Cómo crear un agente de IA con Agents SDK

Qué es en realidad un agente de IA

Un agente de IA es un modelo que opera dentro de un ciclo de trabajo. Recibe un objetivo, decide el siguiente paso, ejecuta una herramienta autorizada si resulta necesario, analiza la respuesta y determina si debe continuar o detenerse.

Considérelo como contratar a un operador júnior. Las instrucciones representan la descripción del puesto. El modelo aporta el criterio. Las herramientas son las credenciales de acceso del operador a su sistema de pedidos, calendario, base de conocimiento, navegador o almacén de archivos. La memoria funciona como su libreta de notas. Las barreras de seguridad (guardrails) y las autorizaciones representan al supervisor.

Esto difiere sustancialmente de un chatbot convencional. Un chatbot redacta una respuesta. Un agente puede consultar un pedido, contrastar el estado en tiempo real con las políticas internas, solicitar datos faltantes y transferir el caso a una persona. El bucle de acción marca la diferencia.

La guía general sobre agentes de OpenAI define a los agentes como aplicaciones que planifican, invocan herramientas, preservan el estado y, en ocasiones, colaboran entre perfiles especializados. En el SDK, la estructura central se mantiene intencionalmente compacta: un modelo provisto de instrucciones, herramientas y controles opcionales como guardrails y transferencias (handoffs).

¿Agents SDK o Responses API?

Utilice Agents SDK cuando prefiera que el entorno de ejecución gestione de forma automática las llamadas reiteradas a herramientas, el estado, las barreras de protección, las derivaciones y las aprobaciones. Emplee Responses API directamente cuando desee programar y supervisar dicho bucle bajo su propio control. OpenAI aconseja Responses para mantener el control directo sobre el modelo y el SDK para flujos conversacionales o transaccionales acotados con orquestación recurrente.

Si prefiere una plataforma sin código (no-code), la arquitectura básica no cambia. Asegúrese de que la herramienta proporcione acceso explícito a herramientas, pasos de aprobación, registros de ejecución y un mecanismo para abortar el ciclo. Un lienzo visual no elimina la necesidad de contar con estos controles.

Cómo crear un agente de IA en su primera versión funcional

La estrategia más rápida consiste en reducir el alcance de la tarea antes de complejizar la tecnología.

1. Defina un contrato de trabajo en una sola frase

Especifique el usuario, el evento desencadenante, la acción y el criterio de finalización. La consigna "ayudar con la atención al cliente" resulta demasiado ambigua. En cambio, "responder dudas sobre el estado de pedidos mediante la API correspondiente y derivar a un agente humano cualquier gestión de reembolsos o cambios de dirección" es un objetivo ejecutable.

Establezca también las acciones terminantemente prohibidas. Esto transforma una autonomía imprecisa en una decisión de producto claramente delimitada.

2. Evalúe si la tarea realmente requiere un agente

Los agentes justifican su complejidad cuando el trabajo exige criterio, interpretación de lenguaje natural o documentos desestructurados y manejo de excepciones que volverían rígidas las reglas convencionales. La guía práctica de OpenAI recomienda recurrir a software determinista si dichas condiciones no están presentes.

Un cálculo de impuestos, la validación de un formulario cerrado o la sincronización programada de datos deben seguir implementándose mediante código tradicional. Por el contrario, una solicitud de reembolso que demanda analizar el historial de conversación, contrastar normativas internas, inspeccionar un pedido y decidir si se requiere revisión humana constituye una tarea ideal para un agente.

3. Elija el modelo adecuado para la tarea, no para la demostración

El SDK toma por defecto el modelo gpt-5.4-mini sin esfuerzo de razonamiento y con baja verbosidad para asegurar una mínima latencia. Su guía técnica sugiere gpt-5.6-sol cuando se requiere mayor nivel de precisión y se dispone de acceso.

