Bucles en agentes de IA: los 3 loops explicados

En pocas palabras: El agentic loop no es uno solo: son tres bucles apilados que describe el artículo de bobbytables.io. El de inferencia mantiene viva la conversación, el de ejecución corre las herramientas (function calling) y el de aprobación humana frena las acciones irreversibles.

Los bucles en agentes de IA son tres ciclos apilados: el de inferencia, el de ejecución de herramientas y el de aprobación humana. Juntos hacen que un agente parezca un sistema autónomo único, cuando en realidad son tres loops coordinados que se llaman entre sí en cada turno.

“The Agentic Loop: Three loops in a trench coat” es un artículo técnico publicado en bobbytables.io que describe la arquitectura de un agente de IA como tres bucles anidados: el loop de inferencia (mantiene viva la conversación), el loop de ejecución de herramientas (function calling) y el loop de aprobación humana (frena acciones irreversibles). El nombre juega con la imagen de tres personas apiladas en un abrigo fingiendo ser una sola.

En 30 segundos

Son tres loops, no uno. Inferencia, herramientas y aprobación humana, cada uno con su función.
El LLM no recuerda nada. Las APIs son stateless, así que el historial completo se reenvía en cada llamada.
El tercer loop es el que menos se implementa. Es el que frena que el agente mande un email o borre una tabla sin que un humano diga que sí.
El campo argentino es un caso temprano. Según agendarweb (2026), el agro es de los primeros sectores locales en probar agentes en producción.
El riesgo real: el bucle infinito. Sin criterio de parada claro, el agente sigue llamándose a sí mismo y quema tokens sin límite.

¿Qué diferencia a un agente autónomo de un chatbot?

Un agente autónomo ejecuta acciones en bucle; un chatbot responde y se queda quieto. Esa es la diferencia de fondo. El chatbot recibe tu mensaje, te contesta y ahí termina la historia. El agente recibe un objetivo, decide qué hacer, lo hace, mira el resultado y vuelve a decidir. Repite hasta que considera que terminó.

Ponele que le pedís a un chatbot que te reserve un vuelo. Te va a explicar cómo hacerlo, con pasos numerados y todo. Amable, pero inútil para la tarea.

Un agente, en cambio, abre el buscador, consulta precios, compara fechas, arma la reserva y (acá viene lo interesante) te frena antes de pagar para que confirmes. La evolución de 2026 es esa: los agentes pasan de responder preguntas a ejecutar acciones con consecuencias reales. Y donde hay consecuencias reales, hay que tener cuidado con cómo está armado el sistema por dentro.

El primer bucle: cómo funciona el loop de inferencia

El loop de inferencia es el ciclo externo que mantiene la conversación viva: en cada vuelta, el sistema le reenvía al modelo todo el historial acumulado y el modelo responde con el siguiente paso. Es el corazón del agente, y también el más fácil de subestimar.

Acá está el detalle que sorprende a mucha gente: el LLM no recuerda nada entre llamadas. La API es stateless. Cada vez que le hablás, es como si el modelo naciera de nuevo, leyera todo el contexto de golpe y respondiera. No hay memoria escondida en el servidor. Relacionado: en nuestro artículo sobre governance corporativo.

¿Y entonces cómo mantiene una conversación de veinte turnos? Reenviando los veinte turnos completos en cada llamada. Vos le mandás mensaje 1, guardás la respuesta, y en el mensaje 2 le mandás el 1, la respuesta y el 2, todo junto. El loop de inferencia es básicamente un while que arma ese historial, se lo tira al modelo, agrega la respuesta a la lista y vuelve a empezar hasta que el modelo dice “listo, no necesito hacer nada más”.

Eso tiene una consecuencia práctica que vas a sentir en la factura: cuanto más larga la conversación, más tokens viajan en cada llamada. El contexto crece, el costo crece. Por eso la compresión de contexto no es un lujo, es supervivencia.

