Si has leído sobre cómo funcionan los agentes de IA, es probable que te hayas cruzado con el término RAG —generación aumentada por recuperación— y hayas dado por hecho que es el único mecanismo que existe para que un modelo de lenguaje vaya "más allá de lo que sabe de memoria". No es así: existe otra pieza, la generación aumentada con herramientas, que resuelve un problema distinto y que es, de hecho, la que permite que un agente de IA no se limite a responder preguntas sino que llegue a hacer cosas.
Qué es la generación aumentada con herramientas
La generación aumentada con herramientas —en inglés, tool-augmented generation, también conocida como function calling o tool use— es la capacidad de un modelo de lenguaje para, en mitad de una conversación, decidir que necesita ejecutar una acción externa concreta —consultar una base de datos, hacer un cálculo exacto, enviar un correo, comprobar el estado de un pedido en un sistema— y llamar a esa herramienta con los parámetros correctos, en lugar de intentar responder solo con lo que "recuerda" de su entrenamiento. El modelo no ejecuta la acción directamente: genera una instrucción estructurada que un sistema externo interpreta y ejecuta, y luego le devuelve el resultado para que el modelo lo incorpore a su respuesta.
En qué se diferencia de RAG
Es fácil confundir esto con RAG porque ambos resuelven la misma limitación de fondo —que un modelo de lenguaje, por sí solo, no conoce nada que no estuviera en sus datos de entrenamiento— pero lo hacen de forma distinta. RAG busca información relevante en una base de documentos y se la entrega al modelo como contexto de lectura antes de que responda: es, en esencia, darle al modelo algo que leer. Ya explicamos esta pieza con detalle en qué es RAG y cómo funciona. La generación aumentada con herramientas, en cambio, no le da al modelo algo que leer, sino algo que hacer: una acción que se ejecuta en un sistema externo y cuyo resultado puede cambiar en tiempo real, como el stock disponible de un producto o el saldo de una cuenta. Un agente de IA completo suele combinar ambas piezas: RAG para consultar información relativamente estable, y herramientas para actuar sobre sistemas que cambian constantemente o para ejecutar acciones concretas.
Ejemplos prácticos en una empresa
En una pyme, la generación aumentada con herramientas es lo que permite que un agente compruebe el stock real de un producto en el ERP antes de confirmarle a un cliente que está disponible, en lugar de responder según lo que "cree recordar" de una conversación anterior; que consulte el calendario de un comercial y proponga directamente una franja libre para una reunión; que haga un cálculo exacto de un presupuesto según reglas de precio que cambian con frecuencia, en vez de estimarlo de forma aproximada; o que actualice el estado de una incidencia en el sistema de soporte técnico nada más resolverla, sin que nadie tenga que hacerlo a mano después.
Qué hace falta técnicamente para implementarlo
Para que un modelo pueda usar una herramienta, alguien tiene que definirle primero qué herramientas existen, qué información necesita cada una para funcionar y qué debe devolver como resultado; esto se hace mediante un esquema técnico que describe cada herramienta como si fuera una función de programación, con sus parámetros de entrada y salida. Cuantas más herramientas tiene disponibles un agente, más cuidado hay que poner en describir bien cada una, porque un modelo que confunde para qué sirve una herramienta puede acabar llamando a la equivocada o pasándole datos incorrectos, con el consiguiente riesgo si esa herramienta puede modificar información real de la empresa.
Riesgos y controles que conviene tener en cuenta
El riesgo principal no es que el modelo "invente" una herramienta que no existe, sino que use mal una que sí existe: que ejecute una acción con parámetros equivocados, que actúe sobre el registro de un cliente distinto al que corresponde, o que dispare una acción irreversible —enviar un correo, procesar un pago, cancelar un pedido— sin que nadie la haya revisado antes. Por eso, cualquier herramienta que pueda tener un efecto real y difícil de deshacer debería pasar por una confirmación explícita, humana o automática, antes de ejecutarse, y no todas las herramientas necesitan el mismo nivel de control: consultar datos no tiene el mismo riesgo que modificarlos.
Por qué esta pieza es la que realmente convierte un chatbot en un agente
Vale la pena insistir en un matiz: un sistema que solo responde preguntas con lo que sabe de memoria, o incluso consultando documentos mediante RAG, sigue siendo, en el fondo, un sistema conversacional que informa. Un sistema que además puede llamar a herramientas para actuar sobre otros sistemas —crear un registro, modificar un estado, disparar una notificación— es ya, con propiedad, un agente: algo que hace cosas en el mundo, no solo algo que habla sobre él. Esta distinción explica por qué tantas empresas que llevan tiempo usando un chatbot de preguntas frecuentes dan el salto a un "agente de IA" precisamente cuando incorporan esta capacidad, y no antes: el cambio de nombre no es solo marketing, refleja una diferencia real en lo que el sistema es capaz de hacer.
Conclusión
La generación aumentada con herramientas es la pieza que convierte a un modelo de lenguaje en un agente capaz de actuar sobre los sistemas reales de una empresa, no solo de conversar sobre ellos, y es distinta —aunque complementaria— de RAG, que resuelve el problema de que el modelo lea información actualizada. Entender esta diferencia importa porque cada una exige un diseño y unos controles distintos a la hora de construir un agente fiable.
En MG Solutions diseñamos agentes de IA que combinan ambas piezas con los controles adecuados para cada acción que ejecutan. Reserva una primera reunión si quieres ver qué herramientas tendría sentido conectar a un agente en tu empresa.