La automatización tradicional sigue instrucciones fijas y un chatbot simple responde al mensaje que tiene frente a sí. Un agente basado en objetivos funciona de manera diferente. Parte de un resultado deseado y planea las acciones necesarias para alcanzarlo. Luego evalúa la nueva información a medida que la tarea avanza. Este artículo explica el concepto, la arquitectura que lo respalda y los principales casos de uso. También compara a los agentes basados en objetivos con otros tipos de agentes de IA y presenta a Kimi Agent como una forma práctica de experimentar la ejecución de tareas orientada a objetivos.
¿Qué es un agente basado en objetivos?
Un agente basado en objetivos es un sistema de IA que toma decisiones y realiza acciones en torno a un objetivo definido. Evalúa el estado actual, considera los posibles próximos pasos y selecciona acciones que acercan al sistema al resultado deseado. El agente puede usar herramientas, hacer seguimiento del progreso y revisar su plan cuando nueva información cambia la situación.
Por ejemplo, un agente de atención al cliente puede responder una pregunta. Un agente basado en objetivos puede trabajar para resolver todo el problema del cliente. Puede revisar el historial de la cuenta y consultar una base de conocimientos aprobada. Luego puede diagnosticar el problema, preparar una solución o escalar el caso cuando la evidencia es incompleta.
¿Cómo funciona un agente basado en objetivos?
Un agente basado en objetivos generalmente sigue un ciclo repetitivo. Primero define el resultado deseado y observa el entorno actual. Luego crea un plan, selecciona una acción y evalúa el resultado. Si el resultado no hace avanzar la tarea, el agente puede replanificar o solicitar ayuda.
Definición del objetivo
El proceso comienza con una definición precisa del éxito. El objetivo puede contener varias condiciones relacionadas, pero cada condición debe poder verificarse. También puede incluir restricciones como plazos, fuentes de datos aprobadas, límites de gasto, aprobaciones requeridas y acciones prohibidas. Un modelo de lenguaje puede convertir una solicitud vaga en subobjetivos específicos, pero los criterios finales de éxito deben seguir siendo visibles para el responsable del flujo de trabajo.
Percepción del entorno y del estado
El agente recopila información sobre el estado actual a partir de solicitudes de usuarios, sistemas externos, archivos, bases de datos, respuestas de API o eventos del sistema. En un entorno robótico, los sensores proporcionan información sobre objetos cercanos y condiciones cambiantes. El estado también debe registrar las tareas completadas, las aprobaciones pendientes y los supuestos fallidos. Los valores claros de error y estado ayudan al agente a decidir si debe continuar, reintentar o escalar.
Planificación y descomposición de tareas
El módulo de planificación convierte el objetivo en una ruta accionable. Divide un objetivo amplio en tareas más pequeñas e identifica las dependencias entre ellas. Para la incorporación de empleados, el plan puede comenzar con la recopilación y verificación de documentos antes de preparar las solicitudes de cuenta y esperar la aprobación según el rol. Un proceso estable puede usar un plan fijo, mientras que un flujo de trabajo cambiante necesita puntos de decisión para la replanificación incremental.
Selección y ejecución de acciones
Después de crear un plan, el agente selecciona la siguiente acción aprobada. Puede consultar un sistema, buscar en un documento, actualizar un registro o pedirle a una persona información faltante. Cada acción debe tener una entrada definida y un resultado esperado. El agente debe verificar el resultado antes de marcar el paso como completo, y las acciones de alto impacto deben pausarse para obtener aprobación humana.
Retroalimentación y replanificación
La ejecución no es un proceso de una sola dirección. El agente compara el último resultado con el objetivo y verifica si el plan sigue teniendo sentido. La nueva evidencia puede confirmar la ruta actual, revelar un obstáculo o crear una alternativa más segura.
El ciclo se puede representar como:
El objetivo puede permanecer estable mientras la ruta cambia. Un robot de almacén puede elegir otro camino después de detectar un obstáculo. Un agente de investigación puede buscar en otra fuente cuando la primera no responde la pregunta. Los presupuestos de ejecución, como los límites en turnos, llamadas a herramientas, reintentos o tiempo, evitan la operación indefinida y facilitan la medición del rendimiento.
