootendorst
Comprender los agentes de IA requiere conocer primero las capacidades y limitaciones de los modelos de lenguaje que suelen actuar como su componente de razonamiento.
Este libro proporciona una base técnica para entender cómo funcionan los LLM y cómo pueden utilizarse para crear aplicaciones más avanzadas.
- Large Language Models.
- Embeddings.
- Transformers.
- Procesamiento del lenguaje natural.
- Aplicaciones prácticas.
Designing Machine Learning Systems — Chip Huyen
Los agentes de IA no funcionan únicamente gracias al modelo. Una aplicación real necesita datos, infraestructura, herramientas, evaluación, monitorización y mecanismos para controlar su comportamiento.
Por este motivo, comprender el diseño de sistemas de Machine Learning puede ser muy útil antes de construir arquitecturas agentic complejas.
- Arquitectura de sistemas ML.
- Datos.
- Despliegue.
- Evaluación.
- Monitorización.
Natural Language Processing with Transformers — Lewis Tunstall, Leandro von Werra y Thomas Wolf
Los Transformers constituyen una tecnología fundamental para comprender los modelos de lenguaje modernos.
Este libro es una opción especialmente interesante para quienes quieren avanzar hacia el desarrollo técnico de sistemas basados en LLM y comprender cómo se procesan datos lingüísticos mediante modelos modernos.
- Transformers.
- NLP.
- Modelos preentrenados.
- Fine-tuning.
- Aplicaciones de lenguaje.
Artificial Intelligence: A Modern Approach — Stuart Russell y Peter Norvig
Para comprender el concepto de agente desde una perspectiva académica, este clásico de la inteligencia artificial resulta especialmente útil.
El libro aborda conceptos como agentes inteligentes, búsqueda, planificación, aprendizaje, razonamiento y toma de decisiones.
Aunque no está dedicado específicamente a los agentes basados en LLM actuales, ofrece fundamentos que ayudan a comprender por qué la noción de agente existe desde mucho antes de la actual generación de herramientas de IA.
Generative Deep Learning — David Foster
Los agentes modernos suelen incorporar modelos generativos como parte de su arquitectura. Por ello, conocer los fundamentos de la IA generativa permite comprender mejor sus capacidades.
Este libro explora diferentes conceptos relacionados con Deep Learning generativo y puede servir como puente hacia el estudio de sistemas generativos más avanzados.
- Redes neuronales.
- Deep Learning.
- Modelos generativos.
- Generación de contenido.
- Implementación práctica.
Machine Learning Yearning — Andrew Ng
Antes de construir un agente, es importante saber definir correctamente el problema que se quiere solucionar.
Este libro ayuda a desarrollar una forma de pensar orientada a proyectos de Machine Learning, incluyendo decisiones sobre datos, modelos y evaluación.
Prediction Machines — Ajay Agrawal, Joshua Gans y Avi Goldfarb
Los agentes empresariales no solamente necesitan capacidades técnicas. También deben estar vinculados a objetivos concretos de negocio.
Prediction Machines ofrece una perspectiva económica sobre la inteligencia artificial y puede ayudar a profesionales y directivos a pensar en qué tareas pueden beneficiarse de sistemas automatizados.
- IA aplicada a negocios.
- Predicción.
- Toma de decisiones.
- Automatización.
- Economía de la IA.
Co-Intelligence — Ethan Mollick
Los sistemas agentic plantean una nueva relación entre profesionales y herramientas de IA. En lugar de limitarse a pedir una respuesta, el usuario puede delegar determinadas partes de un proceso.
Co-Intelligence ofrece una perspectiva orientada al uso práctico de la IA en el trabajo y resulta especialmente relevante para profesionales que todavía están entrando en este ecosistema.
- IA en el trabajo.
- Productividad.
- Colaboración humano-IA.
- Experimentación.
- Nuevas formas de trabajar.
Deep Learning — Ian Goodfellow, Yoshua Bengio y Aaron Courville
Para quienes quieran profundizar seriamente en inteligencia artificial, el conocimiento de Deep Learning puede convertirse en una base importante.
Es un libro considerablemente más técnico que los títulos orientados a productividad o negocio, pero permite estudiar los fundamentos de las redes neuronales y del aprendizaje profundo.
Comparativa de libros sobre agentes de IA
| Libro | Nivel | Enfoque | Perfil recomendado |
|---|---|---|---|
| AI Engineering | Avanzado | Aplicaciones de IA | Ingenieros y desarrolladores |
| Hands-On Large Language Models | Medio/avanzado | LLM | Programadores |
| Designing Machine Learning Systems | Avanzado | Sistemas ML | Ingenieros |
| NLP with Transformers | Avanzado | Transformers y NLP | Especialistas técnicos |
| Artificial Intelligence: A Modern Approach | Medio/avanzado | Agentes y fundamentos de IA | Estudiantes y profesionales |
| Generative Deep Learning | Medio/avanzado | IA generativa | Desarrolladores |
| Machine Learning Yearning | Medio | Proyectos ML | Profesionales de IA |
| Prediction Machines | Inicial/medio | IA y negocio | Ejecutivos |
| Co-Intelligence | Inicial | IA y trabajo | Profesionales |
| Deep Learning | Avanzado | Deep Learning | Investigadores e ingenieros |
¿Qué debería aprender antes de crear un agente de IA?
No es necesario dominar toda la inteligencia artificial para comenzar a experimentar con agentes. Sin embargo, algunos conceptos son especialmente importantes.
1. Modelos de lenguaje
Comprender qué puede y qué no puede hacer un LLM ayuda a diseñar agentes con expectativas realistas.
