Mód. 1 · Del asistente al agente · IA agéntica para la docencia universitaria

Durante los últimos años hemos aprendido a conversar con la inteligencia artificial: escribimos una instrucción, leemos la respuesta, ajustamos, volvemos a preguntar. Ese ciclo, con lo productivo que ha sido, empieza a quedarse corto. En 2026 la conversación deja paso a la delegación: sistemas que reciben un objetivo, lo descomponen en pasos, consultan fuentes, ejecutan herramientas y regresan con un trabajo terminado. A esos sistemas los llamamos agentes, y entenderlos con precisión es la condición para usarlos con criterio en la universidad.

Consideramos que la palabra «agente» se ha convertido en una etiqueta comercial tan elástica que, sin un vocabulario compartido, cualquier debate docente sobre estas herramientas acaba en malentendidos. Por eso este módulo propone definiciones operativas, una lista de rasgos observables y una escala de niveles que usaremos en los ocho módulos. Una advertencia editorial: este es un curso vivo y esta es su edición de octubre de 2026. Los conceptos que siguen envejecen bien, los nombres de productos y protocolos cambian deprisa, y los revisamos en cada edición.

SECCIÓN 1.1Tres figuras: el modelo, el asistente y el agente

¿Qué hay exactamente dentro de la expresión «inteligencia artificial» cuando la usamos en una reunión de departamento? Casi siempre, tres cosas distintas que conviene separar. La primera es el modelo generativo: un sistema entrenado sobre cantidades enormes de texto para producir, palabra a palabra, la continuación más plausible de una secuencia. Cuando escribimos una instrucción en una ventana de conversación vacía, hablamos con esta figura. El modelo no sabe quiénes somos, no recuerda nada entre sesiones y no tiene objetivos propios: responde a cada petición de forma aislada y toda la iniciativa recae en nosotros. Es una capacidad extraordinaria, pero pasiva. Un motor sin volante.

La segunda figura es el asistente configurado. Sobre el mismo modelo añadimos capas de contexto: unas instrucciones de sistema que definen su papel y sus límites, documentos de referencia, un tono, una audiencia. Los proyectos de Claude o los GPT personalizados pertenecen a esta categoría. Pensemos en una profesora de derecho procesal que configura un asistente con la guía docente, la jurisprudencia seleccionada del curso y la consigna de responder con preguntas socráticas antes que con soluciones. El asistente resultante es mucho más útil que el modelo desnudo, porque conoce el marco de la asignatura. Ahora bien, sigue siendo reactivo: espera a que alguien le escriba, responde y se detiene. No decide qué hacer a continuación ni evalúa si su respuesta resolvió de verdad el problema.

La tercera figura es el agente autónomo, y aquí cambia la lógica de fondo. Un agente recibe un objetivo, no una pregunta. Para alcanzarlo, descompone la meta en pasos, decide qué herramientas necesita, las usa, observa los resultados intermedios y corrige el rumbo cuando algo falla. Russell y Norvig (2021, cap. 2) lo definen con elegancia: un agente es cualquier entidad que percibe su entorno y actúa sobre él para alcanzar sus objetivos. Anthropic (2024) añade una distinción operativa: en los sistemas convencionales el camino está prefijado por quien los diseña, mientras que el agente dirige su propio proceso y decide de forma dinámica cómo llegar al resultado. La diferencia no está en la potencia del modelo, sino en la arquitectura que lo rodea y en el grado de iniciativa que le concedemos.

Dimensión	Modelo generativo	Asistente configurado	Agente autónomo
Iniciativa	Ninguna, responde a cada petición	Ninguna, pero responde dentro de un marco estable	Decide los pasos intermedios hacia un objetivo delegado
Contexto	El de la conversación en curso	Instrucciones y documentos persistentes	Contexto más memoria de trabajo que él mismo gestiona
Herramientas	No usa, solo genera texto	Ocasionales y acotadas	Búsqueda, código, archivos, sistemas externos
Horizonte	Una respuesta	Una conversación	Una tarea completa, de minutos a horas
Ejemplo docente	Redactar tres versiones de una consigna	Resolver dudas con la guía docente cargada	Preparar borradores de retroalimentación para toda una entrega

Concepto · Una definición de trabajo

Proponemos esta definición para todo el curso: un agente es un sistema de IA que persigue un objetivo delegado con iniciativa propia, usando herramientas externas y sosteniendo el esfuerzo durante el tiempo que la tarea requiera. Cada elemento de esa frase se corresponde con uno de los cuatro rasgos que analizamos en la siguiente sección.

