Agentes de IA en arquitectura: de responder a actuar

De la IA que responde a la IA que actúa: qué pueden significar los agentes de IA para la arquitectura

¿Qué son los agentes de IA y cómo podrían transformar la arquitectura? Analizamos sus arquitecturas, riesgos y aplicaciones en el entorno construido.

Los agentes de IA pueden planificar, utilizar herramientas, colaborar y ejecutar acciones para alcanzar objetivos. Analizamos una revisión de 90 estudios y exploramos qué podría significar la transición hacia sistemas agentes para arquitectura, construcción, BIM, gemelos digitales y edificios inteligentes.

De la IA que responde a la IA que actúa: qué pueden significar los agentes de IA para la arquitectura

Durante los últimos años nos hemos acostumbrado a conversar con sistemas de inteligencia artificial.

Les hacemos preguntas.

Generamos textos.

Creamos imágenes.

Analizamos documentos.

Escribimos código.

Pero se aproxima un cambio bastante más profundo.

La inteligencia artificial empieza a pasar de responder a actuar.

Un sistema agente puede recibir un objetivo, dividirlo en tareas, consultar información, utilizar herramientas externas, tomar decisiones intermedias, comprobar resultados y continuar trabajando hasta alcanzar —o intentar alcanzar— ese objetivo.

Y diferentes agentes pueden colaborar entre sí.

Uno puede investigar.

Otro analizar datos.

Otro generar alternativas.

Otro comprobar restricciones.

Otro ejecutar determinadas acciones.

Estamos entrando en el territorio de la IA agente o Agentic AI.

¿Qué puede significar esto para arquitectura?

Probablemente mucho más que añadir un chatbot a un programa de diseño.

Un futuro sistema agente podría conectar requisitos del proyecto, normativa, BIM, bases de datos, simulaciones energéticas, presupuestos, sensores, modelos de inteligencia artificial y herramientas de planificación y ejecutar sobre ellos procesos que actualmente requieren numerosas operaciones humanas independientes.

Pero para comprender qué significa realmente la IA agente debemos evitar una simplificación peligrosa:

no todos los agentes de inteligencia artificial funcionan de la misma manera.

Esta es precisamente la cuestión central de Agentic AI: A Comprehensive Survey of Architectures, Applications, and Future Directions, de Mohamad Abou Ali y Fadi Dornaika.

Los autores realizan una revisión sistemática de la literatura y proponen distinguir dos grandes familias de sistemas agentes:

IA agente simbólica o clásica

y

IA agente neuronal o generativa.

La diferencia no es solamente académica.

Puede determinar qué sistemas resultan apropiados cuando necesitamos creatividad y adaptación y cuáles cuando necesitamos seguridad, trazabilidad y cumplimiento estricto de restricciones.

Y para arquitectura, construcción e infraestructuras esta distinción puede acabar siendo fundamental.

En 30 segundos

El paper analiza un corpus final de 90 publicaciones.

Los autores distinguen dos grandes paradigmas.

El primero es simbólico/clásico: reglas explícitas, estados definidos, planificación algorítmica y comportamiento más verificable.

El segundo es neuronal/generativo: grandes modelos de lenguaje, generación probabilística, utilización de herramientas y orquestación mediante prompts.

Los sistemas actuales construidos con LLM, LangChain, AutoGen, CrewAI o LangGraph pertenecen fundamentalmente a esta segunda familia.

El paper sostiene que ninguna de las dos resuelve por sí sola todos los problemas.

Los sistemas simbólicos aportan fiabilidad y verificabilidad.

Los sistemas neuronales aportan flexibilidad y capacidad para desenvolverse ante información compleja y no estructurada.

La dirección que los autores consideran más prometedora es, por tanto:

IA neuronal + IA simbólica = sistemas híbridos.

Para el entorno construido, esta conclusión resulta especialmente sugerente: podemos imaginar agentes capaces de explorar y razonar con flexibilidad, pero sometidos al mismo tiempo a reglas verificables sobre normativa, seguridad, estructura, costes o funcionamiento.

