¿Qué es un agente de IA y por qué debería importarte?

Si trabajas en un hospital o en un centro de investigación, probablemente ya hayas usado ChatGPT para resumir un artículo o redactar un informe. Eso no es un agente. Un agente de IA es otra cosa: es un sistema que no se limita a responder preguntas, sino que percibe, razona, planifica, usa herramientas y actúa de forma autónoma para completar una tarea compleja.

En investigación clínica, esto abre posibilidades muy concretas: un agente que monitoriza la literatura PubMed cada día, filtra los artículos relevantes para tu área, extrae los datos clave y te los presenta resumidos antes de que te tomes el café. Otro que rastrea la toxicidad de tus pacientes en tratamiento y te alerta si algo se sale de lo esperado. O uno que, cuando recibes un preview de un congreso, busca los abstracts que encajan con tus líneas de investigación y te los ordena por relevancia.

La Guía para el uso académico de la inteligencia artificial de la Biblioteca de la UNED dedica una sección completa a los agentes, y merece la pena entender qué dice — y cómo aplicarlo al mundo real de la oncología y la investigación clínica.

La arquitectura básica (lo que necesitas saber)

Un agente de IA tiene cinco componentes, y entenderlos es el primer paso para diseñar algo que funcione de verdad:

• LLM o modelo de razonamiento — el cerebro. Decide qué hacer basándose en lo que le pides y en lo que sabe.
• Herramientas (tools) — lo que el agente puede hacer fuera de sí mismo: buscar en PubMed, leer un PDF, consultar una base de datos, ejecutar código.
• Planificador — la lógica que descompone una tarea compleja en pasos manejables. «Primero busco el PMID, luego extraigo los datos, luego resumo.»
• Ejecutor — lleva a cabo las acciones decididas.
• Memoria — contexto de la conversación actual (memoria a corto plazo) más conocimiento persistente (memoria a largo plazo: tus papers favoritos, tus pacientes, tus criterios de toxicidad).

El flujo típico es circular: el LLM recibe una petición → decide qué herramientas necesita usar → ejecuta → recibe resultados → actualiza su memoria → decide si necesita otro ciclo o ya puede responder. Esto es lo que diferencia a un agente de un chat normal.

El estándar MCP: por qué importa

Hasta hace poco, cada agente se conectaba a las herramientas de forma ad hoc: si querías que tu agente hablara con PubMed, escribías código específico para la API de PubMed. Si luego querías que también consultara tu base de datos local, escribías otro código. Esto funcionaba, pero era frágil y difícil de mantener.

El Model Context Protocol (MCP), desarrollado por Anthropic y ya recogido en la guía de la UNED, propone un estándar: cualquier servidor MCP puede hablar con cualquier cliente MCP. Es como tener un enchufe universal para tus herramientas.

En la práctica, esto significa que puedes diseñar tu agente una vez y conectarlo a diferentes fuentes de datos sin reescribir nada. Un servidor MCP para PubMed, otro para tu gestor de pacientes, otro para el visor de imágenes médicas — y tu agente los usa todos porque hablan el mismo protocolo.

Cómo diseñar tu primer agente clínico (paso a paso)

### 1. Define el dominio y el alcance

El error más común es querer hacer un agente que haga de todo. No funciona. Empieza pequeño: «un agente que cada mañana me traiga los tres artículos más relevantes publicados en mi área en las últimas 24 horas.» Eso es un alcance concreto, medible y útil.

### 2. Elige las herramientas

Para un watchdog bibliográfico necesitas: búsqueda en PubMed (vía API), capacidad de leer abstracts, un filtro semántico que sepa qué es «relevante para ti», y un sistema de memoria para no repetir artículos. La guía UNED enumera herramientas como Elicit, SciSpace o Consensus para tareas similares, pero para un agente autónomo necesitas acceso programático.

### 3. Define los criterios de relevancia

Esto es lo que marca la diferencia. No es lo mismo «artículos sobre cáncer de mama» que «ensayos fase 3 en cáncer de mama HR+/HER2− con inhibidores CDK4/6 en adyuvancia». Cuanto más precisos sean tus criterios, menos ruido llegarás a ver. Puedes usar un segundo modelo pequeño (un «routers») para clasificar los resultados antes de que lleguen a ti.

### 4. Decide el formato de salida

¿Un resumen de 3 líneas? ¿Una tabla con los endpoints principales? ¿Un briefing narrativo? Diseña la salida antes de construir el agente. Te ahorrarás iteraciones.

### 5. Elige la plataforma

La guía UNED menciona tres opciones principales:

• Flowise — plataforma low-code visual, buena para prototipar sin programar
• Langflow — similar a Flowise, más integrado con LangChain
• Arquitectura propia — máxima flexibilidad, pero requiere más trabajo

Para un entorno hospitalario, donde los datos de pacientes no pueden salir, la arquitectura propia con modelos locales suele ser la única opción realista. Aquí el MCP se vuelve especialmente útil porque permite conectar componentes sin exponer datos sensibles.

Errores que he visto (y que deberías evitar)

• Alucinaciones en contexto clínico: un agente que inventa una referencia bibliográfica no es un error menor — es un riesgo. Siempre verificar fuentes.
• Sobre-autonomía: que el agente pueda actuar por su cuenta está bien para buscar literatura, pero no para interpretar resultados de pacientes sin supervisión.
• Sin memoria: un agente que cada día te recomienda el mismo artículo porque no recuerda que ya te lo mostró es peor que no tener agente.
• Demasiado ambicioso: empezar queriendo un agente que haga diagnóstico diferencial, búsqueda bibliográfica y gestión de agenda. Empieza por una tarea.

Para llevar a casa

Los agentes de IA no son una promesa futura. Son algo que puedes construir hoy, con herramientas que ya existen, y que pueden ahorrarte horas de trabajo repetitivo cada semana. La clave está en empezar pequeño, definir bien el alcance, y tener claros los criterios de calidad clínica desde el día uno.

La guía de la UNED es un excelente punto de partida para entender el ecosistema. El resto es cuestión de ponerse a construir — y de no olvidar que, en clínica, el criterio final siempre es humano.

Soy Javier Pumares, oncólogo médico en el Centro Oncológico de Galicia. Escribo aquí sobre la intersección entre oncología, inteligencia artificial y práctica clínica real. Si te ha parecido útil, puedes seguirme en LinkedIn o suscribirte al blog en ppj.es.