2. Prompt engineering
Las instrucciones, contexto, restricciones y formato de salida influyen en el comportamiento del modelo.
3. Tool calling
Los agentes pueden utilizar herramientas externas para realizar acciones que un modelo de lenguaje por sí solo no puede ejecutar.
4. RAG
La generación aumentada mediante recuperación permite conectar un modelo con información externa relevante.
5. Memoria
Dependiendo de la arquitectura, un sistema puede conservar determinados datos o utilizar información previa durante un flujo de trabajo.
6. Evaluación
Un agente debe evaluarse en función de si realmente completa las tareas para las que fue diseñado.
7. Seguridad
La autonomía requiere controles. Un agente conectado a herramientas externas puede tener capacidad de realizar acciones, por lo que deben establecerse permisos, límites y mecanismos de supervisión.
Agente de IA vs chatbot tradicional
| Característica | Chatbot | Agente de IA |
|---|---|---|
| Respuesta a preguntas | Sí | Sí |
| Planificación de tareas | Limitada | Puede incorporarse |
| Uso de herramientas | Depende del sistema | Elemento habitual |
| Ejecución de acciones | Generalmente limitada | Puede formar parte del diseño |
| Memoria | Depende de la aplicación | Puede incorporarse |
| Orientación a objetivos | Principalmente conversacional | Orientada a completar tareas |
¿Qué tecnologías se utilizan para crear agentes de IA?
Un sistema agentic puede estar compuesto por múltiples tecnologías. No existe una única arquitectura universal.
- LLM: proporciona capacidades de comprensión y generación de lenguaje.
- Prompts: definen instrucciones, contexto y restricciones.
- Tools: permiten interactuar con sistemas externos.
- APIs: conectan el agente con servicios y aplicaciones.
- RAG: permite recuperar información relevante desde fuentes externas.
- Vector databases: pueden utilizarse para almacenar y recuperar representaciones vectoriales.
- Memory: permite conservar determinados elementos de contexto.
- Orquestación: coordina diferentes pasos, herramientas o agentes.
- Observabilidad: facilita analizar el comportamiento del sistema.
Ruta para aprender Agentic AI
Utiliza esta ruta como referencia para pasar de los fundamentos a la construcción de agentes.
¿Dónde pueden utilizarse los agentes de IA?
Las aplicaciones potenciales de los sistemas agentic abarcan numerosos sectores, aunque el nivel de autonomía apropiado depende del riesgo y del tipo de tarea.
- Atención al cliente.
- Automatización de procesos administrativos.
- Análisis de documentos.
- Investigación y recopilación de información.
- Programación y revisión de código.
- Marketing y generación de campañas.
- Gestión de conocimiento empresarial.
- Soporte interno para empleados.
- Análisis de datos.
- Automatización de flujos de trabajo.
¿Vale la pena estudiar Agentic AI?
Para profesionales interesados en inteligencia artificial aplicada, estudiar agentes puede complementar conocimientos de Machine Learning, LLM y automatización.
Sin embargo, aprender Agentic AI no significa únicamente conocer una plataforma o framework. Los conocimientos más transferibles incluyen diseño de sistemas, evaluación, integración de herramientas, recuperación de información, seguridad y definición de objetivos.
Errores comunes al aprender agentes de IA
- Confundir un chatbot con un agente.
- Suponer que más autonomía siempre significa un mejor sistema.
- No definir claramente el objetivo del agente.
- Conectar demasiadas herramientas desde el principio.
- No evaluar los resultados.
- Ignorar costes y latencia.
- No establecer permisos y límites.
- Confiar en el modelo sin supervisión en tareas críticas.
- Aprender únicamente un framework sin comprender la arquitectura.
Preguntas frecuentes sobre libros de agentes de IA
La elección depende del nivel y objetivo. Los profesionales técnicos pueden comenzar con libros sobre LLM y AI Engineering, mientras que quienes buscan fundamentos generales pueden estudiar inteligencia artificial y agentes desde una perspectiva más amplia.
Agentic AI es un término utilizado para describir sistemas de inteligencia artificial orientados a objetivos que pueden incorporar planificación, herramientas, memoria y ejecución de acciones dentro de determinados límites.
No necesariamente. Puedes estudiar los conceptos desde una perspectiva empresarial o de productividad. Para desarrollar agentes personalizados y conectarlos con APIs, herramientas y sistemas externos, la programación resulta especialmente útil.
Python es muy utilizado en inteligencia artificial, aunque los agentes también pueden desarrollarse con otros lenguajes dependiendo de las herramientas, APIs y arquitectura elegidas.
Un LLM es un modelo capaz de procesar y generar lenguaje. Un agente puede utilizar un LLM como componente dentro de un sistema más amplio que incorpora herramientas, memoria, planificación y ejecución.
Puedes profundizar en evaluación de agentes, RAG, sistemas multiagente, observabilidad, seguridad, optimización de costes y arquitectura de aplicaciones basadas en LLM.
Conclusión
Los agentes de IA y Agentic AI amplían las posibilidades de los modelos de lenguaje al incorporar herramientas, planificación, memoria y ejecución de tareas dentro de arquitecturas diseñadas para alcanzar objetivos concretos.
Para aprender esta tecnología de forma sólida, conviene combinar libros sobre inteligencia artificial, LLM, Machine Learning, Deep Learning y arquitectura de software con práctica sobre problemas reales.
El objetivo no debería ser simplemente crear un agente que pueda hacer muchas cosas, sino diseñar sistemas que realicen tareas concretas de manera controlada, medible, segura y útil.