Componentes principales de una arquitectura de agente basado en objetivos
Una arquitectura de agente basado en objetivos conecta los objetivos con el estado, la planificación, las herramientas y la supervisión. La implementación exacta varía, pero cada componente debe tener una responsabilidad clara.
Objetivo y criterios de éxito
La capa de objetivo define el estado deseado. Explica qué debe lograr el agente y qué se considera como finalización. También puede identificar condiciones de fallo y restricciones que se aplican durante toda la ejecución.
Por ejemplo, un flujo de trabajo de documentos puede requerir que se verifique cada campo obligatorio antes de enviar el registro. Un registro incompleto no es un éxito parcial si el flujo de trabajo requiere verificación completa. Los criterios explícitos ayudan al agente a detenerse en el momento correcto.
Modelo del mundo y base de conocimiento
Un modelo del mundo le da al agente una representación funcional de su entorno. Puede incluir el estado actual del sistema, los recursos disponibles, las relaciones conocidas y las consecuencias probables de las acciones. Una base de conocimiento proporciona información de apoyo cuando el agente necesita tomar una decisión.
El modelo del mundo es útil porque el agente no puede planificar únicamente a partir del objetivo. Debe entender en qué punto se encuentra el flujo de trabajo. También necesita distinguir el contexto temporal de la tarea del conocimiento de más largo plazo. La recuperación de información debe aportar datos relevantes sin colocar toda una colección de datos en el contexto activo.
Un registro de estado bien gestionado puede mostrar los pasos completados, las dependencias pendientes, los intentos fallidos y el estado de aprobación. Las reglas de acceso y la procedencia de los datos deben regir todo lo que se almacene para uso posterior.
Módulo de planificación
El módulo de planificación crea y actualiza la ruta hacia el objetivo. Puede generar una secuencia de acciones, dividir el trabajo entre especialistas o elegir el siguiente paso de manera dinámica.
Una buena planificación tiene en cuenta las dependencias y la incertidumbre. No asume que cada herramienta devolverá el resultado esperado. Puede incluir rutas alternativas, pasos de validación y condiciones de escalamiento. Un plan debe seguir siendo provisional cuando nueva evidencia pueda cambiar la mejor acción siguiente.
Capa de herramientas y acciones
Las herramientas permiten que el agente interactúe con sistemas más allá del modelo. Algunos ejemplos comunes son la búsqueda, las consultas a bases de datos, el procesamiento de archivos, las acciones de navegador, las API empresariales y las actualizaciones de registros.
Cada herramienta necesita un contrato claro. El contrato debe definir las entradas válidas, las salidas esperadas, los permisos, los errores y los efectos secundarios. Las acciones de lectura y las de escritura deben separarse cuando sea posible. Las operaciones sensibles deben usar reglas de validación y aprobación más estrictas.
Ejecución, evaluación y salvaguardas
La capa de ejecución realiza la acción seleccionada. La capa de evaluación verifica el resultado frente al plan y a los criterios de éxito. Las salvaguardas definen qué puede hacer el agente y cuándo debe detenerse.
Los flujos de trabajo en producción deben registrar las decisiones, las llamadas a herramientas, las observaciones y los cambios de estado. Este registro respalda la depuración y la revisión humana. Las instancias de aprobación son especialmente importantes antes de acciones irreversibles, comunicación externa, cambios financieros o actualizaciones en producción.