¿Dónde termina el asistente y empieza el agente? La frontera es gradual, no categórica, y conviene desconfiar de quien la trace con tiza. Un asistente con capacidad de búsqueda ya ejecuta acciones sobre el mundo. Un agente muy restringido se parece bastante a un asistente aplicado. La evidencia disponible sugiere que lo productivo no es clasificar productos comerciales, sino evaluar cuánta autonomía ejerce un sistema en una tarea concreta y con qué salvaguardas. Por eso dedicamos la sección 1.3 a una escala de niveles y no a una taxonomía cerrada. Esa mirada gradual nos acompañará durante todo el curso.

SECCIÓN 1.2Los cuatro rasgos del agente

La literatura sobre agentes inteligentes es anterior, en varias décadas, a los modelos de lenguaje actuales. Wooldridge (2009) sintetizó las propiedades que la comunidad investigadora exigía a un agente: autonomía, reactividad ante el entorno, proactividad orientada a metas y capacidad social para interactuar con otros agentes. Aquella caracterización, nacida en los sistemas multiagente clásicos, envejece sorprendentemente bien. Nosotros la adaptamos al contexto actual en cuatro rasgos observables que os proponemos usar como lista de comprobación: autonomía, orientación a objetivos, uso de herramientas y persistencia. Si un sistema exhibe los cuatro, estamos ante un agente en sentido pleno. Si exhibe solo algunos, la lista nos dice exactamente qué le falta.

La autonomía es la capacidad de tomar decisiones intermedias sin consultarlas. Cuando pedimos a un agente que prepare una revisión de literatura sobre evaluación auténtica, no le indicamos qué bases de datos consultar, en qué orden ni cuántas iteraciones de búsqueda realizar: lo decide él. Esa libertad tiene grados, y regularla es una decisión de diseño, no un accidente. Un agente bien construido pide confirmación antes de las acciones irreversibles, como enviar un correo o publicar una calificación, y resuelve por su cuenta las reversibles. Observamos aquí la primera lección docente del curso: delegar en un agente exige definir qué decisiones le cedemos, exactamente igual que cuando delegamos en un ayudante que empieza.

La orientación a objetivos distingue al agente del sistema que ejecuta guiones. El agente mantiene una representación de la meta y evalúa cada paso contra ella. Si una búsqueda no devuelve resultados útiles, reformula la consulta. Si un cálculo contradice lo esperado, verifica antes de continuar. Esta conducta, que en la tradición de Wooldridge se llamaba proactividad, es la que permite encargar resultados y no procedimientos. En términos docentes: no le decimos «resume estos doce artículos», le decimos «necesito saber si la evidencia sobre retroalimentación automatizada justifica cambiar mi rúbrica» y dejamos que determine el camino, reservándonos el juicio sobre el destino.

El uso de herramientas es el rasgo que saca al modelo de su burbuja textual. Un agente puede buscar en la web, ejecutar código, leer y escribir archivos, consultar un calendario o interactuar con la plataforma virtual de la universidad. Cada herramienta amplía lo que el agente percibe y lo que puede cambiar en el mundo, y por eso mismo amplía también la superficie de riesgo. El protocolo de contexto del modelo, MCP, que examinaremos en la sección 1.4, existe precisamente para estandarizar estas conexiones. Sin herramientas, el sistema más brillante solo puede describir el trabajo. Con ellas, puede hacerlo, para bien y para mal.

La persistencia es el rasgo más reciente y quizá el más transformador. Un agente persistente sostiene una tarea durante minutos u horas, conserva memoria de lo hecho, retoma el trabajo tras una interrupción y, en los diseños más avanzados, opera de forma recurrente sin que nadie lo invoque cada vez. Pensemos en la diferencia entre pedir un análisis puntual y disponer de un proceso que cada viernes revisa las entregas de la semana, detecta patrones de error y nos deja un informe preparado. La conversación puntual se convierte en colaboración continuada, y ese desplazamiento redefine qué tareas docentes son delegables y cuáles queremos conservar.