Comience con la opción más económica que supere con éxito sus casos de prueba almacenados. Suba de gama únicamente si los fallos radican en la calidad del criterio y no en la ausencia de una herramienta, instrucciones deficientes o inconsistencias en los datos. Un modelo más avanzado no corregirá los errores de una API de pedidos que devuelve información desactualizada.

4. Asigne una única herramienta de solo lectura

Su primera herramienta debe consultar información, nunca alterarla. La búsqueda de pedidos, la consulta de normativas, la revisión de inventario o la comprobación de disponibilidad en agenda son operaciones fáciles de auditar y seguras de reintentar frente a acciones como reembolsos, cancelaciones, cobros o envíos de correo.

El SDK puede convertir funciones tipadas de Python en herramientas generando su esquema de entrada de forma automática. También incluye utilidades integradas para búsqueda web, consulta de archivos, intérprete de código, MCP y generación de imágenes. El control de equipos locales, la terminal de comandos y la edición de archivos demandan un entorno de ejecución bajo su control directo.

Este es el patrón mínimo funcional:

from agents import Agent, Runner, function_tool

@function_tool
def lookup_order(order_id: str) -> str:
    """Return the current order status from the order system."""
    return "Order 123 is packed and awaiting carrier pickup."

agent = Agent(
    name="Order status agent",
    instructions=(
        "Answer order-status questions with lookup_order. "
        "Never change or cancel an order. Escalate anything else."
    ),
    tools=[lookup_order],
)

result = Runner.run_sync(agent, "Where is order 123?")
print(result.final_output)

Instale el SDK de Python ejecutando pip install openai-agents y guarde su clave de acceso en la variable de entorno OPENAI_API_KEY. La misma estructura de desarrollo se encuentra disponible en el SDK para TypeScript si se adapta mejor a su infraestructura técnica.

5. Permita que el ciclo se detenga

El componente Runner llama al modelo, ejecuta la herramienta solicitada, envía el resultado de vuelta y repite la secuencia. El proceso concluye cuando el modelo entrega una salida definitiva sin requerir herramientas adicionales. Asimismo, puede finalizar al alcanzar el límite de iteraciones emitiendo la excepción MaxTurnsExceeded.

Todo agente en producción exige un número máximo de pasos, un tiempo de espera límite (timeout) y una condición clara de salida ante fallos. Determinar que "no fue posible verificar y el caso se transfirió a una persona" es un cierre perfectamente válido. Un reintento infinito no demuestra persistencia; constituye un incidente operativo.

6. Defina una única estrategia de memoria

Gestionar la memoria consiste en transferir el contexto indispensable a la siguiente interacción. El SDK puede conservar el historial del lado del cliente mediante sesiones, o bien apoyarse en la continuidad gestionada por OpenAI utilizando un conversation_id o previous_response_id.

Elija un único método por cada hilo de conversación. El SDK impide explícitamente alternar sesiones de cliente con estados controlados en el servidor durante la misma ejecución para evitar la duplicación de contexto. Del mismo modo, valore cuánto historial necesita realmente el sistema: un agente de soporte requiere el contexto del ticket actual, no el registro histórico de todas las interacciones pasadas del usuario.

7. Establezca controles en cada punto crítico de riesgo

Aplique una barrera de entrada para descartar solicitudes ajenas al alcance previsto. Utilice barreras en las herramientas para proteger cada función personalizada con acceso de lectura o escritura a datos de negocio. Añada una barrera de salida para validar la respuesta final antes de emitirla. Sitúe un mecanismo de autorización humana frente a operaciones costosas o irreversibles.

Un aspecto técnico clave: las barreras de entrada operan de forma paralela por defecto. Esto reduce la latencia, pero el agente podría consumir tokens o accionar una herramienta antes de detectar el rechazo. Active el modo bloqueante cuando la petición conlleve efectos secundarios o comprometa datos sensibles.

Para profundizar en implementaciones robustas para entornos de producción, revise la guía de guardrails según el radio de impacto. El principio rector es directo: canalice cada acción de pago, escritura o permiso elevado a través de un único perímetro auditable.