Primero: un agente no es simplemente un chatbot

Esta distinción es esencial.

Un modelo generativo convencional recibe una entrada y genera una salida.

Pregunta → respuesta.

Prompt → imagen.

Texto → resumen.

Un agente incorpora algo diferente:

objetivo → planificación → acciones → observación → corrección → nuevas acciones.

Los autores describen la agencia mediante capacidades como:

• autonomía;
• proactividad;
• planificación;
• memoria contextual;
• utilización de herramientas;
• adaptación a partir de información del entorno.

El sistema deja de limitarse a producir contenido.

Puede empezar a hacer cosas con ese contenido.

Imaginemos un encargo:

Analiza qué alternativas de implantación son mejores para este solar.

Una IA generativa podría proporcionar recomendaciones.

Un sistema agente podría, en teoría:

consultar datos;

leer normativa;

extraer restricciones;

interrogar bases de datos;

generar alternativas;

ejecutar simulaciones;

comparar resultados;

descartar soluciones;

y preparar un informe.

La diferencia es profunda.

Generar información no es lo mismo que ejecutar un proceso.

¿Un agente o muchos agentes?

El paper introduce también una distinción importante entre un agente individual y un sistema multiagente.

Un único agente puede recibir un objetivo y desarrollar varias operaciones para alcanzarlo.

Pero también podemos distribuir el problema.

Por ejemplo, en un proceso arquitectónico podríamos imaginar:

Agente de normativa
Interpreta restricciones urbanísticas y reglamentarias.

Agente de emplazamiento
Trabaja sobre datos geográficos, climáticos y urbanos.

Agente de diseño
Genera y modifica alternativas.

Agente energético
Ejecuta y compara simulaciones.

Agente económico
Evalúa costes.

Agente de sostenibilidad
Analiza determinados indicadores ambientales.

Agente de control
Comprueba que las propuestas satisfacen las restricciones establecidas.

Un agente orquestador podría distribuir tareas y recopilar los resultados.

Esto no es exactamente lo que demuestra el paper para arquitectura —el estudio no investiga este sector en particular—, sino una extrapolación que podemos hacer desde Arquitectura.Tech a partir de las arquitecturas generales que describe.

Esta distinción debe mantenerse clara.

Dos maneras radicalmente diferentes de construir un agente

Esta es la aportación conceptual central del paper.

Los autores consideran que existe cierta confusión al aplicar conceptos desarrollados para los antiguos sistemas simbólicos a los agentes modernos basados en grandes modelos de lenguaje.

Lo denominan conceptual retrofitting.

Para evitarlo, proponen separar dos genealogías.

1. El paradigma simbólico

En la IA simbólica, el conocimiento y las reglas se representan explícitamente.

El sistema opera mediante mecanismos definidos.

Puede existir:

un estado;

un conjunto de acciones;

unas reglas;

unas restricciones;

unos objetivos;

y un procedimiento para decidir qué hacer.

Los autores revisan modelos como MDP y POMDP y arquitecturas cognitivas como BDI y SOAR.

La ventaja es evidente.

Podemos saber con bastante precisión por qué el sistema ha tomado determinada decisión.

La desventaja también.

Un sistema basado en reglas puede comportarse muy bien dentro de las situaciones que hemos previsto y muy mal frente a circunstancias nuevas.

Es robusto dentro de su mundo.

Pero ese mundo debe estar definido.

2. El paradigma neuronal

Los agentes contemporáneos construidos alrededor de grandes modelos de lenguaje funcionan de otra manera.

No ejecutan necesariamente una estructura lógica explícita comparable a los antiguos agentes simbólicos.

Trabajan mediante generación probabilística, contexto, instrucciones, utilización de herramientas y orquestación.

Aquí encontramos entornos como:

LangChain

AutoGen

CrewAI

Semantic Kernel

LlamaIndex

LangGraph

El paper dedica especial atención a esta diferencia.

