De ChatGPT a los agentes de IA: qué ha cambiado en cuatro años

De ChatGPT a los agentes de IA: qué ha cambiado en cuatro años

De las primeras conversaciones con inteligencia artificial a los sistemas capaces de conectarse con nuestras aplicaciones y ejecutar tareas. Un recorrido por los conceptos que están transformando la forma de trabajar de las empresas.

Hace aproximadamente cuatro años escuché hablar por primera vez de ChatGPT. Empecé a experimentar con esta herramienta y descubrí que podía ayudarme a redactar textos, resolver dudas, analizar información y generar ideas de una forma que hasta entonces parecía impensable.

A partir de aquel momento empecé a conocer otras soluciones: DeepSeek, Gemini, Claude, Perplexity, Comet, Manus y muchas más. Cada una aportaba nuevas posibilidades y me hacía plantearme cómo podía aprovecharlas en mi trabajo y en los proyectos de mis clientes.

Pero mi curiosidad no se quedó en preguntar a una IA. Empecé a experimentar con herramientas como Supabase y n8n, a conectar aplicaciones, trabajar con bases de datos y diseñar automatizaciones.

Y ahí entendí algo importante: la inteligencia artificial estaba dejando de ser una herramienta para responder preguntas y empezaba a convertirse en una tecnología capaz de participar en los procesos de una empresa.

Para comprender este cambio, conviene conocer algunos conceptos que explican cómo hemos llegado hasta aquí.

1. De la IA tradicional a ChatGPT

La inteligencia artificial no nació con ChatGPT. Durante décadas se desarrollaron sistemas basados en reglas, modelos estadísticos y redes neuronales. Más adelante aparecieron tecnologías generativas como las GAN y los VAE, capaces de crear contenido, especialmente imágenes.

Uno de los grandes saltos llegó en 2017 con la arquitectura Transformer, que permitió mejorar la comprensión del contexto y las relaciones entre palabras.

Después llegaron los grandes modelos de lenguaje, conocidos como LLM (Large Language Models). OpenAI fue desarrollando la familia GPT y, en noviembre de 2022, ChatGPT acercó esta tecnología al público general.

2. LLM: no todas las inteligencias artificiales son iguales

Un LLM es un modelo entrenado con enormes cantidades de información para comprender y generar lenguaje. Su funcionamiento se basa, entre otras técnicas, en predecir el siguiente elemento de una secuencia, denominado token.

Esto permite mantener conversaciones, resumir documentos, traducir textos, analizar información y generar código.

Con el tiempo han aparecido diferentes modelos y especializaciones: modelos de razonamiento, generación de imágenes, audio, vídeo y modelos multimodales, capaces de trabajar con varios tipos de información.

¿Qué significa esto para una empresa? Podemos utilizar un modelo para redactar fichas de productos, otro para generar imágenes comerciales y otro para analizar documentos o consultas de clientes. No necesitamos una única IA para todo.

3. Cuando conectamos la IA con nuestras aplicaciones

Al principio, el funcionamiento era sencillo: escribíamos una pregunta y recibíamos una respuesta. Pero ¿qué ocurre cuando queremos que la IA consulte los datos de nuestra empresa?

Aquí aparecen conceptos como:

  • API: permite que dos aplicaciones intercambien información.
  • RAG: permite consultar documentos y bases de datos propios para responder utilizando información de la empresa.
  • Function Calling: permite que un modelo solicite ejecutar funciones o utilizar herramientas externas.
  • Contexto y memoria: ayudan a mantener información relevante durante una conversación o un proceso.

En mi caso, empezar a experimentar con Supabase, n8n y otras herramientas me permitió descubrir las posibilidades de conectar diferentes sistemas y automatizar procesos.

Ejemplo: podemos conectar un asistente a nuestro catálogo, tarifas y documentación para que responda a un cliente utilizando información real del negocio, en lugar de ofrecer respuestas genéricas.