8. Rastree, evalúe y solo entonces incorpore sandboxes

El sistema de trazas viene habilitado por defecto en Agents SDK. Registra las respuestas del modelo, ejecuciones de funciones, barreras de seguridad y traspasos para permitirle diagnosticar el éxito o fracaso de cada flujo. Audite las trazas contra un grupo de prueba con solicitudes reales y resultados esperados antes de incorporar nuevas capacidades.

Dado que las trazas pueden registrar entradas y salidas de modelos o funciones, inhabilite la recolección de información confidencial según corresponda. Tenga en cuenta que el rastreo de OpenAI no se encuentra disponible bajo la política Zero Data Retention.

Recurra a entornos aislados (sandboxes) únicamente si la tarea demanda interactuar con archivos, líneas de comandos, dependencias de software o estados persistentes de trabajo. La actualización de abril de 2026 del SDK de OpenAI incorporó entornos controlados nativos, manifiestos de trabajo portables, capturas de estado (snapshots) y compatibilidad con diversos proveedores de sandboxes. Un agente de consulta para soporte no requiere contenedores; un analista documental o un asistente de programación habitualmente sí.

Costes de operación y ejecución

Tanto Agents SDK como Responses API operan sin costes añadidos de plataforma. El gasto se limita al consumo de tokens del modelo seleccionado y al uso de herramientas alojadas.

Bajo las tarifas estándar vigentes para contextos cortos, gpt-5.6-sol cuesta $5 por millón de tokens de entrada y $30 por millón de salida. Para gpt-5.6-terra, el coste es de $2 y $12, mientras que gpt-5.6-luna se sitúa en $0.20 y $1.20. Las búsquedas web cuestan $10 por cada 1,000 llamadas, sumando los tokens del contenido recuperado. Las consultas de búsqueda de archivos en Responses tienen un precio de $2.50 por cada 1,000 operaciones, con un almacenamiento de $0.10 por GB al día tras superar el primer GB gratuito. Un contenedor de 1 GB para terminal o intérprete de código parte de $0.03 por sesión de 20 minutos.

Estas tarifas unitarias no reflejan el coste exacto de completar un flujo de trabajo. Ese dato lo aporta su registro de trazas. Mida los ciclos del modelo, ejecuciones de herramientas, reintentos e intervenciones humanas por cada caso resuelto con éxito. A partir de esas métricas, asigne el presupuesto adecuado de modelos y herramientas sin degradar la calidad.

Siete tareas para agentes que vale la pena construir

Los casos de uso más sólidos cuentan con un comprador definido, un proceso delimitado y un entregable perfectamente auditable.

1. Agente de resolución para atención al cliente

Un equipo de soporte para comercio electrónico puede otorgar al agente acceso a documentación validada y datos de pedidos en modo de solo lectura. El sistema puede identificar al usuario, consultar el estado de envío, explicar las acciones a seguir y derivar los casos de reembolso o actualización de domicilio a un operador. La rentabilidad reside en acelerar la primera respuesta y estructurar los resúmenes de derivación, no en prescindir por completo del equipo humano.

2. Agente de investigación sustentada en evidencias

Un equipo de estrategia corporativa puede cargar informes en un entorno controlado y solicitar un análisis comparativo donde cada afirmación cite explícitamente el documento de origen. El agente busca, extrae, valida fuentes cruzadas y elabora un informe estructurado. El valor aportado radica en liberar a los analistas de la búsqueda manual para concentrarlos en la evaluación crítica y el juicio estratégico.

3. Agente de cualificación de ventas y preparación de reuniones

Un equipo comercial B2B puede apoyarse en un agente para revisar mensajes entrantes, enriquecer los perfiles corporativos con fuentes autorizadas, verificar los criterios de cualificación y redactar un informe previo a la reunión. El agente agendará únicamente si el prospecto cumple con los parámetros fijados. El beneficio se traduce en consistencia operativa y menor carga manual en el CRM, manteniendo el control de la relación comercial en manos de los ejecutivos de cuenta.