Agente basado en objetivos frente a otros tipos de agentes de IA
Los agentes basados en objetivos son parte de un conjunto más amplio de diseños de agentes de IA. Las categorías pueden superponerse, pero destacan formas distintas de tomar decisiones.
| Tipo de agente | Cómo decide | Capacidad de planificación | Uso ideal |
|---|---|---|---|
| Agente reactivo simple | Responde a la entrada actual | Poca o ninguna | Reglas fijas y reacciones inmediatas |
| Agente reactivo basado en modelos | Usa un modelo interno del estado | Limitada | Entornos que requieren memoria básica |
| Agente basado en objetivos | Selecciona acciones que avanzan hacia un objetivo definido | Sí | Objetivos claros con rutas cambiantes |
| Agente basado en utilidad | Elige el resultado más valioso | Análisis avanzado de compensaciones | Múltiples objetivos en competencia |
| Agente de aprendizaje | Mejora a partir de la experiencia o la retroalimentación | Puede evolucionar con el tiempo | Tareas que se benefician de la adaptación |
Un agente reactivo responde a lo que percibe en el momento. Un agente basado en objetivos considera cómo una acción afecta un estado futuro. Ese comportamiento orientado al futuro hace que los sistemas basados en objetivos sean más adecuados cuando el objetivo es estable pero la ruta no lo es.
Un agente basado en utilidad resuelve un problema de decisión distinto. Compara los resultados posibles y les asigna un valor. Por ejemplo, un sistema de atención al cliente puede equilibrar la velocidad de resolución, el costo de reembolso y la satisfacción del cliente al elegir una respuesta. Un agente basado en objetivos generalmente se enfoca en si se alcanza la condición objetivo. Un sistema basado en objetivos aún puede incluir componentes de aprendizaje o basados en utilidad cuando el flujo de trabajo lo requiere.
Agente basado en objetivos frente a agente basado en tareas
Tanto los agentes basados en tareas como los basados en objetivos pueden automatizar trabajo útil. La diferencia está en el nivel en el que el sistema recibe instrucciones y mide el éxito.
| Dimensión | Agente basado en tareas | Agente basado en objetivos |
|---|---|---|
| Punto de partida | Una instrucción específica | Un resultado deseado |
| Alcance | Una tarea definida | Un flujo de trabajo conectado |
| Siguiente acción | Generalmente especificada por el usuario o el flujo de trabajo | Seleccionada por el agente |
| Medida de éxito | Finalización de la tarea | Logro del objetivo |
| Adaptación | A menudo limitada | Puede replanificar cuando las condiciones cambian |
| Intervención humana | Puede ser necesaria en cada paso | Generalmente necesaria en los límites o excepciones |
Los agentes basados en tareas son útiles cuando la acción ya se conoce. Los agentes basados en objetivos son útiles cuando el resultado es claro pero el camino puede variar. Un sistema basado en tareas puede extraer un campo de un documento. Un sistema basado en objetivos puede usar esa extracción como un paso dentro de un proceso más amplio que valida la información y encamina las excepciones.
La distinción tiene que ver con la responsabilidad sobre el flujo de trabajo, no con la cantidad de agentes. Un solo agente puede perseguir un objetivo amplio. Varios agentes también pueden realizar tareas separadas sin compartir un plan más amplio.
Casos de uso de los agentes basados en objetivos
Los agentes basados en objetivos se adaptan bien a entornos donde el destino es claro pero las condiciones pueden cambiar antes de que termine la tarea.
Robótica y automatización de almacenes
Un robot de almacén puede recibir el objetivo de mover un paquete hacia un área de envíos. Debe identificar el paquete, planificar una ruta, evitar obstáculos y monitorear su posición. Si otro robot bloquea la ruta planeada, el agente puede evaluar una ruta alternativa.
El objetivo se mantiene igual. La secuencia de acciones cambia según el entorno. Esto convierte a la robótica en un ejemplo claro de planificación hacia un estado futuro, en lugar de reaccionar solo ante el obstáculo más cercano.
Atención al cliente y resolución de incidencias
Un flujo de trabajo de soporte puede definir el éxito como resolver el problema de un cliente con una respuesta precisa y aprobada. El agente puede leer la conversación, recuperar información de la cuenta, consultar una base de conocimiento y determinar si el problema necesita escalarse.
El sistema no debe considerar que hubo éxito solo por redactar una respuesta. Debe verificar si la respuesta atiende el problema y si se completó una acción requerida. Los cambios sensibles deben permanecer sujetos a un paso de aprobación humana.
