El tema de hoy es algo de lo que casi todos han oído hablar, pero casi nadie puede explicar realmente. Estoy hablando de los agentes de E. Probablemente hayas escuchado el término en una reunión, leído en un blog o visto en un titular. Todo el mundo habla de ellos. Pero si le pides a alguien que defina o no, las respuestas se vuelven confusas muy rápido. El entusiasmo es grande, las definiciones son vagas y la frase se usa tan libremente que ha perdido casi todo su significado. Este es el error más común que comete el agente. Piensan que un agente es solo un chatbot con nombre más elegante. Le preguntas algo y te responden. Eso no es un agente, eso es un chatbot. Y existe una diferencia real entre ambos. Entonces, ¿qué cambió? ¿Por qué todo el mundo está obsesionado de repente con los agentes? Y lo más importante, ¿por qué debería importarte si no eres desarrollador? Al final de este episodio, entenderás qué es realmente un agente de E.

¿Por qué Microsoft construyó todo un marco de trabajo a su alrededor? ¿Y por qué esto es relevante para tu forma de trabajar? ¿Qué es exactamente un agente de E? Ya sabes cómo funciona un chatbot. Escribes algo y responde. Esa es una conversación. Es reactiva. Espera que digas algo y luego contesta. Un agente es diferente. No solo responde, actúa. Piensa, decide, actúa. Esa es la definición más simple que puedo darte, si es cómo funciona. Primero, el agente piensa. Utiliza un modo de lenguaje extenso para razonar sobre lo que realmente necesitas, no solo lo que escribiste, sino lo que quisiste decir. Si dices programa una reunión con Sara el próximo martes, el agente no solo te lo repite. Piensa en lo que realmente significa esa solicitud. Luego decide. Divide tu solicitud en paso. Programar una reunión se cumplirá. Revisar tu calendario, buscar un espacio libre, comprobar la disponibilidad de Sara en ver una invitación.

El agente no adivina. Crea una secuencia de acciones. Finalmente actúa. Llama herramientas y servicios para hacerlo realidad. No te dice cómo programar una reunión, el programa de la reunión. No te explica cómo consultar el clima. Consulta el clima y te da la respuesta. Así que piensa en diferenciar. Un chatbot es reactivo. Pero a tu próxima pregunta. Un agente es proactivo. Le das un objetivo y se pone a trabajar en él. Puede volver con preguntas y necesita más información, pero no necesita que lo guíes en cada paso. Un chatbot es como un mostrador de información en la biblioteca. Preguntas dónde está un libro y te indican el pasillo correcto. Un agente es como un asistente personal que tiene las llaves del edificio. Dices, necesito información sobre nuestros clientes principales para la reunión de mañana. Ellos la buscan, la organizan y te entregan un documento informativo. No les dijiste dónde buscar ni qué formato usar.

Ellos lo adujeron. Pero el secreto no es solo el LN. El modelo de lenguaje es inteligente, pero por sí solo es solo un cerebro sin manos. Lo que convierte a algo en un agente es la combinación de tres cosas. Razonamiento. La capacidad de pensar un problema. Herramientas. La capacidad de actuar sobre el mundo. Y memoria. La capacidad de recordar lo que sucedió antes. Junta esos tres elementos y tendrás algo que no solo responde preguntas, sino que hace cosas. Antes del marco de trabajo, un panorama fragmentado. Entonces, si los agentes son tan útiles, ¿por qué no todo el mundo los está creando ya? La respuesta corta es que hasta hace poco era un proceso complicado. Tenías que unir varias herramientas tú mismo. Algo así como intentar construir un auto comprando piezas de diferentes fabricantes y esperando que encajen. El primer intento de Microsoft para solucionar esto fue Semantic Kernel.

