La inteligencia artificial aplicada al desarrollo de software ya no consiste solo en abrir un chat y pedir código. En 2026 hablamos de sistemas compuestos: modelos, contexto, recuperación de información, herramientas, agentes, seguridad, evaluación y observabilidad.
La idea de esta guía es explicar los términos más útiles sin academicismo: qué son, para qué sirven, cuándo usarlos y qué ha cambiado recientemente.
1. LLM
Qué es
Un LLM (Large Language Model) es un modelo de IA capaz de entender y generar texto, código, imágenes u otros formatos, según su modalidad. Es el motor base de asistentes, copilots, sistemas RAG y agentes.
Para qué sirve
Generar, explicar y transformar código
Resumir documentación y pull requests
Clasificar tickets e incidencias
Traducir requisitos de negocio a especificaciones técnicas
Analizar errores, logs y resultados de tests
Por qué hace falta
Permite controlar software mediante lenguaje natural. En vez de construir una interfaz o script para cada operación, puedes describir el objetivo y dejar que el modelo proponga, ejecute o revise pasos.
Con qué funciona bien
RAG
Tool calling
MCP
Memoria
Evals
Agentes y subagentes
Qué cambia en 2026
El modelo aislado importa menos que el sistema completo. La diferencia entre una demo llamativa y una herramienta útil suele estar en cómo se gestiona el contexto, qué herramientas se conectan, qué permisos tiene el agente y cómo se evalúa el resultado.
También ganan peso modelos más pequeños, rápidos y baratos para clasificación, extracción, routing, tareas de apoyo y subagentes especializados.
2. RAG
Qué es
RAG significa Retrieval-Augmented Generation. Es una arquitectura en la que el sistema busca información relevante en documentos, bases de datos, repositorios o conocimiento interno y se la entrega al modelo antes de generar una respuesta.
Para qué sirve
Related posts
Consultar documentación interna
Responder sobre políticas, contratos o procedimientos
Buscar decisiones técnicas antiguas
Recuperar código y ejemplos del repositorio
Dar soporte con información actualizada
Por qué hace falta
Un LLM no conoce automáticamente los datos privados de tu empresa ni los cambios recientes de tu producto. RAG permite que responda a partir de fuentes concretas, en lugar de depender únicamente de su entrenamiento.
Con qué funciona bien
Embeddings
Bases de datos vectoriales
Chunking
Reranking
Filtros por metadatos
Evals de recuperación
Agentes
MCP
Qué cambia en 2026
El RAG simple de “buscar tres fragmentos y pegarlos en el prompt” ya no suele ser suficiente para casos complejos. Gana fuerza el Agentic RAG, donde un agente decide qué buscar, reformula consultas, consulta varias fuentes, valida resultados y repite el ciclo si falta evidencia.
La prioridad también se ha desplazado desde tener una base vectorial hacia diseñar bien el pipeline completo: documentos limpios, buenos fragmentos, metadatos, recuperación híbrida, reranking y evaluación.
3. MCP
Qué es
MCP significa Model Context Protocol. Es un protocolo abierto para conectar modelos y agentes con herramientas, datos y sistemas externos de una manera uniforme.
Una analogía útil: MCP es como un USB-C para herramientas de IA. No sustituye a las herramientas ni al modelo; estandariza cómo se conectan.
Para qué sirve
Conectar un agente a GitHub, GitLab, Jira o Linear
Exponer archivos y repositorios al asistente
Consultar bases de datos internas
Acceder a Slack, Notion o Confluence
Integrar APIs propias sin crear una conexión distinta para cada asistente
Por qué hace falta
Los agentes son útiles solo si pueden acceder al lugar donde ocurre el trabajo real. MCP reduce el coste de integrar herramientas y datos en múltiples clientes, IDEs, CLIs o asistentes.