La agencia moderna puede emerger de una cadena de prompts, conversaciones entre agentes, llamadas a herramientas y actualización del contexto.

Eso proporciona una flexibilidad extraordinaria.

Pero también introduce incertidumbre.

La cuestión fundamental: flexibilidad frente a verificabilidad

Podemos simplificar buena parte del argumento del paper con una tensión:

¿queremos un sistema capaz de adaptarse a situaciones nuevas o uno cuyo comportamiento podamos controlar y verificar?

La IA simbólica tiende a destacar en lo segundo.

La IA neuronal, en lo primero.

Los autores encuentran precisamente patrones diferentes según el ámbito de aplicación.

En sectores donde la seguridad es crítica, los enfoques deterministas o muy restringidos conservan importancia.

En ámbitos ricos en datos y que necesitan procesar información compleja, los sistemas neuronales resultan especialmente útiles.

El paper utiliza ejemplos procedentes de sanidad, finanzas, educación, ámbito jurídico y robótica.

Y aquí aparece una enseñanza directamente trasladable al entorno construido:

la tecnología adecuada depende del problema.

No deberíamos preguntar:

¿Qué agente de IA podemos introducir en arquitectura?

Deberíamos preguntar:

¿Qué nivel de incertidumbre, seguridad, verificabilidad y adaptación requiere esta tarea?

Arquitectura es precisamente un dominio donde necesitaremos ambas cosas

Esta es nuestra lectura desde Arquitectura.Tech.

Un proyecto arquitectónico combina problemas extraordinariamente diferentes.

Existe creatividad.

Pero también normativa.

Existe exploración.

Pero también estructura.

Existen preferencias subjetivas.

Pero también restricciones cuantificables.

Existe incertidumbre.

Pero también límites que no deben vulnerarse.

Pensemos en dos tareas.

Generar estrategias iniciales de organización espacial

Aquí puede tener sentido permitir elevada flexibilidad.

Queremos explorar.

Comparar.

Descubrir posibilidades inesperadas.

Un sistema neuronal puede resultar adecuado.

Comprobar determinadas exigencias normativas

Aquí no queremos creatividad.

Queremos que una restricción se cumpla.

Una respuesta «probablemente correcta» puede ser inaceptable.

Necesitamos reglas explícitas, fuentes verificables y controles deterministas.

Por eso la dirección híbrida propuesta por el paper resulta tan relevante para el entorno construido.

De los agentes generativos a los sistemas híbridos

Una de las conclusiones principales del estudio es que la futura IA agente probablemente no pertenecerá exclusivamente a uno de los dos paradigmas.

Los autores señalan como dirección especialmente prometedora la integración neuro-simbólica.

La idea consiste, simplificando, en combinar:

capacidad neuronal para percibir, interpretar, generar y adaptarse

con

capacidad simbólica para razonar mediante restricciones, verificar y controlar.

Podemos imaginarlo aplicado a arquitectura.

Un modelo generativo propone una solución.

Un módulo simbólico comprueba:

superficies mínimas;

distancias;

accesibilidad;

restricciones geométricas;

normativa;

condiciones de seguridad.

Otro modelo analiza comportamiento energético.

Un agente interpreta los resultados.

El sistema modifica la propuesta.

Se vuelve a comprobar.

Surge entonces un bucle:

generar → verificar → evaluar → modificar → volver a verificar.

Esto resulta mucho más interesante que simplemente pedir a una IA:

Diseña un edificio.

El agente necesita herramientas

Otra característica fundamental de la IA agente es su capacidad para trabajar con sistemas externos mediante herramientas y API.

El paper analiza conexiones con:

bases de datos;

motores de búsqueda;

servicios en la nube;

herramientas empresariales;

plataformas financieras;

repositorios científicos;

entornos de ejecución de código.

Esto proporciona una pista muy importante sobre cómo debemos pensar la IA agente para arquitectura.

