La evolución de los agentes 2022–2026: qué murió y qué quedó

Subtítulo: Un recorrido de cuatro años en cinco eras, contadas por su modo de fallo: cada etapa murió por un problema concreto, y la solución de ese problema fundó la etapa que siguió.

Nota de alcance. Fechas, papers y nombres verificados contra la fuente. La narrativa “cada era murió por X” es un ordenamiento didáctico, no una ley histórica: las eras se solapan. No hay benchmarks propios en este artículo; los números que aparecen están rotulados como ilustrativos o citados de su fuente.

Resumen ejecutivo

• La historia de los agentes no es una línea de mejoras: es una secuencia de problemas. Cada era resolvió el cuello de botella de la anterior y destapó el siguiente.
• 2022 puso los cimientos (razonar antes de actuar: Chain-of-Thought y ReAct). 2023 prometió autonomía y no la cumplió — y esa lección negativa fue el aporte más valioso del año.
• 2024 profesionalizó el campo con benchmarks reales y protocolos; 2025 lo puso en producción y le puso nombre a sus problemas (el debate multi-agente, la tríada letal).
• 2026 ya no discute si los agentes sirven: discute cómo se gobiernan, cuánto cuestan y quién garantiza su calidad. Ese último problema es el que abre la puerta a Quality Engineering.
• El patrón que se repite: lo que sobrevivió de cada era fue lo verificable. Function calling tipado, benchmarks con verificador de estado, journals auditables. Lo que murió fue lo que no se podía medir.

Al terminar vas a poder ubicar cualquier técnica agéntica en su era, explicar qué problema resolvía y contar la historia como lo que es: la lenta domesticación de un sistema que actúa.

1. El problema de contar esta historia

Es tentador narrar los agentes como una escalada de logros: cada año, modelos más capaces haciendo más cosas. Esa versión es cómoda y engaña, porque esconde lo único que importa para quien tiene que construir o testear uno: por qué cada técnica existe.

La lente honesta es la del modo de fallo. Ninguna era inventó su técnica estrella por elegancia; la inventó porque la anterior chocaba contra una pared concreta. Contada así, la historia se vuelve un mapa de riesgos con fechas — y anticipa contra qué pared vas a chocar vos.

 2022         2023            2024              2025             2026
 ───┬──────────┬───────────────┬─────────────────┬────────────────┬───►
    │          │               │                 │                │
 CIMIENTOS   FIEBRE       PROFESIONALIZA     PRODUCCIÓN         HOY
 razonar     autonomía    benchmarks +       agentes que       durabilidad
 antes de    prometida    protocolos         facturan +        gobernanza
 actuar      e incumplida (SWE, MCP)         sus problemas      costo
    │          │               │              con nombre         │
    ▼          ▼               ▼                 ▼                ▼
 ReAct     AutoGPT        SWE-agent, tau      multi-agente,   ¿quién
 CoT       (la lección    computer use,      tríada letal,    garantiza
           negativa)      Building eff.      context eng.     la calidad?

2. 2022 — Los cimientos: razonar antes de actuar

Antes de que un modelo pudiera actuar con criterio, tuvo que aprender a mostrar su razonamiento. Chain-of-Thought (Wei et al., 2022) mostró que pedirle al modelo que pensara paso a paso mejoraba el resultado en tareas de razonamiento. Parece obvio en retrospectiva; no lo era.

El salto agéntico llegó con ReAct (Yao et al., 2022), que entrelazó razonamiento y acción en un loop: Thought → Action → Observation, repetido hasta terminar. Esa estructura —pensar el próximo paso, ejecutarlo, observar el resultado, volver a pensar— sigue siendo el esqueleto de casi todo agente moderno. Cambió el modelo, cambiaron las herramientas; el loop no.

Lo que quedó de esta era es tan fundacional que ya no se nombra: cuando alguien dice “el agente”, asume ReAct sin decirlo.

3. 2023 — La fiebre: autonomía prometida, autonomía incumplida

En marzo y abril de 2023, AutoGPT y BabyAGI capturaron la imaginación de todos: un agente que se daba objetivos, los descomponía y trabajaba solo hasta cumplirlos. La demo era hipnótica. El uso real, decepcionante — y esa decepción fue el aporte más valioso del año.

Sin condición de parada ni forma de evaluar su propio progreso, esos loops autónomos divagaban, se atascaban en subtareas inútiles y quemaban presupuesto sin llegar a nada. La lección negativa quedó grabada: la autonomía sin frenos no es una capacidad, es un riesgo. Todo lo que vino después —presupuestos, condiciones de parada, evals— es, en parte, una respuesta a este fracaso.

El año también trajo la pieza que volvió confiable la acción: en junio, el function calling nativo de OpenAI convirtió las herramientas de un parsing frágil de texto a JSON tipado contra un esquema. Fue el primer gran salto de confiabilidad, y la primera vez que “el agente llamó a la herramienta” dejó de ser una lotería de formato.