Infografía: los cuatro rasgos del agente, autonomía, orientación a objetivos, uso de herramientas y persistencia — **Los cuatro rasgos del agente.** Autonomía para decidir pasos intermedios, orientación a objetivos para evaluar cada acción contra la meta, herramientas para actuar sobre el mundo y persistencia para sostener el esfuerzo en el tiempo. *Fuente: elaboración propia, IAforTeachers.com.*

Ejemplo · Los cuatro rasgos en una tarea real

Encargamos a un agente preparar borradores de retroalimentación para cuarenta entregas de un seminario de historia contemporánea. Autonomía: decide leer primero la rúbrica y agrupar las entregas por tipo de problema. Orientación a objetivos: al detectar que dos criterios se solapan, lo señala en lugar de aplicarlos mecánicamente. Herramientas: lee los PDF y ejecuta un recuento de fuentes citadas. Persistencia: procesa las cuarenta entregas en una sesión de dos horas y deja los borradores listos para nuestra revisión. Los comentarios finales los firma el docente.

Importante · Cuatro rasgos no equivalen a fiabilidad

Un sistema puede exhibir los cuatro rasgos y aun así equivocarse con aplomo. El agente hereda las limitaciones del modelo que lo impulsa: puede inventar datos, malinterpretar consignas y perseverar con eficacia en una dirección errónea. La autonomía multiplica el valor de los aciertos y el coste de los errores. Por eso insistiremos, desde este primer módulo, en que la supervisión humana no es una fase transitoria sino un componente permanente del diseño.

SECCIÓN 1.3La escala de autonomía: del que responde al que actúa

Si la frontera entre asistente y agente es gradual, necesitamos una regla graduada. Proponemos una escala de cinco niveles que usaremos durante todo el curso como vocabulario compartido. No es una clasificación de productos, es una clasificación de situaciones: la misma herramienta puede operar en el nivel dos por la mañana y en el nivel cuatro por la tarde, según cuánta iniciativa le concedamos. La pregunta que ordena la escala es siempre la misma: ¿quién decide el siguiente paso? En el extremo izquierdo decide siempre la persona. En el extremo derecho, un sistema completo de agentes se reparte el trabajo mientras la persona conserva la dirección del encargo y el veredicto final.

Los dos primeros niveles nos resultan familiares. En el nivel uno, el modelo que responde, un profesor de historia pide un contraste entre dos interpretaciones historiográficas y evalúa lo recibido. En el nivel dos, el asistente configurado, ese mismo profesor mantiene un espacio de trabajo con las lecturas del curso y unas instrucciones estables que fijan tono y límites. El salto conceptual llega en el nivel tres, el agente con herramientas: en un curso de ingeniería estructural, el agente busca la normativa actualizada, ejecuta código para verificar los cálculos de un enunciado y devuelve el problema corregido junto con su registro de comprobaciones. El nivel cuatro añade continuidad temporal, el agente persistente: uno que cada semana rastrea las principales revistas médicas y actualiza el banco de casos de una asignatura clínica. El nivel cinco, el sistema multiagente, coordina especialistas: un agente redacta un examen, otro lo critica como abogado del diablo y un tercero verifica el alineamiento con los resultados de aprendizaje.

La escala no es una carrera hacia el nivel cinco. Cada nivel tiene su lugar, y podría sugerirse que la madurez docente con estos sistemas consiste justamente en elegir el nivel mínimo que resuelve el problema. Una duda puntual no necesita un agente persistente. Una tarea recurrente y bien definida, en cambio, desperdicia nuestro tiempo si la mantenemos en el nivel uno. Explorad la escala en la visualización siguiente pulsando cada nodo: cada nivel incluye ejemplos de disciplinas distintas, porque la lógica de la delegación es transversal aunque los contenidos, afortunadamente, no lo sean.