Un SDK para integrar IA en aplicaciones. Potente, pero era una caja de herramientas, no un plano. Te daba las piezas, pero aún tenías que descubrir cómo ensamblarlas. Luego llegó Autogen de Microsoft Research. Este marco exploró conversaciones multiagente donde los agentes de IA hablan, debaten y colaboran. Innovador, sí. Pero era experimental, no estaba diseñado para sistemas de producción. Sí que los desarrolladores tenían una decisión. Semantic Kernel era estable y listo para empresas, pero carecía de patrones de orquestación avanzados. Autogen tenía las geniales capacidades multiagente, pero no era algo que ejecutarías en un entorno real. Cada uno tenía su propia curva de aprendizaje, su propia forma de hacer las cosas y su propia comunidad. Y no era solo Microsoft. Surgieron otros marcos. Langchain, CREW y una docena más. El ecosistema estaba por todas partes. Si querías crear agentes en el trabajo, tenías que convertirte en experto en un mundo que cambia rápidamente.

¿Qué marco de trabajo aprende? ¿Cuál sobrevivirá? ¿A cuál está apoyando realmente Microsoft? Para un principiante era abrumado. Imagina que eres un desarrollador en una empresa que explora agentes de IA. Investiga si encuentras cinco marcos diferentes, cada uno con su propia documentación, sus patrones y su comunidad. No sabes por dónde empezar. No sabes en cuál apostar tu tiempo. Esa fragmentación creó una barrera real. No se trataba solo de aprender una herramienta, sino de apostar por todo un ecosistema. A medida que los casos de uso de agentes pasaban de experimentos a procesos empresariales reales, Microsoft se dio cuenta de que esto no era sostenible. Necesitaban un marco de trabajo, un enfoque unificado, una respuesta a la pregunta ¿cómo construye un agente? ¿Qué es Microsoft Agent Framework? Sí que Microsoft tomó los dos marcos que tenía, Semantic Kernel y Autoshin, y los combinó en uno solo.

El resultado es Microsoft Agent Framework, un SDK unificado que reúne la estabilidad empresarial de Semantic Kernel con los patrones multiagente de vanguardia de Autoshin. Los equipos que crearon esos dos marcos ahora trabajan juntos en este. Este marco se lanzó en versión preliminar a finales de 2025 y alcanzó la versión 1.0 en julio de 2026. Esa línea de tiempo es importante porque te indica que esto no es un proyecto de investigación o un experimento. Es un producto para producción. Microsoft está diciendo, construyan sus sistemas reales sobre esto. También de código abierto. Puedes encontrarlo en GitHub con más de 7000 estrellas y más de 100 colaboradores. La comunidad activa. Hay sesiones de consultas semanales donde puedes hablar directamente con el equipo de ingeniería. Eso no es algo que obtengas con un producto cerrado. El marco de trabajo admite Python y Tontamed como lenguajes de primera clase.

Tanto si eres desarrollador de C-Shar como de Python, obtienes la misma experiencia. Y eso es muy importante porque muchos marcos de IA son exclusivos para Python. Microsoft tomó la decisión deliberada de tratar ambos lenguajes por igual. Aquí hay algo que podría sorprender. El marco admite más de 7 proveedores de modelos diferentes. Microsoft Foundry, Azure OpenAI, OpenAI, Anthropic Cloud, Amazon Bedrock, Google Gemini e incluso modelos locales mediante Oyama. Escribe la lógica de tu agente una vez y funcionan todos ellos. No estás limitado a un solo proveedor. Cambia de OpenAI, Anthropic y solo modificas un valor de configuración, no toda tu base de código, no toda tu base de código. El marco tiene dos componentes principales. Su agente son los bloques de construcción, unidades de razonamiento individuales que pueden pensar y actuar. Los flujos de trabajo son la capa de orquestación que vincula a varios agentes.

Puedes tener un agente haciendo una tarea o todo un equipo trabajando en un proyecto complejo. También existe algo llamado definiciones declarativas. Defines el comportamiento de un agente en un archivo YAM. Eso significa que la configuración de tu agente puede controlarse por versiones. Ponlo en Git, revísalo en solicitudes de extracción y despígalo a través de tu vería CD. A los equipos empresariales es una ventaja, no. Pero esto es lo que quiero que entiendas. Este marco no es solo para desarrolladores que crean sistemas complejos. Está diseñado para escenarios empresariales. La seguridad, el cumplimiento, la observabilidad y las aprobaciones con intervención humana están integradas, no añadidas como Next. Y eso es lo que lo hace diferente a los marcos de trabajo experimentales anteriores. Los componentes básicos. Agentes, herramienta, memoria y flujos de trabajo. Desglosemos los cuatro conceptos fundamentales.