Incorporación de empleados
La incorporación de empleados implica tareas conectadas que dependen del puesto, la ubicación, la fecha de inicio y el estado de aprobación. Un agente basado en objetivos puede dar seguimiento al resultado más amplio en lugar de tratar cada solicitud como una acción aislada.
Puede recopilar documentos, verificar información, preparar solicitudes de cuenta y esperar la aprobación de un gerente. Si falta un campo obligatorio, el agente puede pausar o solicitar la información faltante. No debe pasar por alto una regla de permisos con tal de mantener el avance del plan.
Flujos de trabajo de investigación y contenido
Un flujo de trabajo de investigación puede comenzar con el objetivo de producir un informe estructurado basado en evidencia confiable. El agente puede dividir la pregunta en subtemas, buscar en fuentes aprobadas, organizar los hallazgos e identificar vacíos de información.
Si una fuente no respalda una afirmación, el agente puede revisar el plan de investigación. Un paso de revisión puede verificar si el informe final responde a la pregunta original. La revisión humana sigue siendo importante cuando el informe influye en una decisión de consecuencias importantes.
Respuesta a incidentes y operaciones
Un agente de respuesta a incidentes puede trabajar para identificar la causa de un problema en un servicio. Puede inspeccionar registros, revisar implementaciones recientes, verificar dependencias y comparar la evidencia entre sistemas.
El flujo de trabajo puede cambiar a medida que aparecen nuevas señales. Un agente puede recomendar una reversión o un cambio de configuración, pero las acciones que afectan a producción deben requerir autorización. El bucle basado en objetivos ayuda a organizar la investigación sin convertir la recomendación en una ejecución sin control.
Ventajas de los agentes basados en objetivos
Mejor manejo del trabajo de varios pasos
Un agente basado en objetivos puede organizar acciones conectadas en torno a un resultado final. No es necesario indicar cada paso de bajo riesgo cuando el flujo de trabajo tiene límites claros.
Más flexibilidad que la automatización basada en reglas
Las reglas fijas funcionan bien en condiciones estables. Los sistemas basados en objetivos pueden elegir otra ruta aprobada cuando cambia una entrada o falla una acción esperada.
Criterios de éxito más claros
Un objetivo definido hace que la evaluación tenga más sentido. El sistema puede verificar si se alcanzó el resultado previsto en lugar de medir el éxito por la extensión o fluidez de una respuesta.
Mejor continuidad del flujo de trabajo
El agente puede conservar el estado de la tarea e identificar lo que queda pendiente. Esto es importante cuando un flujo de trabajo se pausa a la espera de una aprobación o de información de otro sistema.
Delegación humana más útil
Las personas pueden definir el resultado, las restricciones y los puntos de aprobación. El agente puede entonces gestionar las decisiones rutinarias dentro de ese límite operativo, mientras los humanos se encargan de las excepciones y las decisiones de alto impacto.
Cómo diseñar un agente basado en objetivos confiable
Un diseño confiable parte del flujo de trabajo y no del modelo. Usa la arquitectura más pequeña que pueda completar la tarea de forma segura.
Define un objetivo medible: Escribe una condición de finalización que un evaluador pueda verificar.
Establece condiciones de éxito y fracaso: Explica cuándo el agente debe continuar, detenerse o escalar.
Divide el objetivo en subtareas: Asigna a cada subtarea un resultado y una dependencia claros.
Limita el acceso a herramientas: Proporciona solo las herramientas necesarias para el rol actual.
Separa los permisos de lectura y escritura: Trata la recuperación de información de forma distinta a las acciones que modifican el estado.
Agrega puntos de aprobación: Exige confirmación antes de operaciones sensibles o irreversibles.
Registra la ejecución: Documenta los planes, las llamadas a herramientas, los resultados y los cambios de estado.
Establece límites de ejecución: Usa límites de tiempo, turnos, reintentos y costo.
Prueba el flujo de trabajo completo: Evalúa los resultados, no solo las respuestas individuales del modelo.
