IA agéntica: de chatbots a agentes que hacen el trabajo

Este curso utiliza inteligencia artificial.Ahora mismo todo el mundo vende "agentes". Algunos de esos productos de verdad planifican, llaman a herramientas y terminan trabajos de varios pasos. Muchos son chatbots o flujos fijos con una etiqueta nueva. Este curso te da una forma clara y neutral respecto al proveedor de distinguirlos, y luego te lleva de entender los agentes a construir, probar y calcular el coste de uno. Es una introducción amplia para profesionales y personas que empiezan a construir. No necesitas formación en aprendizaje automático. Si usas a menudo ChatGPT, Claude, Gemini o Copilot y quieres saber qué cambia cuando el modelo empieza a actuar, este es el punto de partida adecuado. Una empresa, un piloto, de principio a finSeguimos a Harborline Logistics, un transitario ficticio con una acumulación de correos de estado de envíos y papeleo aduanero atrasado. Su equipo de operaciones lleva a cabo un piloto de agente de 90 días llamado Relay. Cada concepto del curso se aplica a ese piloto, así que ves crecer el mismo agente desde un primer bucle hasta un sistema probado, supervisado y con su coste calculado. Qué cubre el cursoSección 1, Qué es la IA agéntica: chatbot, copiloto, flujo de trabajo y agente; el bucle del agente; cinco niveles de autonomía; cómo detectar el agent washingSección 2, La mente del agente: modelo, herramientas e instrucciones; ReAct, planificación y reflexión; cinco patrones de flujo y cuándo no usar un agenteSección 3, Herramientas, MCP y ordenador: llamada a herramientas, el Model Context Protocol, uso del navegador y del ordenador, y modos agente en ChatGPT, Claude y GeminiSección 4, Memoria, conocimiento y contexto: ingeniería de contexto, recuperación (RAG), habilidades y anclaje de un agente en los procedimientos de la empresaSección 5, Agentes sin código: el panorama sin código, escribir primero la especificación del agente y crear un agente de estado de envíos en n8nSección 6, Agentes en Python: elegir un SDK sin atarse, un agente que funciona en unas cincuenta líneas, conectarlo a un servidor MCP y leer trazasSección 7, Sistemas multiagente: cuándo no basta un agente, orquestadores y traspasos, el protocolo A2A y un mostrador de aduanas con dos agentesSección 8, Confianza, valor y adopción: evaluación, modos de fallo habituales y salvaguardas, aprobación humana, coste por tarea, KPI y una hoja de ruta de adopción de 90 díasLaboratorios prácticos en tu propio ordenadorLos laboratorios de construcción funcionan en local con herramientas gratuitas: Python, Ollama para modelos locales y n8n en Docker. No hace falta ninguna clave de API de pago. La carpeta inicial incluye una API simulada de seguimiento de envíos, un servidor MCP, doce procedimientos de Harborline, y los correos de prueba y casos de aduanas que se usan en los vídeos. Laboratorio 1: ejecuta la misma tarea en los modos agente de ChatGPT, Claude y Gemini y lee sus registros de accionesLaboratorio 2: indexa los procedimientos de Harborline y compara respuestas con y sin recuperaciónLaboratorio 3: crea un agente de estado sin código en n8n y pruébalo con diez correos de pruebaLaboratorio 4: reconstruye ese agente en Python, pasa su herramienta a un servidor MCP y encuentra con la traza un fallo plantadoLaboratorio 5: añade un segundo agente con un traspaso y compara resultados y uso de tokens con el agente soloAlgunas notas sinceras. El laboratorio 1 usa el modo agente de un asistente de chat en tu navegador, y los modos agente disponibles dependen de tu plan y tu región. Si el tuyo no ofrece ninguno, puedes seguir las sesiones grabadas. Los modelos locales no son deterministas, así que tus respuestas y tasas de acierto variarán un poco respecto a los vídeos. El modelo local de los laboratorios necesita unos 6 GB de memoria libre. La sección de Python es opcional si solo quieres los conceptos y la vía sin código. Práctica y evaluaciónCada una de las ocho secciones tiene un cuestionario y una tarea práctica con una respuesta modelo resuelta. El proyecto final te pide elegir una tarea de tu propio trabajo y elaborar una especificación de agente, un nivel de autonomía con puntos de aprobación, un conjunto de evaluación de diez casos y una estimación de coste con una hoja de ruta de 90 días. Un examen de práctica final de 60 preguntas cubre las ocho secciones. Lo que este curso no esNo es un curso de ingeniería en profundidad sobre un único framework, y no promete un empleo, una certificación ni un resultado concreto. Es un mapa del campo con suficiente práctica para que puedas valorar propuestas de agentes, llevar a cabo un piloto pequeño y decidir qué aprender después. Las herramientas de este campo cambian rápido, así que el curso enseña piezas portátiles (especificación, prompts, herramientas y evaluaciones) que se conservan cuando cambia una plataforma.