Si dominas esto, entenderás el 90% de lo que hace este marco de trabajo. Primero los agentes. Son la unidad fundamental. Cada agente tiene un nombre, un conjunto de instrucciones y acceso a herramientas. Es una unidad de razonamiento que puede pensar y actuar. Dices quién es, qué debe hacer y qué recursos puede utilizar. Todo lo demás surge de ahí. Lo siguiente era esa herramienta. Son las manos del agente, funciones, API o servicios externos que puede llamar, como datos meteorológicos, acceso al calendario, consultas de bases de datos o archivos. El agente no sabe cómo hacer estas cosas por sí mismo. Necesita herramientas para interactuar con el mundo y tomar medida. Puedes escribir funciones simples tú mismo o pueden ser servidores MSP, el protocolo de contexto del modelo. Es una forma estándar de conectar agentes a servicios externos. Piénsalo como un enchufe universal. Si un servicio admite MSP, tu agente puede usarlo sin código de integración personalizado.

Luego está la memoria. Es el almacenamiento del cerebro. Existen dos tipos. La memoria de sesiones a corto plazo. Recuerda lo que sucedió durante una sola conversación. Los proveedores de contexto son a largo plazo. Recuerdan preferencias y hechos a través de múltiples conversaciones. La memoria es lo que hace que una gente parezca inteligente. Sin ella, cada interacción comienza desde cero. Te presentas y la próxima vez que hablas, ya lo olvidado. Con memoria, la gente sabe quién eres, qué han discutido y qué te importa. Es la diferencia entre hablar con un extraño o con un colega que conoce tu trabajo. Finalmente, los flujos de trabajo. Es la capa de orquestación donde defines a múltiples agentes trabajando juntos. Los flujos pueden ser secuenciales. Paso A y luego paso B. Pueden ser concurrentes. Con agentes trabajando en paralelo en distintas partes del mismo problema. O condicionales.

Si sucede esto, ve aquí. Si sucede aquello, ve allá. Los flujos de trabajo también admiten puntos de contra. Si algo falla a mitad del proceso, el sistema puede retomar desde donde se quedó. No vuelve a empezar. Esto es importante para tareas largas que pueden llevar horas o incluir varios pasos. Los patrones de intervención humana también están integrados. Los agentes pueden pausar y pedir aprobación antes de realizar acciones sensibles. Si un agente está a punto de enviar un correo o aprobar un pago, puede detenerse y esperar a que un humano diga que sí. Esto es esencial para la industria regular. Aquí tienes un ejemplo del mundo real. Imagina a un agente de preparación de ventas. Tienes una reunión con un cliente mañana. Le dices a la gente, ayúdame a preparar. Revisa tu calendario para confirmar la hora. Extrae datos del CRM para ver la historia del equipo. Busca en materiales de marketing casos de estudios relevantes.

Genera un documento informativo y una presentación de PowerPoint. Todo sin que hagas nada. Eso no es un chat. Eso es un agente. ¿Por qué debería importar? El valor práctico. Ya entiendes que es el marco de trabajo. Pero la pregunta es, ¿por qué debería importarte si no eres un desarrollador que crea sistemas de... La respuesta es que este marco no vive solo en la terminal de un desarrollador? Potencia las herramientas con las que los usuarios empresariales interactúan. Los agentes creados con este marco pueden publicarse directamente en Microsoft Teams y en el chat de Copilot. Eso significa que los agentes de tu organización viven donde ya trabajas. No necesitas instalar una aplicación a parte de recordar un inicio de sesión nuevo ni pasar por una curva de aprendizaje. Solo abre Teams y el agente está ahí. Para los responsables de TI, la toma de decisiones empresariales es aún más importante.