4. Agente de recepción de incidencias operativas

Un administrador de fincas puede procesar correos de mantenimiento mediante un agente que extraiga el inmueble, la unidad, la avería, el nivel de urgencia y los horarios de visita preferidos. El sistema puede verificar la ficha del arrendatario, generar un borrador de incidencia y alertar de inmediato ante emergencias que comprometan la seguridad. Esto reduce la duplicación de datos y previene órdenes de trabajo incompletas.

5. Agente de cotejo de contratos y políticas corporativas

Un departamento de compras puede solicitar al agente que contraste un contrato de proveedor frente a las cláusulas marco de la empresa, señalando discrepancias y citando las páginas involucradas. El agente confecciona un paquete de revisión sin validar los acuerdos de forma autónoma. Esto acorta la primera lectura de los documentos reservando el dictamen jurídico definitivo para los abogados de la compañía.

6. Agente de triaje para soporte técnico interno

Un departamento de TI puede enlazar un agente de uso interno con el inventario de equipamiento, el monitor de servicios y los manuales aprobados de resolución de problemas. El asistente recopila datos de diagnóstico, sugiere comprobaciones seguras y abre una incidencia adjuntando los antecedentes recabados. Esto reduce los intercambios preliminares de mensajes antes de que intervenga un técnico.

7. Agente controlado para código y gestión de archivos

Un departamento financiero o de desarrollo de software puede disponer documentos o un repositorio dentro de un sandbox, limitar los comandos permitidos y fijar un directorio de salida. El agente analiza los archivos, ejecuta las comprobaciones, modifica un borrador y entrega los artefactos para su posterior revisión. Aquí es donde cobra relevancia el aislamiento en contenedores, dado que la tarea requiere un entorno operativo real con un historial completo de cambios.

Tres productos comerciales viables a partir de esta base

El concepto abstracto de "agente de IA" no constituye un mercado en sí mismo. Las siguientes tres propuestas demuestran una intención de compra comprobada.

La opción más sólida: agente vertical de atención al cliente

Desarrolle un agente de soporte adaptado a un entorno transaccional concreto, como tiendas en Shopify, administradores de inmuebles o empresas de asistencia técnica en campo. El cliente paga por tickets resueltos e información de traspaso útil, no por una interfaz de chat genérica.

Las señales comerciales son evidentes. El término en inglés "AI customer service agent" suma unas 720 búsquedas mensuales en Google, evidencia una alta intención comercial y un CPC de $264.61. A su vez, los usuarios plantean esta misma necesidad a los asistentes conversacionales unas 69 veces al mes. La tarifa de referencia de Intercom se sitúa en $0.99 por cada caso resuelto con éxito vía chat o correo, derivación estructurada o descarte calificado.

La versión mínima comercializable (MVP) requiere un solo canal de entrada, una base de conocimiento validada, una herramienta de consulta de cuentas de solo lectura, derivación hacia operadores humanos y un panel de control con métricas de resolución. Tenga presente que la ventaja competitiva no reside en llamar al modelo, sino en las integraciones verticales, el catálogo de pruebas de evaluación, el diseño del escalado y la validación de que la resolución benefició efectivamente al usuario.

Esta es la oportunidad con mayor potencial: la tarea está delimitada, el perfil de comprador es claro y los resultados son perfectamente auditables. El elevado CPC confirma además la fuerte competencia existente por captar a este segmento de clientes.

Asistente de investigación basado en evidencias para sectores específicos

Construya un espacio de trabajo analítico para nichos concretos como analistas de cumplimiento normativo, redactores de propuestas de financiación, evaluadores de mercados de salud o auditores de procesos de adquisición (due diligence). La plataforma debe consultar un catálogo cerrado de documentos, vincular citas comprobables a cada conclusión, contrastar fuentes en conflicto y generar informes estructurados.

