El debate sobre qu\u00e9 es realmente un \"agente\" de inteligencia artificial est\u00e1 cobrando forma en la literatura especializada. Un reciente art\u00edculo en arXiv, titulado \"Cr\u00edtica del Modelo de Agentes\", aborda esta pregunta en medio de la proliferaci\u00f3n de sistemas basados en grandes modelos de lenguaje (LLM) que se anuncian como \"agentes de c\u00f3digo\", \"coci\u00e9nticos de IA\" u otras herramientas \"agentivas\". Mientras algunos conf\u00edan en que estos sistemas aumentar\u00e1n la productividad, otros advierten sobre riesgos existenciales, como una posible \"agencia de m\u00e1quinas\" que escapara al control humano.\n\nEl trabajo toma como punto de partida la visi\u00f3n cartesiana de que la agencia se fundamenta en el pensamiento independiente y las representaciones ficticias de seres aut\u00f3nomos. A partir de ah\u00ed, los autores examinan el panorama actual de los agentes de IA a trav\u00e9s de cinco dimensiones clave: objetivo, identidad, toma de decisiones, autorregulaci\u00f3n y aprendizaje. Sostienen que una agencia genuina exige que estas estructuras est\u00e9n *internalizadas* dentro del sistema, en lugar de ser ensambladas mediante procesos externos. Esta distinci\u00f3n entre sistemas \"agentic\" (cuya competencia se basa en flujos de trabajo dise\u00f1ados) y sistemas \"agentive\" (cuya capacidad, incluida la interacci\u00f3n social, surge de manera end\u00fgena) define la frontera entre herramientas para tareas prescritas y verdaderas autonom\u00edas operativas en el mundo abierto.\n\nPara materializar esta visi\u00f3n, los autores proponen la Arquitectura Goal-Identity-Configurator (GIC). GIC combina una descomposici\u00f3n jer\u00e1rquica de objetivos, una evoluci\u00f3n din\u00e1mica de la identidad del agente, un razonamiento simulativo basado en un modelo del mundo entrenado por separado, una autorregulaci\u00f3n aprendida y un aprendizaje autodirigido a partir de experiencias tanto reales como simuladas. Esta propuesta no s\u00f3lo busca crear un modelo de agente de uso general, sino tambi\u00e9n ofrecer un marco pr\u00e1ctico para evaluar la auditabilidad, la controlabilidad y la seguridad de sistemas con mayor autonom\u00eda, manteniendo siempre la supervisi\u00f3n humana como salvaguarda.\n\nLa discusi\u00f3n sobre GIC resalta los desaf\u00edos t\u00e9cnicos que implican un agente m\u00e1s aut\u00f3nomo: garantizar que los modelos del mundo sean robustos y transparentes, que los mecanismos de autorregulaci\u00f3n eviten derivas indeseadas y que los procesos de aprendizaje puedan ser rastreados y corregidos. Los autores argumentan que, si bien una mayor agencia puede potenciar la productividad y la innovaci\u00f3n, tambi\u00e9n aumenta la necesidad de marcos regulatorios y t\u00e9cnicos que permitan una supervisi\u00f3n significativa sin sofocar el desarrollo.\n\nEste an\u00e1lisis es relevante tanto para los profesionales que dise\u00f1an sistemas de IA como para los responsables pol\u00edticos que deben equilibrar el impulso innovador con la protecci\u00f3n social. Al clarificar d\u00f3nde termina la simple automatizaci\u00f3n y empieza una verdadera agencia, el art\u00edculo contribuye al debate sobre c\u00f3mo construir sistemas capaces de operar en entornos complejos, al tiempo que mitiga los riesgos asociados con una autonom\u00eda mal gestionada. En un momento en que la IA se integra en procesos clave de la econom\u00eda digital, comprender y definir estos l\u00edmites es esencial para un futuro seguro y productivo.