El marco proporciona controles empresariales que realmente importan. Obtienes gestión de identidades a través de EntraID, controles de acceso para que los agentes solo vean lo que deben, registros de auditoría para saber qué hizo cada agente y cuándo y gobernanza de datos para que la información sensible permanezca protegida. Aquí hay un problema en el que quizá no hayas pensado. La IA en la sombra es real. Los empleados usan herramientas de IA no autorizadas a diario, pegando datos de la empresa en chatbots públicos, subiendo documentos sensibles a servidores desconocidos y esperando que todo salga bien. Los equipos de TI saben que esto ocurre, pero no pueden detenerlo simplemente prohibiendo herramientas. La gente encontrará manera. Este marco le da a TI una forma de ofrecer agentes aprobados y seguros que siguen siendo modernos. En lugar de decirles a los empleados, no usen IA, puedes decir, usen a estos agentes en su lugar.

Son seguros, están bajo control, trabajan con sus datos. También existe el problema de la proliferación de agentes y esto ocurrió. Los equipos están creando agentes más rápido de lo que alguien puede rastrear. El marco te ofrece un lugar único para gestionar, supervisar y gobernar a todos ellos. Puedes ver qué agentes están utilizando, cuáles están acumulando polvo y cuáles necesitan atención. La visibilidad de costos es de otro factante. Puedes ver exactamente cuánto cuesta ejecutar cada agente, cuáles son costosos, cuáles son eficientes y dónde optimizar. Eso no es algo que obtengas con una colección de herramientas y scripts aleatorios. En conclusión, este marco hace que los agentes de IA sean prácticos, seguros y manejables para organizaciones reales. No se trata solo de crear tecnología avanzada, sino de construir algo que funcione en un negocio real con restricciones reales, seguridad, cumplimiento presupuesto y gobernanza.

Si eres responsable de alguno de estos aspectos, este marco de trabajo es importante para ti. ¿Cómo encaja en el panorama general? Entonces, ¿dónde encaja realmente el marco de trabajo para gente? No es un producto independiente, es una pieza de un rompecabezas mucho mayor. Veamos cómo se conecta. Empecemos con Azure y Foundry. Piénsalo de esta manera. El marco de trabajo es cómo construyes tus agentes y Foundry. Es donde viven y se ejecutan. ¿Encaldía todo el trabajo pesado? ¿Infraestructura, escalabilidad, monitoreo y seguridad? Construyes localmente e implementas en Foundry y tus agentes se ejecutan en un entorno de producción con controles empresariales. Ahora, si no eres desarrollador, tienes otra opción, Copilot Studio. Este es el camino de bajo código. Utilizas una interfaz visual para definir qué hace tu agente, conectarlo a fuentes de datos y publicarlo en Teams. No se requiere código.

El marco de trabajo para agentes es para desarrolladores que desean control top. Se complementa de sí. Necesitas finalización. Usa el marco de trabajo. Necesitas avanzar. Usa Copilot Studio. Luego está Microsoft 365 Copilot, el lado orientado al usuario. Los agentes creados con el marco de trabajo pueden aparecer directamente dentro de Copilot. Así, los usuarios interactúan con ellos a través de una interfaz familiar y el mismo Copilot que ya usan para trabajar. No hay herramientas nuevas que aprender ni flujos de trabajo nuevos que no. Pero aquí es donde brilla el valor real, la capa de inteligencia. Tiene entre partes. WorkIQ se conecta a tus datos personales. Correo, calendario y chats. FoundryIQ se conecta al conocimiento organizacional, documentos, políticas y recursos compartidos. Y FabricIQ se conecta a datos de negocio, cifras de venta, registros de clientes y métricas operativas.

