Introducción: La respuesta rápida
Puedes crear agentes de IA capaces de coordinar actividades, acceder a herramientas externas y aprender de los contextos empresariales existentes. Esta guía muestra cómo hacerlo, aprovechando los nuevos frameworks de código abierto y las técnicas más recientes de ingeniería de prompts.Los pilares de un agente de IA eficaz para empresas
Un agente productivo se basa en tres componentes fundamentales:1. Ingeniería de prompts: el corazón de la comunicación
Un prompt bien estructurado define el propósito, el contexto, los pasos y las restricciones. Utiliza un lenguaje claro e incluye referencias explícitas a los resultados deseados.2. Acceso a recursos: herramientas y API
Los agentes deben poder llamar a servicios externos (CRM, bases de datos, servicios web) de forma segura. La gestión de claves API, los controles de tasa y los envoltorios de herramientas son esenciales.3. Memoria y aprendizaje continuo
La memoria a corto y largo plazo permite al agente mantener el estado de las sesiones, recordar decisiones anteriores y adaptarse a nuevos datos sin perder el contexto.Herramientas y frameworks de 2026
El panorama de los agentes está evolucionando rápidamente. Aquí presentamos tres proyectos de código abierto que están redefiniendo el sector.Harness2: el nuevo framework de código abierto de Google
Google Research ha lanzado Harness2, un framework Apache-2.0 que reescribe el harness de los agentes en el momento de la prueba. Una única optimización mejoró el rendimiento de GLM-5 en un 11,5 %, lo que lo hace ideal para la prototipación rápida y la iteración.Kyutai REKI: un modelo VLA de 2,4 mil millones de parámetros para la manipulación robótica
Kyutai, en colaboración con Inria y École des Ponts, ha presentado REKI, un modelo Vision-Language-Action de 2,4 mil millones de parámetros que destaca en la manipulación robótica gracias a una memoria eficiente. Puede integrarse en los flujos de trabajo empresariales para controlar dispositivos IoT o procesos de producción.TinyFish: investigación gratuita para agentes
TinyFish elimina los costes de recuperación para los agentes que leen la web. Utiliza un motor de recuperación optimizado que reduce tanto las llamadas a la API como el procesamiento posterior, lo que hace que la adquisición de conocimientos sea asequible a gran escala.Ejemplo práctico: creación de un agente de aprobación de gastos
Este agente controla una tarjeta de gastos, verifica las políticas, solicita aprobación y registra las decisiones finales. A continuación se muestra un ejemplo conciso que utiliza Harness2 y un prompt estructurado.# Pseudo-código para un agente de aprobación de gastos
import harness2 as hb
# Define el prompt del agente
prompt = """
Eres un asistente de finanzas empresariales. Analiza el gasto {amount} para la categoría {category}.
Reglas:
- Comida > 50 € requiere la aprobación del gerente.
- Viajes > 200 € requieren la aprobación del director financiero.
- Otros gastos > 500 € requieren la aprobación del director ejecutivo.
Devuelve: 'APROBADO', 'RECHAZADO' o 'EN ESPERA DE APROBACI?"N' con una breve motivación.
"""
# Inicializa el agente con acceso al sistema de contabilidad
agent = hb.Agent(
model='glm-5',
tools=[expense_api, policy_db],
memory=hb.Memory(short_term=10, long_term=True)
)
# Ejecuta el control
def check_expense(amount, category):
response = agent.run(prompt.format(amount=amount, category=category))
return response
"""Mejores prácticas y consejos para el despliegue
- Escribe prompts claros y específicos.Utiliza secciones con nombre (Propósito, Contexto, Pasos, Formato de salida) para reducir la ambigüedad.
- Versiona tus agentes.Mantén un registro de los cambios en los prompts y los modelos para reproducir resultados y gestionar los rollback.
- Prueba en sandbox.Utiliza Harness2 para simular escenarios límite antes de lanzar en producción.
- Monitorea y registra.Rastrea las llamadas a herramientas, los tiempos de latencia y las desviaciones de los resultados esperados.
- Establece límites y controles.Aplica cuotas de uso, controles de permisos y registros de auditoría para proteger los datos empresariales.
Conclusión: Transforma tus flujos de trabajo con agentes de IA
Los agentes de IA ya no son un concepto futurista: son herramientas prácticas que, con los prompts adecuados y los frameworks modernos como Harness2, REKI y TinyFish, pueden automatizar tareas complejas, reducir errores y liberar a los equipos para que se centren en actividades de mayor valor. Comienza con un solo caso de uso, aplica las mejores prácticas mencionadas anteriormente y observa cómo tu organización se transforma en 2026 y más allá.Próximos pasos:Elige un proyecto piloto (por ejemplo, la aprobación de gastos), integra un agente Harness2 y comienza a iterar con prompts cada vez más precisos.
IMPORTANTE: Estamos en 2026. Todas las referencias temporales deben ser actuales. No menciones años pasados como 2024, 2023, etc. El contenido debe ser fresco y relevante para el presente.
CONTEXTO ACTUAL (octubre de 2026):
Aquí hay algunas tendencias y noticias recientes para inspirarte:
- Presentación de Voxel51 3.0: Una plataforma unificada de datos multimodales para IA física: Voxel51 3.0 fusiona la búsqueda, curación, anotación y evaluación de datos de sensores multimodales en una sola plataforma para equipos de IA física. Añade Voxel51 Agent... [2026-10-18]
- Cómo hacer predicciones tabulares sin entrenamiento con los modelos de datos estructurados de NVIDIA: En este tutorial, implementamos Structured Data Models, la nueva biblioteca de NVIDIA que pone varios modelos base preentrenados para tablas detrás de una PyT... [2026-10-18]
- TinyFish hace que la búsqueda sea gratuita: ¿Qué cuesta realmente a un agente de IA leer la web? Un agente de IA que lee la web paga dos tipos de costes. El primero es el cargo de recuperación: lo que cobra una API de búsqueda o recuperación por solicitud. El segundo es... [2026-10-18]
Utiliza esta información actual como inspiración para crear un prompt original y relevante para 2026.