LLM frente a agente de IA: Siguiendo una pregunta de entrevista a través de seis preguntas adicionales

Si le preguntas a un candidato para el puesto de ingeniero en IA qué diferencia a un LLM de un agente de IA, la respuesta típica inicial es que un LLM genera texto mientras que un agente realiza acciones. El entrevistador rara vez asiente y pasa a otra cosa. Las preguntas siguientes revelan si el candidato ha trabajado con sistemas reales o solo ha memorizado definiciones. Así es como suele desarrollarse esa conversación, una pregunta a la vez.

Qué hace un LLM por sí solo

Un modelo de lenguaje genera salida a partir del contexto que se le proporciona. Puede explicar un error, resumir registros pegados en el prompt o devolver datos estructurados. No puede acceder a una base de datos privada solo porque alguien se lo pida. Por eso, cuando el entrevistador pregunta cómo podría un asistente de soporte basado en IA verificar una transacción en tiempo real, la respuesta es que se necesitan herramientas además de código de aplicación.

Cómo se utiliza una herramienta

Imagínese un mensaje del cliente: “Mi pago tuvo éxito, pero el pedido no se creó”. El backend ofrece unas pocas funciones limitadas:

getPaymentStatus(transactionId)
getOrderStatus(transactionId)
createSupportTicket(details)

La aplicación envía sus nombres y esquemas de parámetros junto con la conversación, y el modelo puede responder algo como esto:

{
  name: "getPaymentStatus",
  arguments: { transactionId: "txn_123" }
}

La siguiente pregunta del entrevistador es una trampa: ¿acabó de llamar el modelo al servicio de pago? No. Generó una solicitud estructurada para usar una herramienta. Todavía no se ha ejecutado nada.

¿Quién realiza realmente la llamada?

Lo hace el backend. El flujo real consta de seis pasos:

1. La aplicación envía la instrucción junto con las definiciones de la herramienta.
2. El modelo devuelve el nombre de la herramienta y sus argumentos.
3. El backend verifica la entrada y los permisos del que realiza la llamada.
4. Ejecuta la función aprobada.
5. El resultado vuelve al modelo como contexto actualizado.
6. El modelo solicita otra herramienta o da su respuesta final.

En resumen, el LLM propone y la aplicación se encarga de la ejecución, las credenciales y el control de acceso. Vale la pena tener preparada esa frase, ya que es el punto que los entrevistadores senior siguen indagando.

¿Qué convierte esto en un agente?

Sobre una pizarra, la ecuación es breve:

AI Agent = LLM + Instructions + Tools + State + Execution Loop

El agente observa su estado, elige una acción, obtiene el resultado y lo vuelve a evaluar, lo que da lugar al bucle:

Observe → Decide → Request Tool → Execute → Observe Result → Continue or Stop

Luego surge la pregunta de quién lo detiene. El modelo puede devolver una respuesta final, pero la aplicación debe imponer límites. El bucle debe terminar al alcanzar un límite de intentos, por tiempo de espera, debido a un error irreparable o cuando se requiera la aprobación humana.

Ejecutar varias herramientas al mismo tiempo

Si las llamadas pueden ejecutarse simultáneamente depende de las dependencias de datos. El estado del pago y el estado del pedido solo necesitan el ID de la transacción, por lo que ambos pueden obtenerse en paralelo:

const [payment, order] = await Promise.all([
  getPaymentStatus(transactionId),
  getOrderStatus(transactionId)
]);

Supongamos ahora que la respuesta del pago incluye una referencia de pasarela que se necesita para la siguiente llamada. La segunda operación debe esperar a la primera:

const payment = await getPaymentStatus(transactionId);
const gateway = await getGatewayDetails(payment.gatewayRef);

Una respuesta sólida demuestra que el candidato verifica si las llamadas son independientes antes de paralelizarlas.

Permitir que el agente realice un reembolso

La respuesta correcta es que la solicitud del modelo por sí sola no es suficiente. El backend debe verificar al cliente, que es el propietario de la transacción, para determinar si cumple los requisitos y cuáles son los límites. La operación de escritura necesita una clave de idempotencia y un registro de auditoría, y los reembolsos grandes pueden requerir la aprobación de un humano. Un prompt del sistema que indique “solo reembolsos para transacciones válidas” sirve como guía para el modelo. Esto no constituye autorización.

Cómo lo califica el entrevistador

La respuesta inicial, “un LLM genera respuestas, un agente realiza acciones”, era demasiado superficial para un puesto de nivel senior. Nunca indicaba quién ejecuta las acciones, quién posee las credenciales ni qué impide operaciones inseguras. Tras preguntas adicionales, el candidato logró dar una respuesta más sólida, pero para alcanzar el nivel senior desde el principio, la primera respuesta debería mencionar de inmediato los límites de la aplicación y el ciclo del agente.

Leer más

• Conceptos de LangGraph en lenguaje sencillo: estado, memoria y orquestación — Antes de escribir código: qué significan la orquestación, el tiempo de ejecución, los agentes con estado, la memoria a corto y largo plazo, los agentes múltiples y la intervención humana en LangGraph.

Notas prácticas: Las 10 habilidades más prácticas de un agente en 2026 (y en la próxima generación) — Guía paso a paso de las Notas prácticas: Las 10 habilidades más prácticas de un agente en 2026 (y en la próxima generación: contratos, verificaciones y espacios para código listo para usar para los equipos que implementan este patrón.