Con qué funciona bien
Tool calling
Agentes
Copilots de IDE
Asistentes de terminal
Sistemas RAG
Herramientas empresariales
Guardrails y autorización
Qué cambia en 2026
La especificación MCP del 28 de julio de 2026 introduce una revisión importante: un núcleo de protocolo stateless, un marco formal de extensiones, soporte de tareas, MCP Apps, endurecimiento de autorización y una política de deprecación. [web:56][web:58]
Para desarrollo, el cambio más importante es conceptual: MCP ya no es solo una forma de “enchufar herramientas”, sino una capa de interoperabilidad que necesita diseño serio de identidad, permisos, observabilidad y escalado.
Idea clave
MCP no hace que un agente sea inteligente; hace más fácil que pueda trabajar con sistemas reales de forma estandarizada.
4. Agentes
Qué es
Un agente de IA es un sistema que puede perseguir un objetivo mediante varios pasos: interpreta una tarea, planifica, llama herramientas, observa resultados, corrige errores y produce una salida o acción final.
Para qué sirve
Investigar una incidencia
Cambiar código en varios archivos
Crear una rama y una pull request
Ejecutar tests y corregir fallos
Consultar documentación y abrir tickets
Automatizar operaciones repetitivas
Por qué hace falta
Una tarea real rara vez se resuelve con una respuesta única. Por ejemplo, arreglar un bug puede requerir leer logs, buscar código relacionado, editar archivos, ejecutar tests, revisar el resultado y actualizar documentación.
Con qué funciona bien
Tool calling
MCP
RAG
Memoria
Browser automation
CLI
Evals
Guardrails
Observabilidad
Qué cambia en 2026
La conversación ha pasado de agentes de demostración a agentes integrados en procesos de trabajo. La pregunta ya no es solo “¿puede hacer una tarea?”, sino:
¿Qué herramientas puede usar?
¿Qué datos puede leer?
¿Qué acciones puede ejecutar?
¿Cómo se valida cada resultado?
¿Quién aprueba los cambios sensibles?
¿Cómo se investiga un fallo?
5. Subagentes
Qué es
Los subagentes son agentes especializados que trabajan dentro de un sistema mayor. Un agente principal delega partes independientes del trabajo a otros agentes con instrucciones, herramientas y contextos separados.
Para qué sirve
Un subagente analiza seguridad
Otro busca código relacionado
Otro implementa una modificación
Otro ejecuta tests
Otro revisa la calidad del cambio
El agente principal coordina y sintetiza
Por qué hace falta
Pedirle a un único agente que planifique, investigue, escriba, revise y pruebe todo puede llenar su contexto y volverlo inconsistente. Separar responsabilidades ayuda a aislar tareas y reducir ruido.
Con qué funciona bien
Arquitecturas multiagente
Coding agents
Skills
Hooks
Evals
MCP
Pipelines de CI/CD
Qué cambia en 2026
Los subagentes se usan más en herramientas de desarrollo, especialmente para investigar, implementar y revisar en paralelo. Sin embargo, la recomendación práctica sigue siendo simple:
Usa subagentes cuando la tarea se pueda dividir en unidades independientes; no los uses solo porque suene sofisticado.
El problema típico es crear demasiados agentes para una tarea pequeña: aumenta el coste, la latencia y la dificultad de fusionar resultados.
6. Agentic AI
Qué es
Agentic AI describe una forma de construir sistemas donde la IA persigue objetivos, toma decisiones intermedias, observa el entorno y adapta su estrategia.
No es un producto concreto ni un único modelo. Es un patrón de arquitectura.
Para qué sirve
Automatizaciones con excepciones
Flujos que requieren varios intentos
Procesos que consultan distintos sistemas
Tareas que necesitan planificar, ejecutar y verificar
Operaciones donde el resultado de un paso cambia el siguiente
Por qué hace falta
Los workflows rígidos fallan cuando aparece una excepción no prevista. Un sistema agéntico puede intentar diagnosticar el problema, buscar información adicional, pedir aprobación o cambiar de estrategia.
Con qué funciona bien
Agentes
Memoria
Tool calling
RAG
MCP
Evaluación continua
Human-in-the-loop
Qué cambia en 2026
El término se está usando de forma más madura: menos como etiqueta de marketing y más como diseño operacional. El foco está en control, auditoría, límites de acción, coste, trazabilidad y retorno real.