Escala de autonomía · Del que responde al que actúa

Pulsa cada nivel para ver ejemplos por disciplina. La misma herramienta puede operar en niveles distintos según la iniciativa que se le conceda.

Para reflexionar · Vuestro mapa personal

Pensad en las tres tareas que más tiempo os consumieron el último cuatrimestre. ¿En qué nivel de la escala las resolvisteis, si es que usasteis IA? ¿Qué nivel habría sido el apropiado? ¿Qué os impidió llegar a él: la herramienta, la institución o la falta de un método? Guardad las respuestas, las retomaremos en el módulo 4 cuando diseñemos agentes propios.

SECCIÓN 1.4Por qué 2026 marca un punto de inflexión

Los agentes no son una idea nueva. Wooldridge escribía sobre sistemas multiagente cuando los modelos de lenguaje actuales no existían, y la robótica lleva décadas construyendo entidades que perciben y actúan. ¿Por qué sostenemos entonces que 2026 marca un punto de inflexión para la docencia universitaria? Porque tres desarrollos que maduraron por separado han convergido en muy poco tiempo: un estándar abierto para conectar modelos con herramientas, patrones contrastados de orquestación multiagente y modelos capaces de sostener tareas largas sin degradarse. Ninguno de los tres es magia. Juntos, cambian el tipo de trabajo que puede delegarse y, con ello, la organización misma del trabajo académico.

El primero es el protocolo de contexto del modelo, MCP, un estándar abierto publicado por Anthropic a finales de 2024 y adoptado desde entonces por buena parte del sector. Su función se explica con una analogía doméstica: es el conector universal entre los modelos y el mundo. Antes de MCP, conectar un asistente con la plataforma virtual de la universidad, con un gestor bibliográfico o con un calendario exigía integraciones artesanales, una por cada pareja de sistemas. Con un estándar común, cualquier herramienta que hable el protocolo queda disponible para cualquier agente que también lo hable. Para la universidad esto significa que los sistemas del campus, repositorios, matrícula, bibliotecas, dejan de ser islas y pasan a ser superficies sobre las que un agente puede leer y actuar con permisos definidos.

El segundo desarrollo es la orquestación multiagente. Durante 2024 y 2025 el sector aprendió, a base de prueba y error, qué patrones funcionan cuando varios agentes colaboran: un orquestador que descompone y reparte el encargo, especialistas que ejecutan en paralelo, evaluadores que revisan lo producido antes de entregarlo. Anthropic (2024) documentó una lección que nos parece central para educadores: los sistemas más eficaces no son los más complejos, sino los más simples que resuelven el problema. La sofisticación se añade cuando la tarea la exige, no antes. Retomaremos estos patrones en el módulo 6, con casos docentes completos.

El tercer desarrollo es la capacidad de los modelos recientes para ejecutar tareas largas manteniendo coherencia: leer un corpus completo de entregas, escribir y probar código hasta que funciona, revisar su propio trabajo antes de darlo por terminado. La conversación de cinco minutos era compatible con casi cualquier organización docente. La tarea delegada de tres horas, en cambio, obliga a repensar procesos: qué encargamos al final de la jornada para revisarlo a la mañana siguiente, qué evidencias del proceso exigimos conservar, cómo documentamos lo que el agente hizo en nuestro nombre y ante quién respondemos por ello.

¿Y la docencia? Kasneci et al. (2023) ya advertían, en plena eclosión de los modelos generativos, que la cuestión educativa central no era la herramienta sino las competencias necesarias para usarla con criterio. La IA agéntica eleva esa exigencia un nivel: ya no evaluamos respuestas, evaluamos procesos delegados. La evidencia disponible sugiere que las instituciones que salgan mejor paradas no serán las que prohíban ni las que adopten sin criterio, sino las que construyan capacidades de delegación reflexiva: saber qué ceder, con qué salvaguardas y con qué verificación. Ese es, en el fondo, el programa de este curso.

Plantilla · Tres preguntas antes de delegar

Antes de subir cualquier tarea docente por la escala de autonomía, os proponemos este filtro de tres preguntas. Primera: ¿es reversible el peor error posible de esta delegación? Segunda: ¿puedo verificar el resultado en menos tiempo del que me ahorro? Tercera: ¿sabría explicar a mis estudiantes, sin incomodidad, cómo se hizo este trabajo? Si alguna respuesta es negativa, la tarea todavía no está lista para ese nivel, o el nivel no está listo para la tarea.