El segundo bucle: ejecución de herramientas y function calling

El segundo bucle es donde el agente deja de hablar y empieza a hacer: el modelo elige una herramienta, decide los parámetros, y el sistema la ejecuta y le devuelve el resultado. Function calling, en la jerga. Es el puente entre “el modelo piensa una acción” y “la acción efectivamente pasa”.

El flujo es más simple de lo que parece. Vos le declarás al modelo un catálogo de herramientas: buscar_vuelo, enviar_email, consultar_stock, lo que sea, cada una con su descripción y sus parámetros. El modelo, cuando lo necesita, responde no con texto sino con una intención estructurada: “quiero llamar a buscar_vuelo con origen=EZE, destino=MAD”. Tu código ejecuta esa función de verdad y le devuelve el resultado al modelo, que sigue razonando con ese dato nuevo en la mano.

Ojo con dos cosas que rompen esto en producción:

Alucinación de nombres. El modelo a veces inventa una herramienta que no existe, o le erra al nombre. Tu código tiene que validar contra el catálogo real y devolver un error claro, no explotar.
Correlación de llamadas. Cuando el modelo pide varias herramientas a la vez, cada llamada lleva un ID. Si no matcheás el resultado con el ID correcto, le devolvés la respuesta equivocada a la pregunta equivocada y el agente se marea.

El código defensivo acá no es opcional. El modelo es probabilístico, no determinista, y tarde o temprano te va a mandar algo raro.

El tercer bucle: por qué la aprobación humana es crítica

El tercer bucle mete un humano en el medio antes de cualquier acción irreversible: el agente se frena, pide autorización y no avanza hasta que una persona confirma. Es el loop más difícil de implementar y, según el artículo original, el que más gente se saltea. Grave error. Tema relacionado: según nuestro análisis sobre ChatGPT.

El ejemplo del artículo lo deja clarísimo. Tom le pide a un agente que le responda un email a un cliente. El agente redacta la respuesta, perfecto. Pero, ¿la manda solo? Si la manda y quedó mal, ya está, el cliente lo recibió, no hay Ctrl+Z. La acción es irreversible. Ahí es donde el tercer loop pone un semáforo: el agente muestra el borrador, se detiene, y espera que Tom apriete “enviar”.

Técnicamente esto es un mecanismo blocking. El bucle se pausa, literal, y no sigue hasta recibir la señal humana. El problema es que una pausa puede durar segundos o días, y mientras tanto el proceso tiene que sobrevivir a reinicios, caídas y despliegues. Por eso aparecen los frameworks de ejecución durable, que persisten el estado del agente para retomarlo intacto cuando el humano por fin responde.

Esto es lo que separa un agente seguro de uno peligroso. Un agente sin tercer loop es un becario con acceso a producción y sin supervisión. Suena eficiente hasta que borra la tabla equivocada.

¿Por qué los bucles en agentes de IA parecen un solo sistema?

Porque están apilados de tal forma que desde afuera se ven como una sola cosa inteligente, y de ahí viene la metáfora del “trench coat”. La imagen es la del meme clásico: tres chicos, uno arriba del otro, metidos en un solo abrigo largo, haciéndose pasar por un adulto para entrar al cine. Nadie es un adulto. Juntos, casi cuela.

Con los bucles en agentes de IA pasa igual. El loop de inferencia, el de herramientas y el de aprobación son tres piezas separadas, cada una con su lógica. Pero cuando trabajan coordinadas, generan la ilusión de un único sistema autónomo que “entiende” y “actúa”. La “inteligencia” del agente no vive en ningún loop en particular. Emerge de los tres funcionando juntos.

El término se viralizó porque desarma un mito cómodo. No hay una caja mágica que razona. Hay tres ciclos bastante mundanos, uno reenviando texto, otro llamando funciones, otro esperando un clic humano, disfrazados de agente. Entender eso te cambia la cabeza a la hora de debuggear: cuando algo falla, sabés cuál de los tres abrigos revisar. Más contexto en en nuestra guía de modelos con razonamiento.

¿Cómo se comparan los tres loops?