Y fue un año de papers que fundaron géneros enteros, cada uno todavía vigente:

4. 2024 — La profesionalización: del juguete al banco de pruebas

Si 2023 fue la fiebre, 2024 fue la fiebre bajando y dejando método. La pregunta cambió de “¿qué cosa impresionante puede hacer?” a “¿cómo mido si de verdad funciona?”.

• SWE-bench (Jimenez et al., 2023) y SWE-agent (Yang et al., 2024) instalaron la idea de medir agentes contra issues reales de GitHub, y con SWE-agent nació el concepto de ACI (agent-computer interface): diseñar la interfaz pensada para el agente —búsqueda, edición, feedback compacto— importa tanto como el modelo.
• tau-bench (Yao et al., 2024) puso a los agentes a conversar con usuarios simulados bajo reglas de negocio, y expuso la métrica que este campo necesitaba: pass^k, la consistencia en k corridas, no el mejor de k intentos. Un agente brillante una vez de cada cinco no sirve para operar dinero.
• OSWorld (Xie et al., 2024) llevó la evaluación al escritorio completo; los números humillantes de estos benchmarks se volvieron una vacuna contra el hype.
• En octubre, computer use (Anthropic) dejó al agente ver la pantalla y operar mouse y teclado. En noviembre, MCP (Model Context Protocol, Anthropic) estandarizó cómo un agente descubre y llama herramientas — el “USB-C de los agentes”.
• Y en diciembre, “Building effective agents” (Anthropic) ordenó el vocabulario que todavía usamos: workflows vs agentes, y la advertencia que abre esta serie — empezá simple.

Lo que sobrevivió de 2024 es method: benchmarks con verificador, interfaces diseñadas para el agente, un protocolo de herramientas. Todo medible, todo auditable.

5. 2025 — La producción: agentes que facturan y problemas con nombre

En 2025 los agentes dejaron de ser demos. Claude Code (febrero) y los background agents pusieron a trabajar agentes de código sobre repos reales; el terminal —shell, archivos, git— resultó ser el espacio de acción ganador, porque es componible, verificable (los tests son el oráculo) y auditable (queda todo en el historial).

La estandarización se consolidó: OpenAI adoptó MCP y publicó su Agents SDK (marzo); Google lanzó A2A (abril) para comunicación agente-a-agente. MCP pasó a estándar de facto.

Y el campo maduró lo suficiente como para tener debates serios, no hype:

• El debate multi-agente. En junio, Cognition publicó “Don’t build multi-agents” (los subagentes pierden contexto y toman decisiones en conflicto) casi el mismo día en que Anthropic publicaba cómo construyó su sistema de investigación multi-agente. No se contradicen: la síntesis es que el multi-agente rinde cuando los subagentes leen y comprimen en paralelo, y falla cuando escriben estado compartido sin coordinación. Tiene su artículo propio en Multi-agente: el debate 2025.
• La seguridad con nombre. Simon Willison acuñó la lethal trifecta: datos privados + contenido no confiable + un canal de salida. Con las tres presentes, la exfiltración es cuestión de tiempo. Le dedicamos La tríada letal.
• Context engineering desplazó a “prompt engineering” como disciplina: el contexto pasó a entenderse como un recurso finito con retornos decrecientes, tema de Context engineering.

6. 2026 — Hoy: durabilidad, gobernanza y costo

El campo ya no discute si los agentes sirven. Discute cómo se los gobierna. Los temas abiertos de este año son operativos: agentes long-running con checkpoint y resume, orquestación de equipos de agentes, presupuestos de tokens tratados como SLO, observabilidad con las convenciones de OpenTelemetry para GenAI, y una pregunta que define contrataciones enteras: ¿quién garantiza la calidad de un sistema que actúa solo?

Esa pregunta no es retórica. Es exactamente la vacante que abre este terreno para Quality Engineering, y el motivo por el que esta serie existe.

7. El patrón: sobrevive lo verificable

Puesta en una línea por era, la historia deja un patrón nítido:

Lo que sobrevivió de cada era tiene una propiedad en común: se podía verificar. El JSON tipado se valida contra un esquema; el benchmark tiene un verificador de estado; el journal se puede releer. Lo que murió —la autonomía sin frenos, la demo sin métrica, el enjambre sin coordinación— compartía el defecto opuesto: no había forma de medir si estaba funcionando.

Ese es, quizás, el aprendizaje más útil de cuatro años de agentes, y da la bienvenida al resto de la serie: en un sistema que actúa solo, lo que no se puede verificar no se puede confiar.

Para las definiciones precisas de cada término que apareció acá, el Glosario agéntico. Para entender por qué “empezar simple” no es timidez sino aritmética, el pilar De aplicaciones con LLM a agentes.