Qué es un agente y por qué importa en ingeniería eléctrica

Día 58 / 60

Vengo trabajando con agentes desde noviembre del 2024. Durante mucho tiempo consideré que todos vendíamos humo sobre lo que realmente podía hacer un agente.

Primera interacción con ELIZA

Hace 6 meses escribí en esta entrada lo que era un agente y que en ese momento vivíamos en una etapa de hype. Unos días después, tras fracasar estrepitosamente en ARC AGI 3, publiqué esto:

La ironía de la IA

"La ironía de la IA. Más inteligente que un Doctorado. Más inútil que un practicante."

Lo sentía de verdad.

Eso fue hace 6 meses.

Siento que ha llegado el momento que los "AI bros" venimos prediciendo hace años. Los agentes están ya entre nosotros. No estoy hablando de demos ni de papers académicos. Estoy hablando de agentes que hacen cosas reales, en producción, todos los días. Y que lo hacen muy bien.

Qué es un agente ?

Antes de seguir, vale la pena explicar qué entiendo como agente en este momento, porque el término esta ultra manoseado y además va cambiando a medida que la tecnología mejora.

"Un agente de IA es un programa que no solo responde preguntas sino que toma acciones por sí mismo hasta cumplir un objetivo. Es la diferencia entre preguntarle a ChatGPT '¿cómo hago un flujo de potencia?' y que un agente ejecute el flujo de potencia, analice los resultados, identifique problemas de tensión, simule contingencias y te entregue un reporte completo. El agente decide qué hacer, lo hace, evalúa si funcionó, y ajusta."

Un chatbot responde. Un agente actúa.

Chatbot vs Agente

Según lo que entiendo hoy, un agente necesita al menos estos componentes:

LLM: El modelo de inteligencia artificial que razona y decide qué herramientas usar y cuándo.

Tools (herramientas): Las acciones concretas que puede ejecutar en el mundo real. En el caso de Nelson, son más de 50 herramientas para interactuar con PowerFactory, consultar Infotécnica, buscar normativa CNE, generar diagramas. Sin herramientas, un agente es solo un LLM que habla bonito.

Memoria: Contexto persistente entre sesiones. Sin esto, cada conversación empieza de cero y el agente olvida qué estudios ya hizo, qué parámetros encontró, qué decisiones tomó, para qué equipo está trabajando. Hasta hace poco, esto era el punto más débil de los agentes.

Conocimiento de dominio: Los datos, normativas y criterios específicos del área donde trabaja. Nelson tiene la normativa CNE indexada, datos de Infotécnica, parámetros del SEN.

Archivos de personalidad: Quién es, cómo se comporta, qué prioriza. En Nelson esto significa que el agente sabe que es un ingeniero eléctrico, que trabaja con normativa chilena, que debe ser conservador en recomendaciones de protección. Estos archivos van evolucionando — el mismo agente los mejora con el tiempo.

Guardrails: Las reglas que definen qué puede y qué no puede hacer el agente. Límites de autonomía.

Loop de ejecución: Un ciclo continuo de planificación → ejecución → evaluación, no solo respuesta a prompts. Esto es lo que diferencia a un agente de un chatbot.

Evaluación: Poder medir si el agente está tomando buenas decisiones. No es solo "¿funcionó?", es revisar sistemáticamente si eligió las herramientas correctas, si el análisis tiene sentido, si el reporte cumple estándares.

Trazabilidad: Poder ver exactamente qué hizo el agente, paso a paso, qué herramientas usó y por qué. En estudios eléctricos que deben cumplir estándares del CEN, poder auditar cada decisión del agente no es opcional.

Heartbeat: Un mecanismo que lo mantiene activo y proactivo, no esperando pasivamente una instrucción.

Qué cambió para que los agentes sean posibles

Hace 16 meses, los LLMs no eran lo suficientemente buenos seleccionando qué herramientas usar. Hoy el tooling, la memoria y las ventanas de contexto mejoraron lo suficiente como para que podamos decir: tenemos agentes funcionales. Voy a ser específico:

• Los modelos mejoraron radicalmente en tool calling.
• El 1M de tokens de contexto es justo lo que necesitábamos.
• La memoria ya está mejor resuelta.
• El paralelismo se volvió nativo.

Por qué esto importa para ingeniería eléctrica

Históricamente, la ingeniería eléctrica y las ciencias de la computación han estado muy unidas. En Chile, una cantidad enorme de eléctricos terminan trabajando en cosas informáticas: desarrollo de software, automatización, data. No es casualidad. Las dos disciplinas comparten la misma forma de pensar: sistemas, lógica, optimización.

Eso hace que la ingeniería eléctrica esté en una posición única para beneficiarse de los agentes. No es un salto tan grande.

Estos últimos meses he sentido como mi productividad como developer se multiplicó x2, x3, x5. No es exageración. Claude Code con Opus 4.6 cambio la forma en que trabajo. Lo que antes me tomaba un día ahora lo hago en horas. Ese superpoder que estamos sintiendo los developers va a empezar a llegar muy pronto a más áreas del conocimiento. Y la ingeniería eléctrica va a ser de las primeras.

Un estudio de coordinación de protecciones en Chile hoy puede tomar semanas de trabajo manual. Un ingeniero tiene que recopilar datos de Infotécnica, revisar normativa CNE, modelar el sistema en PowerFactory, correr simulaciones, analizar contingencias, ajustar configuraciones de relés, y escribir un reporte que cumpla con los estándares del Coordinador Eléctrico Nacional.

Nelson está haciendo gran parte de eso de forma autónoma. No todo. No lo hace perfecto. Pero está haciendo el trabajo técnico real: corriendo simulaciones, analizando contingencias, generando datos. Y lo siento mejorar cada semana.

La razón por la que esto es posible ahora y no hace un año es la convergencia de todo lo que mencioné: modelos que saben usar herramientas, contexto suficiente para manejar la complejidad de un sistema eléctrico real, memoria que persiste entre sesiones, y arquitecturas que permiten paralelizar trabajo. Cada una de esas piezas necesitaba mejorar. Y siguen mejorando cada día.

Reflexión

El ecosistema de agentes en febrero 2026 está fragmentado. Ninguna plataforma domina, no hay un estándar para construir agentes todavía, no hay una plataforma donde llegues y tengas un Jarvis listo.

Pero eso es temporal. La infraestructura ya existe. Falta muy poco para que tengamos agentes trabajando en equipos de verdad.

Los agentes no reemplazan ingenieros. Amplían lo que podemos hacer. Una habilidad clave en 2026 va a ser saber trabajar con agentes, coordinarlos, darles las herramientas correctas y el conocimiento que necesitan.

Nos vamos acercando muy rápidamente a ese punto donde el cuello de botella es solo la imaginación.

2026 es el año de los agentes. Y si no lo ves, es porque no estás prestando atención.

Si quieres que te llegue un correo cuando publique nuevo contenido, inscríbete acá abajo.