El valor no residirá necesariamente en crear un enorme modelo específicamente arquitectónico.

Puede residir en conectar inteligentemente sistemas que ya existen.

Por ejemplo:

BIM;

GIS;

bases de datos urbanas;

información meteorológica;

simulación energética;

software estructural;

presupuestos;

planificación;

sensores IoT;

gemelos digitales;

sistemas de mantenimiento.

El agente se convierte entonces en una capa de coordinación.

Del BIM al sistema agente

Hasta ahora hemos utilizado principalmente BIM para organizar información sobre el edificio.

Pero imaginemos que sobre esa información empieza a operar una capa agente.

El sistema podría recibir un objetivo:

Reduce la demanda energética manteniendo las restricciones de coste y programa.

A partir de ahí podría:

leer parámetros del modelo;

identificar variables modificables;

ejecutar simulaciones;

analizar resultados;

proponer cambios;

comprobar restricciones;

actualizar determinadas variables;

repetir el proceso;

y documentar las decisiones.

Esto supondría pasar de un modelo que contiene información a un sistema que actúa sobre la información con un objetivo.

El cambio conceptual es enorme.

Y del gemelo digital al edificio que decide

La implicación puede ser todavía mayor durante la vida útil del edificio.

Un gemelo digital puede recibir continuamente datos procedentes de:

temperatura;

humedad;

ocupación;

consumo;

calidad del aire;

producción fotovoltaica;

funcionamiento de instalaciones;

sensores de mantenimiento.

Tradicionalmente, estos datos pueden visualizarse o analizarse.

Un sistema agente puede añadir otra capa:

observar → interpretar → decidir → actuar → comprobar el resultado.

Por ejemplo, podría adaptar determinadas estrategias de climatización en función de ocupación, meteorología y precio energético.

Pero aquí aparece inmediatamente la cuestión central del paper:

¿cuánta autonomía queremos conceder al sistema?

Tres niveles de agencia

Uno de los apartados especialmente útiles del trabajo propone diferenciar distintos grados de agencia.

Podemos trasladarlos al entorno construido.

IA asistiva

La IA analiza y recomienda.

La persona decide.

Ejemplo:

El sistema detecta que modificar determinados horarios de climatización podría reducir consumo y presenta la recomendación al gestor.

Agencia compartida

Persona y sistema participan en la decisión.

Ejemplo:

El sistema puede realizar automáticamente determinadas optimizaciones dentro de unos límites y solicita autorización para cambios importantes.

Agencia delegada

El sistema dispone de autonomía para actuar dentro de un dominio previamente definido.

Ejemplo:

El edificio gestiona determinados equipos automáticamente para cumplir objetivos de confort y consumo.

Cuanto mayor sea la autonomía, mayor debe ser el nivel de:

supervisión;

registro;

seguridad;

control;

responsabilidad;

y capacidad de intervención humana.

Esta cuestión será fundamental para edificios e infraestructuras inteligentes.

¿Cómo sabemos si un agente es bueno?

Otro punto especialmente interesante del paper es que medir únicamente precisión deja de ser suficiente.

Un agente debe evaluarse también por su capacidad para alcanzar objetivos a lo largo de procesos complejos.

Los autores señalan dimensiones como:

éxito en tareas largas;

gestión de memoria y contexto;

uso correcto de herramientas;

robustez ante diferentes instrucciones;

recuperación frente a errores;

coste;

latencia;

y resistencia a ataques.

En arquitectura podríamos añadir métricas específicas.

Por ejemplo:

cumplimiento normativo;

número de iteraciones;

reducción de tiempo;

errores introducidos;

coste computacional;

calidad de las alternativas;

mejora energética;

precisión presupuestaria;

intervenciones humanas necesarias.

Volvemos así a una idea recurrente en Arquitectura.Tech:

la IA debe evaluarse mediante resultados, no mediante espectacularidad.

El problema de la memoria

Los agentes basados en LLM presentan además una dificultad importante: la persistencia.