7. Tool calling
Qué es
Tool calling es la capacidad de un modelo o agente para invocar funciones y herramientas externas con parámetros estructurados.
Por ejemplo:
Para qué sirve
Consultar una API
Buscar en una base de datos
Crear archivos
Ejecutar comandos
Crear incidencias
Lanzar tests
Consultar datos en tiempo real
Enviar una acción a un sistema externo
Por qué hace falta
El texto generado no cambia por sí solo el mundo exterior. Para consultar una base de datos, crear una pull request o desplegar una aplicación, el agente necesita herramientas reales.
Con qué funciona bien
Agentes
MCP
CLI
Browser agents
Guardrails
Logs y trazas
Aprobación humana
Qué cambia en 2026
La pregunta ya no es “¿puede llamar herramientas?”, sino “¿qué puede hacer con seguridad?”. Las prácticas importantes son:
Principio de mínimo privilegio
Separar lectura y escritura
Solicitar aprobación en acciones sensibles
Validar parámetros antes de ejecutar
Registrar cada acción
Limitar alcance, tiempo y presupuesto
Protegerse ante prompt injection
8. Vibe coding
Qué es
Vibe coding es una forma informal de programar con ayuda de IA mediante prompts, iteración rápida y validación visual. La persona describe lo que quiere, acepta cambios, prueba el resultado y ajusta la dirección.
Para qué sirve
Prototipos
Demos
Herramientas internas pequeñas
Exploración de producto
Automatización personal
Pruebas de concepto
Por qué hace falta
Reduce mucho la fricción inicial. Permite construir una primera versión funcional sin diseñar cada pieza de antemano.
Con qué funciona bien
Copilots
IDEs con agentes
CLIs inteligentes
Generadores de interfaces
Tests automatizados
Entornos de preview
Riesgos
Deuda técnica
Dependencias innecesarias
Código sin tests
Secretos expuestos
Arquitectura inconsistente
Cambios que parecen correctos pero rompen casos límite
Qué cambia en 2026
El término sigue siendo popular, pero el criterio ha madurado. Crear una interfaz rápidamente ya no es suficiente: el valor está en convertir el prototipo en software fiable, mantenible, seguro y probado.
Vibe coding es excelente para empezar; ingeniería disciplinada sigue siendo necesaria para operar en producción.
9. CLI
Qué es
CLI significa Command Line Interface: una interfaz basada en comandos de terminal.
En IA aplicada al desarrollo, la terminal se ha convertido en un entorno especialmente potente para agentes porque contiene gran parte del flujo de trabajo real: Git, tests, compilación, linters, scripts, contenedores y despliegues.
Para qué sirve
Inspeccionar repositorios
Buscar código
Modificar archivos
Ejecutar tests
Usar Git
Gestionar dependencias
Lanzar scripts
Ejecutar tareas de CI localmente
Por qué hace falta
La terminal es una interfaz estructurada, automatizable y universal. Un agente puede trabajar en ella sin depender de una interfaz gráfica concreta.
Con qué funciona bien
Coding agents
Git
Docker
CI/CD
MCP
Tool calling
Shell sandboxing
Evals
Qué cambia en 2026
Cada vez más herramientas de IA para desarrollo priorizan experiencias agent-native en CLI. Esto facilita que el agente opere en cualquier editor o entorno, aunque aumenta la necesidad de sandboxing, permisos mínimos y validación de comandos destructivos.
10. Copilot
Qué es
Un copilot es un asistente que ayuda a una persona dentro de una herramienta, manteniendo normalmente el humano como responsable principal de la acción.
Para qué sirve
Autocompletar código
Proponer cambios
Explicar errores
Generar tests
Resumir archivos
Crear documentación
Sugerir comandos
Revisar pull requests
Por qué hace falta
No siempre quieres delegar una tarea completa. A menudo necesitas una sugerencia rápida mientras mantienes el control sobre contexto, arquitectura y decisiones.
