Un agente de IA es un asistente configurable que combina un rol explícito, un conjunto de reglas y un contexto de apoyo (archivos, ejemplos o guías) para realizar tareas específicas con consistencia. Un agente bien diseñado mantiene el foco en un propósito concreto, aplica criterios estables y facilita la trazabilidad de las respuestas al permitir fijar fuentes y materiales de referencia. Esta especialización lo convierte en una pieza útil para la docencia y la investigación, pues reduce la variabilidad entre sesiones y permite compartir su uso mediante un enlace con estudiantes y colaboradores.
Los agentes son especialmente valiosos cuando buscamos consistencia normativa (por ejemplo, en estilos de citación), cuando nos enfrentamos a tareas repetitivas que requieren un formato estable o cuando queremos guiar al alumnado en procesos complejos como la metodología o la lectura crítica. En cambio, no son adecuados para decisiones que exigen verificación rigurosa sin acceso a fuentes trazables, para el tratamiento de datos sensibles no anonimizados o para tareas que dependen del juicio humano.
El “esqueleto” de un buen agente es sencillo: un rol o propósito claro (“qué hace y para quién”), reglas que marquen límites y estilo, datos de apoyo que sostengan la precisión (rúbricas, plantillas, glosarios), herramientas declaradas y acotadas (búsqueda, lectura de PDF, citación) y una salida esperada definida con detalle (formato, secciones, ejemplos).
Los agentes son una pieza del futuro de la IA debido a su capacidad para conectarse a datos, herramientas y servicios del ecosistema académico (catálogos, bases de datos, repositorios, correo/calendario, LMS, etc.). Estándares emergentes como Model Context Protocol (MCP) permiten que un agente interactúe de forma estandarizada con APIs y recursos locales o en la nube —igual que un “traductor universal” entre el modelo y las herramientas—, lo que habilita flujos más ricos: consultar varias fuentes, ejecutar acciones verificables y devolver resultados trazables dentro de un mismo diálogo. A medida que estas integraciones se consoliden, veremos agentes que combinan análisis y acción con criterios de seguridad y control institucional, acercando la automatización fiable al trabajo académico cotidiano.
El diseño de los agentes puede llevarse a cabo mediante agentes personalizados y herramientas de automatización.
Agentes personalizados
Microsoft Copilot Studio
Copilot Studio ofrece un entorno gráfico para crear copilots integrados con Microsoft 365 y otros sistemas corporativos mediante conectores, políticas de seguridad y gestión de identidades. Su propuesta de valor no es solo la creación del asistente, sino el marco institucional: control de acceso, reglas de prevención de pérdida de datos, publicación en Teams, SharePoint o web, y reutilización de fuentes internas con permisos.
OpenAI GPTs (GPTs personalizados)
Los GPTs son asistentes configurables que puedes crear en minutos: defines rol, reglas, adjuntas conocimiento (archivos, guías, plantillas) y, si procede, activas herramientas. Se comparten por enlace y resultan especialmente útiles para casos de uso finales como formateo de referencias o generación de resúmenes. Su mayor virtud es la rapidez de prototipado y difusión entre estudiantes y profesorado.
Flowise
Flowise es una herramienta open source que permite crear agentes de IA a través de un entorno visual muy intuitivo, basado en nodos y conexiones. Utiliza la tecnología de LangChain para combinar modelos de lenguaje, memorias, fuentes de datos y herramientas externas en un mismo flujo. Puede alojarse en servidores institucionales, lo que brinda mayor control sobre la privacidad y la configuración. Su principal utilidad en entornos universitarios es el diseño de asistentes especializados o agentes de recuperación de información (Retrieval Augmented Generation, RAG) conectados a bases de datos académicas.