4. Los agentes de IA: de preguntar a delegar tareas

Este es uno de los cambios que considero más interesantes.

Un chatbot responde a nuestras preguntas. Un agente de IA puede recibir un objetivo, organizar los pasos necesarios, utilizar herramientas, consultar resultados y continuar trabajando para completar una tarea.

Imaginemos que recibimos una solicitud comercial. Un agente podría consultar el CRM, comprobar los productos disponibles, preparar una propuesta y dejarla pendiente de aprobación antes de enviarla.

También empiezan a desarrollarse sistemas multiagente, donde diferentes agentes especializados colaboran entre sí.

Eso sí, no significa que podamos dejarles cualquier tarea sin supervisión. Necesitamos definir permisos, límites y controles, especialmente cuando intervienen datos de clientes, dinero o decisiones comerciales.

5. MCP y A2A: conectando diferentes sistemas de IA

Cuando queremos que los agentes utilicen aplicaciones y compartan información, necesitamos mecanismos para facilitar esa comunicación.

Aquí encontramos dos conceptos que conviene conocer:

  • MCP (Model Context Protocol): facilita la conexión de modelos de IA con herramientas, aplicaciones y fuentes de información externas. Podemos imaginarlo como un conector que ayuda a comunicar la IA con otros sistemas.
  • A2A (Agent2Agent): facilita la comunicación y colaboración entre diferentes agentes de inteligencia artificial.

Por ejemplo, un agente puede consultar el CRM para identificar a un cliente, otro comprobar el estado de su pedido y un tercero preparar una respuesta para el equipo de atención al cliente.

La oportunidad está en conseguir que las aplicaciones trabajen coordinadamente y que no tengamos que trasladar manualmente la información de un sistema a otro.

6. ¿Qué viene después? Agentes autónomos y modelos del mundo

La evolución continúa. Estamos viendo sistemas capaces de completar procesos cada vez más complejos y agentes que colaboran para alcanzar objetivos.

También aparecen los llamados World Models o modelos del mundo, una línea de investigación que busca que la IA pueda aprender cómo funciona un entorno, anticipar cambios y simular posibles situaciones. Sus aplicaciones potenciales incluyen robótica, conducción autónoma y fabricación industrial.

Otro concepto que escucharemos es la AGI (Inteligencia Artificial General), que representa el objetivo de desarrollar una inteligencia artificial con capacidades generales comparables a las humanas. Todavía es un objetivo de investigación, no una tecnología que podamos considerar conseguida.

7. ¿Qué haría yo si tuviera que empezar hoy?

Después de experimentar con diferentes herramientas, mi recomendación para un emprendedor sería no intentar aprenderlo todo de golpe.

Empezaría identificando tareas que consumen demasiado tiempo: responder consultas, preparar presupuestos, organizar documentos, clasificar contactos o actualizar información comercial.

Después probaría una herramienta de IA, buscaría cómo conectarla con las aplicaciones que ya utiliza la empresa y estudiaría qué procesos se pueden automatizar.

No necesitamos construir nuestro propio modelo de inteligencia artificial. Podemos aprovechar modelos existentes y conectarlos con nuestro CRM, ERP, ecommerce o bases de datos para resolver problemas concretos.

Mi conclusión es clara: la primera revolución consistió en aprender a utilizar la inteligencia artificial. La siguiente consiste en aprender a integrarla en nuestros negocios para que trabaje con nosotros.

No se trata de utilizar más herramientas, sino de trabajar mejor, ahorrar tiempo y encontrar nuevas oportunidades.

No dejes que la IA te quite el puesto de trabajo. Domínala para que trabaje para ti.

Por Jordi Camps, CEO de invertiaWeb | Más de 25 años trabajando con tecnología, Internet y negocios digitales

Enviar comentario

Pin It on Pinterest

Comparte

Si te ha interasado, compartelo con tus amigos!