Expande gradualmente: Comienza con un solo agente y agrega coordinación solo cuando surja una necesidad comprobada.
La regla práctica es simple: usa la arquitectura de menor complejidad que pueda completar el flujo de trabajo de forma confiable. Más autonomía solo es útil cuando resuelve un problema operativo específico.
Conoce Kimi Agent: un agente basado en objetivos que puedes usar hoy
El bucle de planificación de esta guía no es solo teoría. Así es como Kimi Agent ejecuta tareas reales. Describes el resultado deseado en una oración, y Kimi lo descompone en subtareas y ejecuta cada paso con herramientas integradas. Luego evalúa el resultado antes de entregar el producto final. No hay una capa de orquestación que construir ni código de flujo de trabajo que mantener.
Indica el objetivo, obtén un entregable
Kimi Agent funciona como debe hacerlo un agente basado en objetivos: le das una meta, no un procedimiento. Planifica la ruta por su cuenta y produce trabajo que puedes usar directamente.
Un informe de investigación con fuentes citadas, mediante Kimi Deep Research
Un sitio web de varias páginas funcional, creado a partir de un breve informe
Una presentación en PPT, documento u hoja de cálculo lista para editar
Puedes subir hasta 50 archivos a la vez como material de origen, de modo que los PDF, diapositivas e imágenes existentes pasan a formar parte del contexto de la tarea.
Las tareas largas se completan por sí solas
Un agente basado en objetivos demuestra su valor en trabajos que requieren más de un paso. Kimi Deep Research normalmente se ejecuta entre 10 y 25 minutos por tarea y continúa en segundo plano, de modo que puedes salir de la página y volver a un informe terminado. El agente hace seguimiento de su propio progreso en lugar de esperar a que le indiques cada paso.
Escala un solo objetivo a cientos de tareas paralelas
Cuando un solo agente no basta para el tamaño del trabajo, Kimi Agent Swarm divide el objetivo entre más de 100 subagentes y admite hasta 1500 llamadas a herramientas en paralelo. Está diseñado para búsquedas a gran escala, redacción extensa y procesamiento por lotes: el mismo bucle basado en objetivos, multiplicado.
Tú sigues estableciendo los límites
El diseño basado en objetivos mantiene a las personas a cargo de los resultados, y Kimi funciona de la misma manera. Defines el objetivo y las restricciones, y luego revisas el plan y el entregable. Los hechos importantes y las decisiones trascendentes permanecen bajo revisión humana. La autonomía se encarga de la ruta; el criterio sigue siendo tuyo.
Limitaciones y desafíos
Los agentes basados en objetivos ofrecen más flexibilidad que la automatización fija, pero también introducen nuevos modos de falla. Un objetivo vago puede llevar al agente hacia un resultado incorrecto, mientras que un espacio de decisiones grande puede hacer que la planificación resulte costosa. Los planes también pueden quedar desactualizados a medida que cambia el entorno. Las prioridades en conflicto pueden requerir razonamiento basado en utilidad o juicio humano en lugar de una simple prueba de finalización. Los fallos de herramientas y los datos obsoletos generan riesgos adicionales, sobre todo cuando el agente puede modificar sistemas externos. Por eso, las implementaciones confiables requieren resultados de herramientas validados, replanificación controlada, permisos limitados, registros visibles y aprobación humana para las acciones de alto impacto.
Conclusión
Un agente basado en objetivos trabaja hacia un resultado definido en lugar de responder solo a la última entrada. Utiliza un ciclo que conecta la planificación con la acción, y luego evalúa el resultado observado antes de decidir qué sigue. Este enfoque funciona bien en flujos de trabajo donde el destino es claro pero el camino puede cambiar. Empieza con criterios de éxito explícitos y permisos limitados. Agrega complejidad solo cuando el flujo de trabajo lo requiera. Kimi Agent ofrece una forma práctica de explorar la ejecución de tareas orientadas a objetivos sin tener que construir una arquitectura de agente desde cero.