Un proyecto arquitectónico puede durar meses o años.

Un edificio puede existir durante décadas.

Un agente realmente útil tendría que recordar:

decisiones;

cambios;

restricciones;

versiones;

incidencias;

razonamientos anteriores;

resultados de simulaciones;

comportamiento histórico.

El paper identifica precisamente la memoria de largo plazo como uno de los grandes problemas abiertos.

Esto puede hacer especialmente relevante la combinación entre agentes y bases de conocimiento estructuradas.

No basta con una larga conversación.

Necesitamos memoria del proyecto.

Seguridad: cuando una IA ya puede actuar

Mientras la IA solamente genera una respuesta, un error puede resultar molesto.

Cuando puede ejecutar acciones, el problema cambia de escala.

El paper diferencia riesgos según el paradigma.

En sistemas neuronales aparecen amenazas como:

prompt injection;

manipulación del contexto;

alucinaciones;

desviación del objetivo;

ataques a datos;

uso incorrecto de herramientas.

En sistemas simbólicos encontramos otros riesgos:

reglas incorrectas;

casos no contemplados;

objetivos mal definidos;

fallos lógicos.

Los sistemas híbridos pueden heredar problemas de ambos.

Esta cuestión resulta especialmente importante cuando hablamos de infraestructura física.

No es lo mismo que un agente escriba incorrectamente un correo que permitirle modificar parámetros de un sistema de climatización, controlar maquinaria o intervenir sobre procesos de obra.

¿Quién es responsable cuando el agente decide?

Aquí encontramos uno de los grandes problemas futuros.

Si una persona utiliza una herramienta y toma una decisión, existe una cadena de responsabilidad relativamente reconocible.

Pero imaginemos:

un agente recibe un objetivo;

otro agente analiza información;

otro utiliza una herramienta;

otro modifica una propuesta;

el sistema ejecuta una acción;

y aparece un daño.

¿Quién decidió realmente?

¿El usuario?

¿El desarrollador?

¿El proveedor del modelo?

¿El diseñador del flujo?

¿El operador?

El paper considera que esta dificultad de atribución resulta especialmente problemática en los sistemas neuronales por su comportamiento probabilístico y emergente.

Para arquitectura, ingeniería y construcción esto no será un asunto secundario.

Será probablemente una condición necesaria para determinadas aplicaciones profesionales.

El control humano no puede consistir simplemente en «haber una persona»

Otro concepto importante es el control humano significativo.

Decir que existe un human in the loop no resuelve automáticamente el problema.

La persona debe:

comprender qué controla;

recibir información suficiente;

poder intervenir;

disponer de tiempo para hacerlo;

y tener autoridad para detener el proceso.

Un botón de aprobación que simplemente confirma sistemáticamente cientos de decisiones automáticas no constituye necesariamente una supervisión real.

Cuanto más autónomos sean los sistemas, más importante será diseñar correctamente la interfaz entre persona y agente.

Lo que el paper no demuestra

Aquí debemos introducir varias cautelas importantes.

La primera es editorial.

El documento analizado es arXiv:2510.25445v1, fechado el 29 de octubre de 2025.

Estamos por tanto ante un preprint, y debemos interpretarlo como tal.

La segunda es metodológica.

Los autores iniciaron su proceso con 165 registros procedentes de bases de datos y fuentes adicionales.

Después de eliminar duplicados quedaron 120.

La revisión de título y resumen descartó 42.

Finalmente quedaron 78 estudios contemporáneos elegibles y se añadieron posteriormente 12 trabajos seminales para proporcionar contexto histórico, obteniendo un corpus final de 90 publicaciones.

Esta incorporación adicional es reconocida explícitamente por los propios autores como una ampliación contextual respecto a una revisión puramente sistemática.

También reconocen otras limitaciones:

el campo evoluciona extraordinariamente rápido;

muchos sistemas avanzados son propietarios;

la documentación disponible puede resultar incompleta;

los estudios utilizan métricas heterogéneas;

y clasificar determinadas arquitecturas híbridas dentro de un paradigma u otro puede implicar simplificación.