Sus agentes pueden obtener información de los tres. Eso es lo que los hace verdaderamente uno. No solo responden preguntas generales, tienen contexto. Saben quién eres, en qué estás trabajando y qué datos son importantes para tu negocio. Cuando un agente prepara un documento informativo para una reunión de ventas, no está adivinando. Estás extrayendo datos de tu calendario, tus CRM, tus materiales de marketing y la base de conocimientos de tu empresa, todo en una sola solicitud. Todo funciona con el modelo de seguridad de Microsoft. Entra ID para identidad, Intune para gestión de dispositivos y Defender para protección contra amenazas. Si tu organización ya usa estas herramientas, el marco de trabajo encaja perfectamente. No es necesario crear una capa de seguridad independiente. Para las organizaciones que ya utilizan Microsoft 365, Azure y Power Platform, este marco de trabajo es el siguiente paso natural.

No estás empezando desde cero. Estás extendiendo lo que ya tienes. ¿La visión a largo plazo? Siempre. Si agentes serán tan comunes como las aplicaciones. Cada proceso empresarial tendrá una capa de agentes, no para reemplazar a las personas, sino para ayudarlas a trabajar más rápido con mejor información y menos tareas repetitivas. Este marco de trabajo es cómo construyes esa capa. Para empezar, tu primer paso. ¿Qué tiene la buena noticia? No necesitas ser un experto en IA para comenzar. Hay dos caminos. El camino no-code es Copilot Studio. Interfaz visual, arrastrar, soltar, configurar sin necesidad de código. Puedes tener algo funcionando en horas, no en días. Si tu objetivo es resolver un problema de negocio específico rápido, este es tu camino. El camino con código es el marco de trabajo para agentes. Instalas los paquetes para Python o Python.net y usas la extensión de VS Code. Y vale la pena hablar de la extensión porque incluye habilidades potenciadas por IA.

Le dice lo que quieres. Crea un agente de preparación de ventas que revise mi calendario y obtenga datos del CRM y creará la estructura de todo el proyecto para ti. Código, archivos de configuración, todo. No es una página en blanco. Es una ventaja inicial. La extensión también incluye algo llamado inspector de agentes. Esta es una herramienta visual que te muestra lo que hace tu agente en tiempo real paso a paso a paso. Puedes verlo pensar. Puedes ver qué herramienta está llamando. Puedes ver dónde se está quedando atascado. Es como tener un depurador que habla en lenguaje sencillo. Si ya estás usando Semantic Kernel o Autogen, hay asistentes de migración que analizan tu código existente y generan un plan de migración paso a paso. No tienes que empezar desde cero. El marco de trabajo es de código bien. El repositorio de GitHub está en github.com de a la Microsoft Learning Framework. Ejemplos, documentación, foros de discusión, todo está ahí.

La comunidad es activa. Hay sesiones de consultas semanales donde puedes hablar directamente con el equipo de ingeniería. Eso no es algo que obtengas con la mayoría de los marcos de trabajo. El mensaje clave es este. Piensa poco o poco. Construye un solo agente que haga una cosa útil. Tal vez revise tú. Tal vez resuma tus correos electrónicos. Tal vez busque información de cliente. Mira qué te parece. Luego escala. Lo más importante es entender los conceptos. Y de eso se trata de este episodio. Déjame concluir uniendo estas piezas. Un agente no es un chatbot. Es un sistema que piensa, decide y actúa por sí mismo. El marco de trabajo existe porque construir agentes a la antigua significaba lidiar con herramientas y marcos incompatibles que no se comunicaban entre sí. Esa fragmentación hacía que todo fuera confuso. Así que Microsoft construyó una forma de crear, una forma de implementar y una forma de administrar.

Ya no más cambios entre marcos de trabajo ni unir piezas que no encajan. Para principiantes, esta es la idea clave. Los agentes de IA no son mágicos. Son sistemas estructurados que razonan, usan herramientas y recuerdan el contexto. Microsoft les dio un marco completo para construirlos y está listo para producción ahora mismo. Entonces, publicidad será. Los agentes se están convirtiendo en parte normal de cómo trabajamos, igual que las apps y las web hace años. Las herramientas están aquí, la comunidad es activa y tu primer agente está más cerca de lo que crees. Si quieres explorar más, comienza con el repositorio de GitHub y la extensión de Voice Code. Suscríbete en tu plataforma de podcast favorita y comparte esto con alguien que empiece su camino.