Con qué funciona bien
IDEs
Terminales
Git
Pull requests
Documentación
Revisiones humanas
Qué cambia en 2026
La separación entre copilot y agente se ha difuminado. Un copilot moderno puede empezar sugiriendo código y terminar proponiendo un plan, editando varios archivos, ejecutando tests o preparando una pull request.
GitHub ha incorporado capacidades como agent mode, soporte MCP, agentes personalizados, subagentes y agente de planificación en diferentes superficies de Copilot. [web:75][web:83][web:85]
11. Context window
Qué es
La context window es la cantidad de información que un modelo puede procesar a la vez durante una interacción.
Puede incluir:
Instrucciones del sistema
Mensajes del usuario
Historial de conversación
Código y archivos
Resultados de herramientas
Documentos recuperados con RAG
Definiciones de herramientas
Memoria recuperada
Para qué sirve
Define cuánta información puede estar disponible para el modelo antes de generar su siguiente acción o respuesta.
Por qué hace falta entenderlo
Una ventana grande no garantiza buenos resultados. Meter demasiada información puede aumentar el coste, la latencia y el riesgo de que el modelo ignore lo importante.
Con qué funciona bien
RAG
Compresión de contexto
Resúmenes intermedios
Memoria selectiva
Subagentes
Skills
Routing de herramientas
Qué cambia en 2026
La tendencia ya no es solo competir por “más tokens”. Los sistemas eficaces gestionan el contexto de forma selectiva:
Cargan solo los archivos relevantes
Recuperan evidencia bajo demanda
Resumen resultados intermedios
Separan contextos mediante subagentes
Activan skills solo cuando son necesarias
El mejor contexto no es el más grande: es el más relevante, fiable y bien estructurado.
12. Memoria
Qué es
La memoria es un mecanismo para conservar y recuperar información útil entre pasos, tareas o sesiones.
No es lo mismo que contexto:
Contexto: información visible ahora mismo para el modelo
Memoria: información persistida que se puede recuperar cuando sea útil
Para qué sirve
Recordar preferencias de usuario
Mantener decisiones técnicas
Conservar el estado de una tarea larga
Evitar repetir investigación
Registrar convenciones de un proyecto
Personalizar respuestas o automatizaciones
Por qué hace falta
Un agente que empieza desde cero en cada tarea repite trabajo, pierde decisiones previas y genera experiencias inconsistentes.
Con qué funciona bien
RAG
Historiales de ejecución
Perfiles de usuario
Agentes
Contexto estructurado
Observabilidad
Qué cambia en 2026
La idea de “guardar todo para siempre” está perdiendo atractivo. La memoria útil necesita:
Criterios claros de qué guardar
Caducidad o revisión
Separación entre hechos y suposiciones
Controles de privacidad
Recuperación basada en relevancia
Capacidad de corregir o eliminar datos
13. Embeddings
Qué es
Los embeddings son representaciones numéricas de texto, código, imágenes u otros datos. Permiten comparar elementos por significado, no solo por coincidencia literal de palabras.
Para qué sirve
Búsqueda semántica
RAG
Detección de contenido parecido
Clasificación
Agrupación de documentos
Recomendación
Búsqueda de código relacionado
Por qué hace falta
Una búsqueda literal puede fallar si el usuario pregunta por “autenticación” y la documentación habla de “inicio de sesión” o “gestión de identidad”. Los embeddings ayudan a encontrar contenido relacionado semánticamente.
Con qué funciona bien
Bases vectoriales
Chunking
Filtros por metadatos
Búsqueda híbrida
Reranking
Evals de recuperación
Qué cambia en 2026
Tener embeddings ya no es una ventaja por sí sola. La calidad depende de todo el pipeline:
Cómo partes los documentos
Qué metadatos guardas
Qué modelo de embeddings eliges
Cómo combinas búsqueda lexical y semántica
Cómo reordenas resultados
Cómo evalúas la recuperación
14. Vector database
Qué es
Una base de datos vectorial almacena embeddings y permite recuperar elementos similares mediante distancia matemática o similitud semántica.
