Skill vs agente de IA: la diferencia que Kahneman explica mejor que cualquier manual

Un skill y un agente se distinguen por una sola cosa: si la tarea necesita su propia ventana de contexto. Un skill es un procedimiento que corre dentro del contexto actual de la IA —barato, inline, vigilado paso a paso—. Un agente es un contexto separado, con su propio presupuesto de tokens, que trabaja aislado y devuelve solo una conclusión. Elegir mal encarece el sistema y degrada su fiabilidad.

Esa es la distinción práctica. Pero hay una forma más profunda de entenderla, y la dio un psicólogo que ganó el Nobel sin escribir una línea de código: Daniel Kahneman. Te explico por qué su modelo de dos sistemas predice exactamente cuándo —y por qué— tu IA se equivoca con tanta seguridad.

¿Qué es un skill y qué es un agente en un sistema de IA?

Un skill es conocimiento o un procedimiento que se inyecta en el contexto activo del modelo; un agente es un subproceso con su propia ventana de contexto y su propio system prompt. Ambos encapsulan capacidad, y por eso se confunden. La diferencia operativa no está en qué hacen, sino en dónde corren.

• Skill: un playbook, una checklist o una doctrina que la IA carga y ejecuta sin levantar nada. No tiene memoria separada; usa el contexto que ya está abierto. Ideal para procedimientos deterministas que quieres ver y controlar.
• Agente: una segunda mente que delegas. Tiene su propia ventana, su propio presupuesto de tokens y te devuelve solo el resultado final. Ideal para trabajo ruidoso, exploración masiva o una persona especializada con base de conocimiento propia.

Si quieres el detalle de cómo un modelo se convierte en agente —el loop que lo orquesta—, lo desarrollamos en qué es un agent harness. Aquí nos quedamos con la decisión: skill o agente.

¿Cómo decido si algo debe ser skill o agente?

La regla es una sola pregunta: ¿esta tarea necesita aislar su contexto? Si la respuesta es no —es un procedimiento que quiero correr inline y vigilar—, es un skill. Si es sí —ensuciaría mi contexto, o necesito una persona reutilizable con dominio propio—, es un agente.

Dos pruebas rápidas para detectar una clasificación equivocada:

1. Agente que debería ser skill: es un procedimiento fijo sin juicio, no necesita aislar nada y no tiene base de conocimiento propia. Un “agente” que solo ejecuta tres pasos en orden es un skill (o un script) disfrazado.
2. Skill que debería ser agente: carga una base de conocimiento enorme que infla el contexto cada vez, o requiere un fan-out masivo del que solo quieres el veredicto. Eso pide ventana propia.

La consecuencia de equivocarse es concreta: un agente innecesario paga arranque y tokens extra por trabajo que cabía inline; un skill sobrecargado satura el contexto y empuja al modelo a perder el hilo. La arquitectura correcta no es estética —es costo y fiabilidad.

¿Qué tienen que ver los Sistemas 1 y 2 de Kahneman con esto?

En Pensar rápido, pensar despacio (2011), Daniel Kahneman describe la mente como dos sistemas en tensión. El Sistema 1 es rápido, automático, intuitivo y opera sin esfuerzo: resuelve la mayoría de las decisiones diarias, pero es propenso a sesgos. El Sistema 2 es lento, deliberado y analítico: se activa solo ante problemas complejos, consume energía y —su tesis incómoda— es perezoso, por lo que a menudo se limita a aprobar lo que el Sistema 1 ya decidió.

La analogía con skill y agente funciona en un eje: el del esfuerzo. Un skill es como el Sistema 1 —barato, automático, corre por default—. Un agente es como el Sistema 2 —caro, deliberado, lo “levantas” solo cuando la tarea lo amerita—. Igual que la mente evita activar el Sistema 2 por su costo, una buena arquitectura evita lanzar agentes salvo que valgan la pena.

Pero hay un segundo eje donde la analogía se invierte, y ahí está lo interesante.

Si el LLM es Sistema 1, ¿quién es el Sistema 2?

El modelo de lenguaje en bruto —generando texto— es el Sistema 1. Rápido, fluido, confiado… y propenso a confabular. La punchline de Kahneman describe el peor modo de falla de la IA con precisión quirúrgica: el sistema produce una respuesta (Sistema 1) y, sin un freno externo, aprueba su propia conclusión (Sistema 2 perezoso). Por eso un agente alucina con tanta seguridad: el tono confiado es la voz del Sistema 1, no una garantía de que el dato sea cierto.

Aquí se rompe el mapeo ingenuo “skill = Sistema 1, agente = Sistema 2”. En el eje de la calidad, se invierte:

• Un skill de verificación —una compuerta que exige comprobar una cifra contra su fuente, o probar un cambio de extremo a extremo antes de declararlo listo— no es intuición rápida. Es disciplina de Sistema 2 encajonada: el “párate y comprueba” que la mente perezosa se salta.
• Un agente sin supervisión no es más sabio. Es otro Sistema 1 en otra habitación: confabula libre en su propio contexto. Por eso toda cifra que devuelve un agente debe re-validarse antes de construir encima.

La conclusión es contraintuitiva pero sólida: los modelos de lenguaje son máquinas de Sistema 1. La buena ingeniería de agentes consiste en atornillarles un Sistema 2 externo —porque el modelo, como la mente humana que describe Kahneman, no engancha el suyo solo.

¿Por qué esto le importa a tu empresa?

Porque la mayoría de los despliegues de IA que fallan en producción no fallan por un modelo malo: fallan por falta de Sistema 2. Un asistente que responde con seguridad y se equivoca no es un problema de inteligencia; es un problema de andamiaje. Nadie construyó la capa que refuta al modelo antes de que su error llegue al cliente.

Cuando evalúes una herramienta o un proveedor de IA, la pregunta correcta no es “¿qué tan listo es el modelo?”. Es: “¿cuál es su capa de verificación?”. En concreto:

• ¿El sistema comprueba sus afirmaciones contra una fuente antes de actuar, o repite con confianza lo primero que generó?
• ¿Hay una prueba de extremo a extremo antes de declarar algo “listo”, o el “listo” es la palabra del Sistema 1?
• ¿Las cifras que produce un componente se re-validan antes de que otro construya encima?

Eso es exactamente lo que distingue un prototipo vistoso de un sistema en producción: no el modelo, sino el Sistema 2 que lo rodea. En automatización con IA para empresas reales —bots que agendan, cobran y responden a clientes— esa capa no es opcional. Es la diferencia entre un error que se queda en una prueba y un error que llega a un paciente, una factura o un lead.

Si estás decidiendo cómo llevar IA a tu operación y quieres entender dónde poner ese Sistema 2 antes de automatizar, hablemos de tu caso. El modelo es la parte fácil; el andamiaje que lo hace confiable es donde está el trabajo —y el valor.