South Summit 26 Talk: Más Allá de las Buzzwords, Agentes de IA y el Stack Moderno de IA

Un agente de IA no es magia. Quítale la palabra de encima y lo que queda es un cerebro que razona, un bucle y un puñado de herramientas. En cuanto ves correr el bucle, la magia se convierte en ingeniería. El problema es que “agente” llega envuelto en un montón de otras buzzwords, LLM, RAG, MCP, que se mezclan entre sí. Este es el mapa: qué hace de verdad cada término y cómo encajan en el stack moderno de IA.

Esta es la presentación de mi masterclass en South Summit 2026. Desplázate por ella aquí abajo, o ábrela en pantalla completa.

Un LLM es un predictor del siguiente token, y por eso necesita herramientas

Un modelo de lenguaje lee el texto como tokens, los convierte en números y los hace pasar por una pila profunda de capas transformer para adivinar el siguiente token. Todo lo que “sabe” está congelado en sus pesos en el momento del entrenamiento, y solo puede mantener una cantidad limitada en mente a la vez: la ventana de contexto. Los modelos más nuevos la estiran mucho, el último Claude llega a 1.000.000 de tokens, unas 750.000 palabras, pero sigue siendo finita: más allá de ese borde, el texto más antiguo se cae.

Dos límites se derivan directamente de este diseño. El modelo no tiene datos en vivo, así que no puede contarte las noticias de hoy, los precios de hoy ni nada posterior a su corte de entrenamiento. Y cuando no sabe, no se detiene; autocompleta algo plausible. Eso es la alucinación, y no es un bug que puedas arreglar con un prompt. Es lo que hace un predictor del siguiente token cuando la respuesta honesta no está en sus pesos.

Esta única carencia, un razonador brillante sin sentidos, es lo que todas las demás piezas de esta página vienen a resolver.

RAG ancla el modelo en tus datos

La primera forma de cerrar la carencia es llevar los datos al modelo. La generación aumentada por recuperación (RAG) busca los documentos relevantes para una pregunta, los pega en el prompt y deja que el modelo responda con ellos delante. Es como funcionan la mayoría de productos de “chatea con tus documentos”.

RAG:  pregunta → recupera → amplía el prompt → genera → respuesta

El modelo sigue limitándose a predecir el siguiente token, pero ahora predice sobre tus datos en lugar de solo sobre sus pesos congelados. La recuperación es un paso que enchufas delante de la generación, así que la respuesta queda anclada en fuentes que tú controlas y no en la memoria del modelo.

MCP es un único protocolo entre modelos y herramientas

La segunda forma de cerrar la carencia es darle al modelo herramientas que pueda llamar: una búsqueda, una base de datos, una API. El problema es que cada herramienta habla su propio dialecto, así que cada conexión entre modelo y herramienta solía ser a medida. El Model Context Protocol lo resuelve con una única interfaz. Construye la integración una vez, y cualquier app compatible con MCP puede usarla.

MCP es a las herramientas de IA más o menos lo que USB-C es a los dispositivos: un enchufe estándar. Es lo que hace que las herramientas de un agente sean intercambiables en lugar de cableadas a mano, y es por eso que el tooling es la capa del stack que más rápido se mueve ahora mismo.

El bucle es lo que lo hace agéntico

Ahora junta las piezas. Dale al modelo que razona un conjunto de herramientas y déjalo correr en un bucle: razona sobre la pregunta, decide si llamar a una herramienta, lee el resultado y repite hasta que pueda responder. Ese patrón tiene nombre, ReAct (Yao et al., 2022), y es lo bastante pequeño como para dibujarlo.

flowchart LR
  U([Pregunta]) --> LLM{LLM<br/>razona}
  LLM -->|faltan datos| TOOL[llama a una herramienta]
  TOOL --> LLM
  LLM -->|listo| A([Respuesta])

El modelo es el dueño de este bucle: elige qué herramienta llamar, cuántas veces y cuándo parar. Ese traspaso de control, de ti al modelo, es la definición entera de “agéntico”. Todo lo demás es fontanería a su alrededor.

El stack moderno de IA es un tramo, no una caja

Por eso “agente de IA” se resiste a una definición de una sola línea: no es un único componente. Abarca el modelo (el cerebro), la memoria (el contexto que arrastra entre turnos), las herramientas (su alcance hacia el mundo) y la orquestación (el bucle que lo une todo). Cada buzzword nombra una porción de ese tramo.

Lee la tabla de arriba abajo y la jerga deja de competir y empieza a componerse. Un agente es lo que obtienes cuando ensamblas la columna entera y dejas que el modelo conduzca.

La conclusión es sencilla: un agente de IA es un cerebro en un bucle con herramientas, y las buzzwords a su alrededor son solo nombres para las partes. En cuanto ves el bucle, la magia se convierte en ingeniería.