Para qué sirve
Buscar fragmentos de documentación
Recuperar tickets parecidos
Localizar código relevante
Consultar políticas internas
Alimentar sistemas RAG
Por qué hace falta
Cuando hay muchos documentos, necesitas una forma eficiente de recuperar los fragmentos más relevantes antes de enviárselos al modelo.
Con qué funciona bien
Embeddings
RAG
Filtros por metadatos
Reranking
Búsqueda híbrida
Agentes
Qué cambia en 2026
Las bases vectoriales siguen siendo útiles, pero ya no se consideran una solución mágica. Para muchos casos, una combinación de:
Búsqueda por palabras clave
Búsqueda semántica
Filtros por permisos y metadatos
Reranking
Verificación de citas
da mejores resultados que depender solo de similitud vectorial.
15. Guardrails
Qué es
Los guardrails son reglas, validaciones y controles que limitan el comportamiento de un sistema de IA para mantenerlo seguro, correcto y predecible.
Para qué sirve
Bloquear acciones peligrosas
Restringir herramientas
Evitar fugas de datos
Validar formatos de salida
Exigir aprobación humana
Detectar instrucciones maliciosas
Limitar presupuesto, tiempo o número de pasos
Por qué hace falta
Cuanto más autónomo es un agente, mayor es el impacto potencial de un error. Una respuesta incorrecta puede ser molesta; una acción incorrecta puede borrar datos, filtrar secretos o modificar producción.
Con qué funciona bien
Tool calling
MCP
Autorización
Sandbox
Human-in-the-loop
Logs
Evals
Red teaming
Qué cambia en 2026
Los guardrails se están moviendo desde filtros superficiales de texto hacia controles sobre capacidad de acción:
Permisos por herramienta
Permisos por recurso
Aprobación explícita de acciones sensibles
Aislamiento de ejecución
Detección de prompt injection
Auditoría de decisiones y llamadas a herramientas
OpenAI ha destacado el red teaming automatizado como técnica para encontrar vulnerabilidades de prompt injection y endurecer agentes antes del despliegue. [web:87][web:100]
16. Evals
Qué es
Las evals son pruebas estructuradas para medir si un sistema de IA funciona correctamente.
No consisten solo en preguntar “¿te parece buena esta respuesta?”. Una buena evaluación define casos, criterios, métricas y resultados esperados.
Para qué sirve
Comparar modelos
Comparar prompts
Medir un sistema RAG
Evaluar calidad de tool calling
Detectar regresiones
Validar agentes
Medir coste, latencia y tasa de éxito
Por qué hace falta
Los sistemas de IA pueden parecer buenos en una demo y fallar de forma imprevisible en producción. Las evals permiten tomar decisiones basadas en evidencia.
Con qué funciona bien
Datasets de pruebas
Trazas
Observabilidad
Revisión humana
Métricas de negocio
CI/CD
Red teaming
Qué cambia en 2026
Las evals se están desplazando de pruebas puntuales a evaluación continua. Un cambio de modelo, prompt, herramienta o documento puede degradar resultados; por eso conviene ejecutar evaluaciones como parte del ciclo de despliegue.
Métricas útiles
Tasa de éxito de tarea
Exactitud factual
Calidad de recuperación
Uso correcto de herramientas
Número de reintentos
Coste por tarea completada
Latencia
Incidencias de seguridad
Intervenciones humanas necesarias
17. Browser agent
Qué es
Un browser agent es un agente que puede operar una interfaz web: leer pantallas, navegar, hacer clic, rellenar formularios y comprobar resultados.
Para qué sirve
Automatizar procesos internos
Trabajar con SaaS sin API
Recopilar información desde aplicaciones web
Realizar pruebas end-to-end
Completar tareas administrativas repetitivas
Por qué hace falta
Una parte enorme del trabajo empresarial sigue ocurriendo en navegadores. Cuando una API no existe o no cubre el flujo completo, el navegador puede ser la única interfaz disponible.