Y existe una limitación especialmente importante para nuestro uso:

el paper no estudia la arquitectura ni el entorno construido como dominio específico.

Las aplicaciones arquitectónicas que hemos desarrollado aquí son, por tanto, interpretaciones y líneas de experimentación propuestas por Arquitectura.Tech, no resultados demostrados por los autores.

La lectura de Arquitectura.Tech

Este paper nos ayuda a formular una hipótesis importante.

La siguiente etapa de digitalización del entorno construido podría no consistir solamente en incorporar más IA a las herramientas existentes.

Podría consistir en conectar herramientas, modelos, datos y procesos mediante agentes capaces de perseguir objetivos.

Hasta ahora hemos tenido:

CAD para representar.

BIM para estructurar información.

simulación para evaluar.

IoT para medir.

gemelos digitales para reproducir estados.

IA para predecir y generar.

Los agentes podrían convertirse en la capa que empieza a orquestar todo lo anterior.

Podemos representarlo así:

Datos + BIM + GIS + simulación + IA + sensores + herramientas

↓

agentes especializados

↓

orquestación

↓

decisiones

↓

acciones

↓

nuevos datos

↓

aprendizaje y nueva decisión

Llegados a este punto, la IA deja de estar dentro de una única aplicación.

Empieza a convertirse en arquitectura del proceso.

Del paper al proyecto: Arquitectura.Tech Agentic Building Lab

Este paper prácticamente nos invita a desarrollar un experimento propio.

Podríamos crear progresivamente un pequeño:

Arquitectura.Tech Agentic Building Lab

El primer prototipo no necesitaría controlar ningún edificio real.

Podría trabajar sobre un caso simulado.

Por ejemplo:

Objetivo: mejorar el comportamiento de una pequeña vivienda mediterránea.

Podríamos construir varios agentes:

Agente de datos
Recopila clima y características del proyecto.

Agente arquitectónico
Propone modificaciones.

Agente energético
Ejecuta o consulta una simulación.

Agente económico
Evalúa costes aproximados.

Agente normativo
Comprueba determinadas restricciones mediante reglas explícitas.

Agente crítico
Busca inconsistencias.

Orquestador
Gestiona las iteraciones.

El sistema podría repetir:

propuesta → simulación → comprobación → crítica → modificación.

Y mediríamos:

número de iteraciones;

mejora obtenida;

coste;

tiempo;

errores;

intervenciones humanas;

y grado de cumplimiento.

Eso convertiría una idea abstracta —«agentes de IA para arquitectura»— en un experimento reproducible.

Y permitiría investigar algo todavía más interesante:

qué tareas deben ser neuronales, cuáles simbólicas y cuáles deben permanecer bajo decisión humana.

Ese podría convertirse en uno de los grandes ejes de investigación aplicada de Arquitectura.Tech.

Ficha del paper

Título: Agentic AI: A Comprehensive Survey of Architectures, Applications, and Future Directions

Autores: Mohamad Abou Ali y Fadi Dornaika

Afiliaciones principales: University of the Basque Country, IKERBASQUE, Lebanese International University y The International University of Beirut.

Tipo de documento: revisión sistemática / survey.

Repositorio: arXiv.

Identificador: arXiv:2510.25445v1

Fecha de esta versión: 29 de octubre de 2025.

Corpus contemporáneo principal: 78 estudios.

Trabajos teóricos adicionales: 12.

Corpus total utilizado: 90 publicaciones.

Metodología: revisión sistemática basada en PRISMA 2020 y síntesis temática.

Tema principal: arquitecturas, aplicaciones, gobernanza y futuro de la IA agente.

Concepto central: diferenciación entre paradigma simbólico/clásico y paradigma neuronal/generativo.

Dirección futura propuesta: integración neuro-simbólica e inteligencia híbrida.