Cada bucle resuelve un problema distinto y falla de una manera distinta. Esta tabla lo resume:

Loop	Qué hace	Reto principal	Si falla
Inferencia	Reenvía el historial y obtiene el próximo paso del modelo	El LLM es stateless: hay que mandar todo el contexto siempre	Costo de tokens que explota y contexto que se desborda
Herramientas	Ejecuta funciones que el modelo pide (function calling)	Nombres alucinados y correlación de IDs de llamada	El agente actúa sobre datos equivocados
Aprobación humana	Frena acciones irreversibles hasta que una persona confirma	Pausas largas que exigen ejecución durable	Acciones sin control: emails, borrados, pagos indeseados

bucles en agentes de ia diagrama explicativo

Cómo evitar los bucles infinitos en un agente

Un bucle infinito ocurre cuando el agente no tiene un criterio de parada claro y sigue llamándose a sí mismo sin llegar nunca a “terminé”. El loop de inferencia está diseñado para repetir hasta que el objetivo se cumple. Si ese objetivo está mal definido, no se cumple nunca.

El caso típico: le pedís al agente “mejorá este texto” sin decir cuándo está lo bastante mejorado. El agente reescribe, evalúa, decide que puede mejorar más, reescribe de nuevo. Y así al infinito, quemando tokens en cada vuelta. El consumo no crece lineal, crece feo, porque cada iteración arrastra todo el contexto anterior.

Cómo lo cortás:

Objetivo cuantificable. “Resumí en máximo 100 palabras” tiene una condición de éxito verificable. “Hacelo mejor” no.
Límite duro de iteraciones. Un tope de vueltas (por ejemplo, 10) como red de seguridad, incluso si el agente cree que no terminó.
Presupuesto de tokens. Cortás cuando la conversación pasa cierto tamaño, y comprimís el contexto viejo antes de seguir.
Detección de repetición. Si el agente llama a la misma herramienta con los mismos parámetros dos veces seguidas, está girando en falso. Frenalo.

Un agente bien diseñado sabe cuándo parar. Uno mal diseñado te llega en la factura de la API a fin de mes.

Agentes con loops en producción 2026: casos reales en Argentina

En Argentina, el agro es uno de los primeros sectores en llevar agentes autónomos a producción real durante 2026, según la columna de agendarweb. Tiene lógica: el campo tiene tareas rígidas, datos masivos de sensores y clima, y procesos repetitivos que se prestan a la automatización por bucles.

¿Por qué el campo antes que, digamos, un banco? Porque muchas decisiones agrícolas son medibles y acotadas. Cuándo regar, cuánto fertilizante, qué lote cosechar primero. Un agente puede iterar sobre datos concretos y proponer acciones con criterios de éxito claros, que es justo lo que evita el bucle infinito del que hablábamos.

En la vereda de las plataformas, el ecosistema 2026 se mueve alrededor de nombres como OpenAI Operator, Claude y Manus, cada uno con su forma de orquestar estos loops. Y hay un movimiento de fondo que no es técnico sino legal: se discute cómo encuadrar a las empresas que operan con agentes autónomos, incluida una eventual modificación de la Ley de Sociedades para las llamadas “empresas headless” gestionadas por IA. Tomalo con pinzas: es un debate abierto, no una ley vigente.

Para equipos en Latinoamérica el mensaje práctico es directo. Si vas a poner un agente a ejecutar acciones reales, el tercer loop no es negociable, y la infraestructura donde corra (servidores, VPS, cloud) tiene que aguantar procesos que se pausan y retoman. Si necesitás alojar ese backend, donweb.com tiene hosting y cloud en la región para arrancar sin vueltas.

¿Qué está confirmado y qué no?

Conviene separar lo que sabemos de lo que todavía es rumor o proyección.

Confirmado: el modelo de tres loops (inferencia, herramientas, aprobación) está descripto en detalle en el artículo original de bobbytables.io.
Confirmado: las APIs de LLM son stateless y exigen reenviar el contexto completo en cada llamada. Esto es documentación técnica estándar, no opinión.
Confirmado: el agro argentino figura entre los primeros casos locales de agentes en producción, según medios especializados de 2026.
No confirmado: la modificación de la Ley de Sociedades para empresas gestionadas por IA. Es un debate en curso, sin norma sancionada al día de hoy.
No confirmado: cifras de adopción o ROI de agentes por sector. Todo indica que crece, pero no hay un dato duro y verificable para citar sin inventarlo.