La búsqueda "AI powered research assistant" alcanza cerca de 18,100 consultas mensuales en Google con clara intención comercial. El concepto más general "AI research assistant" añade otras 2,400 búsquedas. La plataforma Elicit comercializa actualmente su plan Pro por $49 mensuales por usuario y el plan Scale por $169, lo que confirma que el mercado ya remunera flujos de trabajo orientados a la investigación estructurada.

El MVP necesita un único formato documental de entrada, una plantilla de informe estandarizada, una matriz de evidencias con citas directas y un panel de revisión de contenidos. El riesgo radica en la dispersión temática: un asistente generalista se enfrenta a herramientas consolidadas de alcance masivo. La versión rentable y defendible debe controlar fuentes documentales de nicho, metodologías de trabajo particulares o estándares de precisión que las soluciones generalistas no cubren.

Agente de prospección y seguimiento comercial

Diseñe un agente para tráfico entrante que resuelva dudas de producto, analice el encaje con el cliente ideal, actualice los registros del CRM, prepare la síntesis de la reunión y reserve la llamada únicamente tras validar las condiciones estipuladas. Priorice siempre las consultas entrantes; el envío automatizado y masivo de mensajes salientes sin supervisión multiplica los riesgos regulatorios y de reputación corporativa.

La consulta "AI sales agent" registra aproximadamente 1,000 búsquedas al mes en Google, con intención comercial y un CPC asociado de $74.89. Intercom tasa hoy en día cada cualificación exitosa en $9.99, lo que entrega una referencia clara para definir precios.

El producto mínimo requiere un canal de chat en el sitio web o correo electrónico, enlace de solo lectura con el CRM, criterios estrictos de cualificación, sincronización de agenda y autorización previa de una persona antes de cualquier interacción sensible. La principal debilidad procede de datos de origen defectuosos: un agente muy avanzado conectado a un CRM desactualizado cualificará prospectos inadecuados con absoluta seguridad.

Limitaciones técnicas que debe considerar

Un agente no vuelve determinista a un software con comportamiento variable. Lo que hace es encapsular esa incertidumbre dentro de un bucle observable y gobernable.

• Evite emplear agentes para resolver lógicas rígidas que el código estándar ejecuta con mayor solvencia.
• No conceda permisos de escritura antes de que la versión de solo lectura resuelva con éxito los casos de prueba reales.
• No confíe la protección a una única barrera general. Las salvaguardas de los agentes no cubren de forma automática todas las herramientas alojadas o nativas, por lo que las políticas de autorización deben residir también en su aplicación y en la capa de servicios.
• No mezcle sistemas de memoria sin planificación previa. La duplicidad de contexto genera anomalías en las respuestas e incrementa el gasto de tokens sin necesidad.
• No empiece orquestando equipos complejos de múltiples agentes. OpenAI aconseja exprimir al máximo las capacidades de un único agente asistido por herramientas antes de implementar arquitecturas distribuidas.
• No permita que un modelo autorice operaciones no reversibles. Las decisiones de alto riesgo deben ser aprobadas por un profesional hasta que las métricas justifiquen un esquema de delegación más autónomo.

Las plataformas de protección especializadas aportan valor, pero la arquitectura general del sistema asume la mayor responsabilidad. La comparativa de herramientas de seguridad para IA le ayudará a identificar soluciones una vez determine los vectores de riesgo que su agente introduce en la infraestructura.

En la práctica, la integración del modelo representa habitualmente la fase más accesible del proyecto. La verdadera complejidad radica en el diseño de las herramientas, el gobierno de los permisos, la depuración de datos, la metodología de evaluación, el protocolo de escalado y el control de los costes. Si resuelve adecuadamente estos pilares, el agente aportará valor operativo; si los desatiende, obtendrá una demostración llamativa que actuará en producción como un operador impredecible con accesos privilegiados.

Si busca implementar una solución ajustada a sus sistemas de negocio y políticas de control interno, consulte nuestro servicio de desarrollo de agentes de IA.