https://orcid.org/0000-0003-3314-8768
.jpeg)
Por: Aldo Zanabria
Durante más de una década dedicada a la investigación y desarrollo de sistemas basados en inteligencia artificial, he sido testigo de una transformación silenciosa pero profunda. A menudo, se percibe la IA como una competencia entre tecnologías: nuevos modelos reemplazando a los antiguos, algoritmos “más inteligentes” desplazando a los anteriores. Sin embargo, la realidad es mucho más orgánica y compleja. La verdadera inteligencia no nace de la competencia, sino de la integración de tres capas complementarias: el razonamiento, la memoria y la acción.
Los Modelos de Lenguaje Extensos (LLM) representan la primera capa: el pensamiento. Son sistemas capaces de comprender, razonar y generar conocimiento con una capacidad lingüística que antes era patrimonio exclusivo del ser humano. Sin embargo, estos modelos están congelados en el tiempo. Su conocimiento se limita a la fecha de su último entrenamiento. Pueden escribir y explicar, pero no perciben el presente ni adaptan su conocimiento a nuevas realidades. Por eso, su valor depende de nuestra capacidad para guiarlos, contextualizarlos y mantenerlos dentro de los límites del pensamiento crítico.
Ahí surge la segunda capa: el RAG (Retrieval-Augmented Generation), una arquitectura que dota a la inteligencia artificial de memoria viva. A través del RAG, los sistemas no solo generan texto o análisis, sino que acceden a información actual y verificable desde bases de datos, APIs o la web. Este enfoque no sustituye al modelo, sino que lo fortalece, permitiéndole razonar sobre hechos reales. En la práctica, el RAG convierte la especulación en evidencia, y la respuesta generada en un conocimiento trazable y fundamentado. Esta es una de las mayores revoluciones conceptuales en la era del conocimiento digital.
Finalmente, en la tercera capa, encontramos a los agentes de IA, estructuras capaces de decidir, ejecutar y aprender de la experiencia. Un agente no solo responde una pregunta; interpreta un objetivo, planifica sus pasos, actúa y evalúa sus resultados. Este ciclo convierte a la IA en un colaborador activo, no en una simple herramienta. En la frontera entre la automatización y la autonomía, los agentes representan el puente hacia los sistemas que investigan, redactan, corrigen y mejoran de manera continua.
La lección es clara: la inteligencia artificial no puede reducirse a un único modelo o algoritmo. Su verdadera potencia radica en la sinergia entre las tres capas. Los LLM piensan, el RAG recuerda y los agentes actúan. Esta triada marca el inicio de una nueva etapa en la evolución tecnológica: aquella en la que las máquinas aprenden a pensar con contexto, a razonar con evidencia y a ejecutar con propósito.
Para mis estudiantes e investigadores jóvenes, el desafío está en mirar más allá de la herramienta y comprender el principio que la sostiene. La IA no se domina con comandos, sino con comprensión profunda. Investigar es atreverse a preguntar, experimentar y construir sistemas que no solo procesen datos, sino que generen conocimiento significativo. El futuro de la inteligencia artificial —y de la educación misma— no está en las máquinas que aprenden, sino en las mentes humanas que las enseñan a pensar.
Fuentes:
Naveed, H. et al. (2023). A comprehensive overview of large language models (LLMs). arXiv. Recuperado de https://arxiv.org/pdf/2307.06435
James, A. (2025). Retrieval-Augmented Generation to generate knowledge assets. Applied Sciences, 15(11), 6247. https://www.mdpi.com/2076-3417/15/11/6247
Merritt, R. (2025, 31 Enero). What is Retrieval-Augmented Generation (RAG)?. NVIDIA Blog. https://blogs.nvidia.com/blog/what-is-retrieval-augmented-generation/
Singh, A. (2025). Agentic Retrieval-Augmented Generation (AgenticRAG). arXiv pre-print. https://arxiv.org/abs/2501.09136
Fang, Jinyuan; Peng, Yanwen; Zhang, Xi; et al. (2025). A Comprehensive Survey of Self-Evolving AI Agents: A new paradigm bridging foundation models and lifelong agentic systems. arXiv. https://arxiv.org/abs/2508.07407
Zeng, Wei; Zhu, Hengshu; Qin, Chuan; et al. (2025). Application-Driven Value Alignment in Agentic AI Systems: Survey and Perspectives. arXiv. https://arxiv.org/abs/2506.09656
Yu, Chaojia; Cheng, Zihan; Cui, Hanwen; et al. (2025). A Survey on Agent Workflow – Status and Future. arXiv. https://arxiv.org/abs/2508.01186
Du, Hung; Thudumu, Srikanth; Vasa, Rajesh; et al. (2024). A Survey on Context-Aware Multi-Agent Systems: Techniques, Challenges and Future Directions. arXiv. https://arxiv.org/abs/2402.01968
Piccialli, F.; Chiaro, D.; Sarwar, S.; et al. (2025). AgentAI: A comprehensive survey on autonomous agents in distributed AI for Industry 4.0. Expert Systems with Applications. https://www.sciencedirect.com/science/article/pii/S0957417425020238
Russell, S. J. & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Prentice Hall. Disponible en línea: https://aima.cs.berkeley.edu/
Ver el perfil de Aldo Hernán Zanabria Gálvez