Agentes de IA aplicados — Módulo 5 del Curso IA Marketing gratis

Por qué los agentes son el avance clave de 2025-2026

Un chat responde. Un agente ejecuta. La diferencia es práctica: el chat te dice cómo hacer algo; el agente lo hace.

1. Anatomía de un agente

1. LLM: el razonador.
2. Tools: funciones externas que el LLM puede llamar.
3. Memoria: corto plazo (contexto) + largo plazo (vector store, DB).
4. Loop: piensa → actúa → observa → decide siguiente paso.
5. Plan: tarea u objetivo definido por el usuario o por otro agente.

2. Tool calling / function calling

El LLM no "ejecuta" código. Lo que hace es generar un JSON estructurado describiendo qué tool quiere llamar y con qué argumentos. El sistema externa ejecuta esa tool y devuelve el resultado al LLM, que sigue razonando.

{
  "name":"get_search_rank",
  "arguments": {"domain":"ejemplo.com", "keyword":"mejor café espresso"}
}

3. Frameworks de agentes

• LangChain / LangGraph: el estándar Python, muy flexible.
• LlamaIndex: fuerte en RAG y agentes sobre datos.
• OpenAI Agents SDK: integraciones con modelos OpenAI.
• Anthropic SDK + tool use: agentic Claude.
• Crew AI / AutoGen / Agno: multi-agente colaborativo.
• n8n + LangChain nodes: low-code, ideal para marketers.

4. Patrones de diseño

ReAct (Reason + Act)

Bucle clásico: pensar qué hacer, actuar, observar, repetir hasta tener respuesta. Lo usa todo el mundo.

Plan-and-Execute

El agente genera un plan completo y luego ejecuta paso a paso. Más eficiente para tareas largas.

Reflexión

El agente evalúa su propio output y lo critica antes de devolverlo. Reduce errores.

Multi-agente (Crew AI / Autogen)

Varios agentes especializados colaboran. Uno investiga, otro redacta, otro revisa. El supervisor orquesta.

5. Caso real: agente de briefings SEO

En Netbulb hemos montado un agente que en 2 minutos entrega un briefing SEO completo para un cliente:

Input

"Web: ejemplo.com, sector: ecommerce café, mercado: España"

Tools que usa

1. SERP scrape: resultados top 10 para sus keywords semilla.
2. Análisis de keyword research via SE Ranking / DataForSEO.
3. Sitemap crawl: identifica estructura y gaps.
4. Web fetch: lee home, página de producto, blog reciente.
5. LLM genera un documento Markdown con: análisis, oportunidades, 20 keywords prioritarias, plan editorial 30 días.

6. Casos de uso marketing

• Investigador de competencia: scrape + análisis + reporte.
• Asistente de atención al cliente: consulta CRM, responde, escala si es complejo.
• Generador de briefs de contenido: keyword + análisis SERP + estructura.
• Audit técnico SEO: crawlea, detecta issues, propone fixes.
• Sales development: cualifica leads, prepara propuestas.
• Analista de datos: SQL + Python + presentación de insights.

7. Errores típicos

• Dar al agente demasiadas tools y se atasca.
• No poner guardrails (qué puede y qué no).
• Confiar en outputs sin validar. Los agentes también alucinan.
• Subestimar el coste de tokens (un loop largo son muchos tokens).
• No tener plan B si la tool falla.

8. Cómo empezar sin programar

1. Crea cuenta en Anthropic o OpenAI.
2. Entra en su interfaz y activa modo agente (ChatGPT Tasks, Claude Projects).
3. Define tu primer agente: rol, objetivo, tools permitidas.
4. Pruébalo 10 veces con casos reales.
5. Itera prompt y tools según resultados.

9. Cuándo NO usar agentes

• Taáreas simples: mejor prompt directo.
• Taáreas con alta sensibilidad (sin validación humana).
• Cuando el coste supera el beneficio.
• Cuando los datos están en silos sin APIs.

10. Resumen ejecutivo

• Agente = LLM + tools + memoria + loop.
• Tool calling es el mecanismo principal.
• Patrones: ReAct, Plan-Execute, multi-agente.
• Empieza con tareas pequeñas, valida siempre.
• Los agentes también alucinan. Nunca dejes uno solo sin supervisión.