Con qué funciona bien
Computer use
Tool calling
Agentes
Observación de estado
Guardrails
Aprobación humana
Pruebas end-to-end
Riesgos
Cambios en la interfaz
Elementos ambiguos
Sesiones y credenciales
Acciones irreversibles
Captchas
Datos sensibles visibles en pantalla
Instrucciones maliciosas dentro de páginas web
Qué cambia en 2026
Es una de las áreas con mayor expectativa, pero también una de las que exige más control operacional. En producción conviene limitar dominios, usar cuentas con permisos restringidos, exigir confirmación antes de acciones irreversibles y registrar cada acción.
18. Agent skills
Qué es
Las skills son capacidades reutilizables que se cargan cuando hacen falta. Una skill suele contener instrucciones, conocimiento operativo, herramientas permitidas y criterios de éxito para una tarea específica.
Ejemplos:
Revisar una pull request de seguridad
Migrar una base de datos
Crear un servicio con un framework concreto
Analizar costes cloud
Preparar un despliegue
Generar una API siguiendo estándares internos
Para qué sirve
Reducir instrucciones repetidas
Estandarizar procesos
Mantener el contexto limpio
Reutilizar prácticas de equipo
Mejorar consistencia entre agentes
Por qué hace falta
No tiene sentido cargar todas las reglas de todas las tecnologías en cada interacción. Las skills permiten dar al agente conocimiento especializado solo cuando la tarea lo requiere.
Con qué funciona bien
Agentes modulares
MCP
Tool routing
Subagentes
Hooks
Context management
Evals
Qué cambia en 2026
Las skills están ganando importancia como alternativa práctica a prompts enormes y permanentes. Google, por ejemplo, presentó un repositorio oficial de Agent Skills como formato abierto y compacto para aportar capacidades y experiencia específica a agentes. [web:81]
Una skill explica cómo hacer un trabajo; una herramienta permite actuar; un guardrail define qué no se puede hacer.
19. Hooks
Qué es
Los hooks son puntos de control que ejecutan lógica antes, durante o después de una acción de un agente.
Para qué sirve
Validar un comando antes de ejecutarlo
Bloquear escrituras fuera de un directorio permitido
Ejecutar tests antes de aceptar un cambio
Analizar secretos antes de crear una pull request
Añadir contexto tras completar una tarea
Rechazar una acción que no cumple una política
Por qué hace falta
Un agente puede tener buenas instrucciones y aun así cometer errores. Los hooks permiten imponer controles deterministas que no dependen de que el modelo “recuerde” una regla.
Con qué funciona bien
Agentes
Subagentes
CLI
Guardrails
CI/CD
Skills
Evals
Qué cambia en 2026
Las arquitecturas de agentes están incorporando más controles basados en eventos. El patrón útil es separar responsabilidades:
Skill: enseña el procedimiento
Agente: decide y ejecuta
Hook: valida o impone una regla
Eval: mide si el resultado fue bueno
20. Observabilidad y trazas
Qué es
La observabilidad permite entender qué ocurrió dentro de un sistema de IA. Las trazas registran una ejecución completa: prompts, contexto recuperado, herramientas llamadas, respuestas, errores, costes y decisiones.
Para qué sirve
Depurar fallos
Explicar resultados inesperados
Identificar herramientas problemáticas
Detectar costes excesivos
Medir latencia
Investigar incidentes de seguridad
Mejorar prompts y workflows
Por qué hace falta
Si un agente falla y no puedes ver qué contexto recibió, qué herramienta llamó o qué respuesta obtuvo, es muy difícil corregirlo.
Con qué funciona bien
Evals
MCP
Tool calling
Agentes
Guardrails
Logs de auditoría
OpenTelemetry
Qué cambia en 2026
La observabilidad se vuelve parte de la arquitectura, no un extra. La evolución reciente de MCP incorpora un enfoque más formal hacia trazabilidad y compatibilidad con prácticas de observabilidad de sistemas distribuidos. [web:56][web:58]
21. Prompt injection
Qué es
La prompt injection ocurre cuando contenido no confiable intenta manipular a un modelo o agente para que ignore sus instrucciones, revele datos, ejecute acciones no autorizadas o use herramientas de forma indebida.