Errores comunes al implementar bucles en agentes

Estos son los tropiezos que se repiten cuando alguien arma su primer agente:

Saltarse el loop de aprobación humana. Es el más tentador de omitir porque “funciona igual” en la demo. Después, en producción, el agente ejecuta algo irreversible y no hay vuelta atrás. Corrección: identificá qué acciones no se pueden deshacer y ponéles un semáforo humano obligatorio.
Asumir que el modelo recuerda. Mucha gente arma el segundo turno sin reenviar el historial y no entiende por qué el agente “se olvidó” de todo. Corrección: acordate que es stateless y que el contexto viaja completo en cada llamada.
No manejar herramientas alucinadas. El código explota la primera vez que el modelo inventa un nombre de función. Corrección: validá siempre contra el catálogo real y devolvé un error legible que el modelo pueda leer y corregir.
Definir objetivos sin condición de parada. Es la receta del bucle infinito. Corrección: todo objetivo tiene que ser medible, con un tope de iteraciones como red.

Preguntas Frecuentes

¿Qué son los tres loops en los agentes de IA?

Son tres bucles apilados: el de inferencia (reenvía el historial y obtiene el próximo paso del modelo), el de ejecución de herramientas (function calling) y el de aprobación humana (frena acciones irreversibles). Trabajando juntos crean la ilusión de un único agente autónomo, de ahí el apodo “three loops in a trench coat”. Cubrimos ese tema en detalle en según nuestro análisis de Google.

¿Cómo funcionan los agentes autónomos?

Reciben un objetivo y ejecutan en bucle: deciden una acción, la realizan con una herramienta, observan el resultado y vuelven a decidir hasta cumplir la meta. A diferencia de un chatbot, que solo responde, un agente actúa sobre el mundo real (manda emails, consulta bases, hace reservas) hasta que su criterio de parada se cumple.

¿Cuál es la importancia del loop de aprobación humana?

Es lo que separa un agente seguro de uno riesgoso. El loop de aprobación frena cualquier acción irreversible (enviar un email, borrar datos, hacer un pago) hasta que una persona la confirma. Sin él, el agente puede ejecutar errores que no tienen deshacer, como en el ejemplo del email de Tom.

¿Cómo implementar un agente con loops?

Arrancá por el loop de inferencia (un ciclo que reenvía el contexto completo al modelo en cada vuelta porque la API es stateless), sumá el loop de herramientas con validación de nombres e IDs de llamada, y cerrá con el loop de aprobación humana usando un mecanismo blocking. Para las pausas largas conviene un framework de ejecución durable que persista el estado.

¿Qué empresas usan agentes con loops en Argentina?

En 2026, el sector agropecuario es uno de los primeros en llevar agentes autónomos a producción, según medios locales. En cuanto a plataformas, el ecosistema gira en torno a OpenAI Operator, Claude y Manus. Hay además un debate legal abierto sobre cómo encuadrar a las empresas gestionadas por IA, sin norma sancionada todavía.

Conclusión

Lo que cambió es la forma de mirar a un agente de IA. Dejó de ser una caja mágica que “razona” y pasó a ser lo que siempre fue: tres loops bastante concretos, apilados en un abrigo, fingiendo ser uno solo. Entender esa arquitectura no es un capricho teórico. Es lo que te permite debuggear cuando algo falla y saber en cuál de los tres ciclos meter mano.

Si vas a construir un agente en 2026, quedate con esto: el loop de inferencia te va a doler en tokens, el de herramientas te va a doler con nombres alucinados, y el de aprobación humana es el que te salva de un desastre irreversible. Empezá siempre por definir qué acciones no se pueden deshacer y ponéles un humano en el medio. El resto es optimización.

Los 3 bucles que forman un agente de IA (y por qué importan)