Tipos de Agentes de IA: 4 Categorías con Ejemplos Reales

Elegir el tipo equivocado de agente es como usar un camión para ir al supermercado. Funciona, pero desperdicias recursos, tiempo y dinero en API.

La clasificación importa porque determina: cuántos tokens consume (coste), cuánta latencia tiene (velocidad), y qué tan predecible es (fiabilidad). Un agente reactivo cuesta 10x menos en tokens que uno deliberativo para la misma tarea simple.

El agente reactivo sigue una regla simple: percibe → actúa. Sin planificación, sin memoria a largo plazo, sin razonamiento complejo.

Cómo funciona: recibe un estímulo (mensaje, sensor, evento) y ejecuta una acción predefinida. No "piensa" — mapea directamente input a output.

Ejemplo real: Un PicoClaw configurado como termostato inteligente: si temperatura > 25°C → enciende ventilador. Si < 18°C → enciende calefacción. Respuesta en milisegundos, coste en tokens: cero (reglas locales).

Cuándo usarlo: automatizaciones simples, alertas, respuestas FAQ, IoT básico.

Cuándo NO usarlo: cualquier tarea que requiera razonamiento o múltiples pasos.

El agente deliberativo añade una capa crucial: percibe → razona → planifica → actúa. Usa un LLM para descomponer objetivos en sub-tareas.

Cómo funciona: recibe un objetivo ("organiza mi semana"), construye un plan multi-paso, ejecuta cada paso secuencialmente, y ajusta si algo falla.

Ejemplo real: OpenClaw recibiendo "investiga las 3 mejores opciones de hosting para mi app y hazme un resumen comparativo". El agente: busca en internet → lee documentación → compara precios → genera tabla → te la envía por Telegram.

Cuándo usarlo: research, análisis, escritura, cualquier tarea multi-paso con razonamiento.

Coste: significativamente más tokens (plan + ejecución + verificación). Entre $0.02 y $0.50 por tarea dependiendo de la complejidad.

Los agentes híbridos combinan respuestas reactivas rápidas con capacidad deliberativa cuando es necesario. La mayoría de agentes modernos son híbridos.

Cómo funciona: reglas reactivas manejan el 80% de los casos (rápido, barato). Para el 20% restante, escala al LLM para razonamiento complejo.

Ejemplo real: NanoBot monitoreando un servidor. Reactivo: si CPU > 90% → alerta inmediata. Deliberativo: si el patrón se repite 3 veces esta semana → analiza logs, identifica la causa raíz, y propone una solución.

Por qué es el tipo más popular: optimiza el ratio coste/valor. No gastas tokens de LLM en tareas que se resuelven con un if/else.

Un sistema multi-agente es exactamente lo que suena: múltiples agentes trabajando juntos, cada uno con un rol específico.

Cómo funciona: un agente "orquestador" distribuye subtareas a agentes especializados. Cada agente tiene sus propias herramientas y expertise. Se comunican entre sí para completar el objetivo global.

Ejemplo real: Un equipo CrewAI para marketing de contenido: Agente Investigador (busca tendencias) → Agente Escritor (redacta el artículo) → Agente Editor (revisa y optimiza SEO) → Agente Publicador (sube a WordPress).

Cuándo usarlo: workflows complejos donde la especialización mejora el resultado. Investigación + análisis + acción.

Riesgo: complejidad exponencial. Cada agente añadido multiplica los puntos de fallo y el coste en tokens.

ProyectoTipoPor qué PicoClawReactivoHardware limitado, respuesta inmediata NanoBotHíbridoReglas + LLM según complejidad OpenClawHíbrido/Multi-agenteWorkspaces aislados, multi-agente opcional MimiClawReactivo/HíbridoIoT con escalado a LLM ZeroClawDeliberativo/Multi-agente3 modos de autonomía, orquestación CrewAIMulti-agente puroDiseñado para equipos de agentes

¿Quieres ver la comparación completa de estos proyectos? Lee nuestra guía de agentes IA open source.

Elige reactivo si: tu tarea es simple, repetitiva, y la velocidad importa más que la inteligencia. Alertas, IoT, respuestas FAQ.

Elige deliberativo si: necesitas razonamiento complejo, research, o análisis. Y estás dispuesto a pagar el coste en tokens.

Elige híbrido si: tienes un mix de tareas simples y complejas. Es la opción más práctica para el 90% de los casos.

Elige multi-agente si: tu workflow tiene fases claramente diferenciadas y la especialización aporta valor medible. No lo uses "porque suena cool" — la complejidad es real.