Langflow
Langflow es una plataforma gráfica también de código abierto que simplifica el diseño de agentes basados en LangChain sin necesidad de programación. Su interfaz visual permite arrastrar y conectar componentes —entradas, modelos, memorias, fuentes de conocimiento o herramientas—, creando flujos personalizados con rapidez. Además, incorpora soporte para el estándar Model Context Protocol (MCP), que facilita la conexión de los agentes con múltiples fuentes y APIs de manera segura y trazable.
Herramientas de automatización
Make
Make es un orquestador visual de flujos que permite encadenar acciones entre cientos de servicios (formularios, hojas de cálculo, gestores de contenido, correo, webhooks) con muy poca programación. Su fortaleza está en convertir procesos repetitivos en escenarios reproducibles y auditables: por ejemplo, tomar entradas de un formulario, limpiarlas, enriquecerlas con un modelo de IA y depositarlas en una hoja de cálculo.
n8n
n8n es una alternativa open-source, autoalojable, pensada para automatizaciones avanzadas con un ecosistema muy amplio de conectores. Además de los nodos clásicos (HTTP, bases de datos, hojas de cálculo, correo), incorpora nodos de IA y “AI Agent” que permiten dotar al flujo de un pequeño “cerebro” capaz de elegir qué herramienta usar según la tarea. Esto habilita agentes prácticos con logs, control de permisos y despliegue en servidores de la institución.
La versión de pago de ChatGPT permite crear GPTs personalizados: agentes configurables mediante instrucciones detalladas para un objetivo concreto (p. ej., resumir textos, proponer hipótesis o formatear referencias). Puedes adjuntar archivos y referencias como contexto para aumentar la relevancia y precisión. Además, se comparten por enlace, de modo que colegas y estudiantes pueden usarlos desde sus cuentas gratuitas.
A modo de ejemplo, se presenta el siguiente prompt para un agente especializado en formatear referencias bibliográficas:
Actúa como un experto en normativas de citación académica, con profundo conocimiento de estilos como APA, MLA, Chicago, Vancouver, IEEE, entre otros.
Heurísticas a seguir:
Prioriza la precisión tipográfica: Asegúrate de que todos los elementos estén puntuados y formateados exactamente según el estilo especificado (cursivas, comillas, paréntesis, etc.).
Autocompleta solo si es seguro: Si una referencia está incompleta, intenta completarla solo si puedes confirmar la fuente en bases confiables como Crossref, Google Scholar o el sitio editorial. De lo contrario, usa un marcador como: [falta el año], [falta el DOI].
Abrevia títulos de revistas si el estilo lo requiere: Por ejemplo, en estilos como Vancouver o IEEE, utiliza abreviaciones oficiales de las revistas (según listas como NLM Catalog o ISO 4). Si no estás seguro, mantén el título completo y marca con [verificar abreviatura].
Tu tarea es formatear correctamente un listado de referencias bibliográficas según el estilo de citación que se especifique en la consulta. Aplica con precisión las normas del estilo, incluyendo:
Puntuación y formato (cursivas, uso de comillas, etc.)
Orden de los elementos: autor, año, título, fuente, etc.
Orden alfabético o numérico según el estilo. Alfabéticamente por autor (APA, MLA, Chicago…) Numéricamente (Vancouver, IEEE…)
Inclusión de DOI o enlaces cuando sea requerido
Adapta correctamente los nombres de autores iniciales y formato (apellido, inicial; orden, etc.), así como los años de publicación.
Abrevia el título de las revistas en caso de que el estilo lo exija.
Salida esperada:
Una lista de referencias formateadas y ordenadas según el estilo indicado, lista para copiar y pegar en un trabajo académico.
Si alguna referencia está incompleta, marca claramente el dato faltante con: [falta el año], [falta el DOI], etc.
[rol] [reglas] [tarea] [formato]
El profesor Antonio Julio López Galisteo, de la Universidad Rey Juan Carlos (URJC), ha desarrollado GPT master maker, un asistente de inteligencia artificial que ayuda a mejorar y perfeccionar las instrucciones de los asistentes que se deseen diseñar