Puede aparecer en:
Páginas web
Archivos
Correos
Tickets
Documentos compartidos
Resultados de búsqueda
Texto introducido por usuarios
Para qué hace falta entenderlo
Cuando un agente lee contenido externo y puede actuar sobre herramientas, el contenido que procesa no es necesariamente fiable. Un documento puede contener texto diseñado para engañarlo.
Cómo reducir el riesgo
Tratar contenido externo como datos, no como instrucciones
Limitar permisos de cada herramienta
Separar lectura y acciones de escritura
Pedir aprobación para operaciones sensibles
No dar acceso a secretos innecesarios
Usar sandboxes
Registrar acciones
Ejecutar red teaming y evals adversariales
Qué cambia en 2026
La seguridad frente a prompt injection es una de las áreas centrales del desarrollo agéntico. OpenAI ha descrito el uso de un sistema interno de red teaming automatizado para entrenar y probar mayor robustez frente a estas técnicas. [web:87][web:100]
Cómo conectar todo sin liarte
Una forma práctica de ver el sistema completo:
Capa
Función
Ejemplo
LLM
Entiende y genera lenguaje
Explica un error de compilación
Contexto
Aporta información visible en la tarea
Archivos, historial e instrucciones
RAG
Recupera conocimiento relevante
Busca documentación interna
Embeddings + vector DB
Permiten búsqueda semántica
Encuentra decisiones técnicas parecidas
MCP
Conecta datos y herramientas
Expone GitHub, Jira o PostgreSQL
Tool calling
Ejecuta una acción concreta
Crea una incidencia o ejecuta un test
Agente
Planifica y coordina pasos
Diagnostica y corrige un bug
Subagentes
Dividen trabajo especializado
Uno revisa seguridad y otro implementa
Skills
Aportan procedimientos reutilizables
Skill para desplegar en Kubernetes
Guardrails + hooks
Restringen y validan acciones
Bloquean despliegues sin aprobación
Evals
Miden calidad y regresiones
Comprueban éxito de tareas
Observabilidad
Explica qué ocurrió
Traza prompts, tools, coste y errores
Una comparación sencilla:
El LLM es el cerebro lingüístico; RAG es la biblioteca; MCP son los conectores; las herramientas son las manos; el agente organiza el trabajo; los guardrails son las normas de seguridad; y las evals comprueban si todo funciona.
Qué está cambiando de verdad en 2026
La IA pasa de responder texto a ejecutar trabajo dentro de herramientas reales.
MCP se consolida como capa de interoperabilidad, pero exige más atención a autorización, seguridad y observabilidad. [web:56][web:58]
RAG evoluciona desde recuperación estática hacia búsqueda iterativa, multi-fuente y orientada a agentes.
Los agentes se integran en IDEs, terminales, repositorios y herramientas de revisión.
Las skills, hooks y subagentes permiten construir sistemas más modulares y controlables.
El contexto se gestiona de forma selectiva: no gana quien mete más información, sino quien aporta la correcta.
La seguridad ya no es solo moderación de texto: incluye permisos, identidad, sandboxes, auditoría y defensa frente a prompt injection.
Las evals y las trazas pasan a ser necesarias para desplegar sistemas fiables.
Cierre práctico
Si desarrollas con IA en 2026, no necesitas memorizar todas las siglas. Necesitas entender las capas principales:
Modelo: el LLM que razona y genera.
Contexto: la información relevante que recibe.
Conocimiento: RAG, memoria y recuperación.
Conexiones: MCP y herramientas.
Acción: agentes, CLI y browser automation.
Control: permisos, guardrails, hooks y revisión humana.
Calidad: evals, trazas y observabilidad.
Cuando entiendes estas capas, términos como RAG, MCP, agentes o vibe coding dejan de ser jerga: se convierten en decisiones concretas de arquitectura.