SECCIÓN 1.5Síntesis

Recapitulemos el recorrido. Distinguimos tres figuras, el modelo generativo, el asistente configurado y el agente autónomo, y comprobamos que la frontera entre ellas es gradual antes que categórica. Identificamos los cuatro rasgos que convierten a un sistema en agente: autonomía, orientación a objetivos, uso de herramientas y persistencia. Propusimos una escala de cinco niveles para situar cualquier situación docente según quién decide el siguiente paso. Y defendimos que 2026 marca un punto de inflexión porque convergen un estándar de conexión, el protocolo de contexto del modelo, patrones maduros de orquestación multiagente y modelos capaces de sostener tareas de horas.

Queda abierta la pregunta que atravesará los próximos módulos: si el agente puede hacer el trabajo, ¿qué parte del trabajo somos nosotros? Nuestra posición, que iremos fundamentando con evidencia y con práctica, es que la delegación bien diseñada no vacía la profesión docente, la concentra en lo que solo un docente puede hacer: definir qué merece la pena aprender, juzgar la calidad con criterio experto y responder personalmente del resultado. En el módulo 2 abriremos el capó y estudiaremos la anatomía interna de un agente, componente a componente, para que la delegación deje de ser un acto de fe.

Verifica lo aprendido

1. ¿Qué distingue a un agente autónomo de un asistente configurado?

El asistente configurado conoce el marco de trabajo, pero sigue siendo reactivo: espera una petición, responde y se detiene. El agente recibe un objetivo, decide los pasos intermedios, usa herramientas, evalúa los resultados parciales y corrige el rumbo. La diferencia central es quién ejerce la iniciativa durante la tarea.

2. Enumera los cuatro rasgos del agente y pon un ejemplo docente de uno de ellos.

Autonomía, orientación a objetivos, uso de herramientas y persistencia. Ejemplo de persistencia: un agente que cada semana rastrea revistas del área, filtra lo relevante para la asignatura y actualiza el banco de casos sin que nadie lo invoque en cada ocasión.

3. Un asistente que responde dudas de estudiantes con la guía docente cargada, ¿en qué nivel de la escala se sitúa y qué le faltaría para subir al nivel tres?

Se sitúa en el nivel dos, asistente configurado. Para operar en el nivel tres necesitaría recibir objetivos en lugar de preguntas y usar herramientas externas con iniciativa propia: buscar fuentes actualizadas, ejecutar código de verificación o leer archivos del curso, documentando lo que hizo.

4. ¿Qué tres desarrollos convergentes justifican hablar de un punto de inflexión en 2026?

El protocolo de contexto del modelo, MCP, como estándar abierto para conectar agentes con sistemas externos, los patrones contrastados de orquestación multiagente y la capacidad de los modelos recientes para sostener tareas largas con coherencia. Por separado ya existían indicios, juntos cambian qué trabajo es delegable.

Práctica aplicada · Vuestra primera auditoría de delegación

Elegid una tarea docente real y recurrente que os consuma al menos dos horas semanales, por ejemplo preparar retroalimentación de entregas o actualizar materiales con las novedades del campo. Describid por escrito cómo se resolvería en cada uno de los cinco niveles de la escala: qué haría el sistema, qué haríais vosotros y dónde estaría el punto de verificación en cada caso. Señalad el nivel en el que trabajáis hoy y el que consideráis apropiado, aplicando las tres preguntas de la plantilla anterior. El documento resultante, con una página basta, será el material de partida de la práctica del módulo 4, donde diseñaremos el agente que ocupe ese hueco.

ReferenciasReferencias

Anthropic. (2024). Building effective agents. https://www.anthropic.com/research/building-effective-agents

Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., … Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, Artículo 102274. https://doi.org/10.1016/j.lindif.2023.102274

Russell, S. y Norvig, P. (2021). Artificial intelligence: A modern approach (4.ª ed.). Pearson.