IA agéntica en 2026: Hermes, NVIDIA Nemotron y el stack de modelos abiertos

La frontera interesante en 2026 no es un chatbot más grande. Es el agente: un modelo que planifica, llama a herramientas, lee los resultados y repite el bucle hasta terminar una tarea. El chat responde a una pregunta; un agente cambia el estado de un sistema. Y en cuanto un modelo puede actuar, la fiabilidad deja de ser un detalle y se convierte en el producto entero.

Dos familias de pesos abiertos se han vuelto la columna vertebral de los agentes autoalojados: Hermes de Nous Research y Nemotron de NVIDIA. Aquí va por qué, y qué pinta tiene el stack a su alrededor.

Qué exige de verdad ser «agéntico»

Un modelo conversacional competente no es automáticamente un agente competente. Los agentes viven o mueren por un conjunto más estrecho de habilidades:

• Function calling — emitir llamadas a herramientas bien formadas y válidas según el esquema, siempre, no la mayoría de las veces.
• Salida estructurada — JSON fiable que el código de alrededor pueda parsear sin heurísticas.
• Dirigibilidad — obedecer de verdad el system prompt que define el rol y los límites del agente.
• Razonamiento dentro de un bucle — planificar trabajo de varios pasos y recuperarse cuando una herramienta devuelve un error.

Un modelo que es un 2 % mejor en trivialidades pero un 20 % peor emitiendo llamadas válidas a herramientas es un peor agente. Ese único hecho explica casi todo el panorama de modelos abiertos.

Hermes: el caballo de batalla abierto y dirigible

Hermes, de Nous Research, es una familia de fine-tunes construidos sobre bases abiertas como Llama. Su reputación se apoya en tres cosas que a quien construye agentes le importan: un function calling fuerte, una salida estructurada/JSON fiable y un alineamiento deliberadamente neutral y dirigible —sigue tu system prompt en vez de una personalidad fijada por el fabricante—.

Para agentes autoalojados que deben encajar en tus propias barreras y comportarse de forma predecible, esa dirigibilidad es todo el atractivo. Tú defines el rol; el modelo se ciñe a él. Es el mismo instinto detrás de ejecutar modelos en local que exploré antes: control sobre el comportamiento, no solo sobre los pesos.

NVIDIA Nemotron: razonamiento afinado para herramientas

Nemotron es la línea de modelos abiertos de NVIDIA, y los modelos de razonamiento Llama Nemotron (en tamaños Nano, Super y Ultra) están afinados explícitamente para trabajo agéntico: razonamiento de varios pasos y llamada a herramientas, con un razonamiento que puedes activar para tareas duras y desactivar para las baratas. Vienen con pesos abiertos y se empaquetan como microservicios NIM para desplegarlos tras una API estándar.

La familia Nemotron también se gana el sueldo en un sitio poco glamuroso: la generación de datos sintéticos. Las variantes mayores de reward e instruct se usan mucho para generar y calificar datos de entrenamiento de otros modelos —incluidos agentes que quizá afines tú mismo—.

El stack alrededor del modelo

El modelo es quizá un tercio de un agente que funciona. El resto es ingeniería:

• Esquemas de herramientas — definiciones de función ajustadas y bien descritas. Esquemas vagos producen llamadas vagas.
• Orquestación — un bucle planificar/actuar/observar (estilo ReAct), con límites de pasos y timeouts para que un agente confundido falle rápido en vez de quemar tokens eternamente.
• Barreras (guardrails) — valida cada llamada a herramienta antes de ejecutarla; nunca dejes que el modelo llegue a sistemas de producción sin control.
• Evals — un conjunto dorado de tareas que reejecutas ante cada cambio de modelo o de prompt. Sin evals no haces ingeniería, adivinas.
• Observabilidad — traza cada paso. Cuando un agente se descarríe a las 2 de la mañana, la traza es lo único que te salva.

Abierto vs API: cómo elegir

Los modelos frontera por API siguen siendo la forma más fácil de tener un agente competente funcionando hoy, y para muchos equipos esa es la decisión correcta. Tira del stack abierto —Hermes, Nemotron— cuando necesites residencia de datos, coste predecible a gran volumen, personalización profunda vía fine-tuning o simplemente la garantía de que el modelo no cambiará bajo tus pies el trimestre que viene. A menudo la respuesta pragmática es una mezcla: un modelo frontera para el razonamiento duro, un modelo abierto para las llamadas frecuentes y bien acotadas.

---

La IA agéntica premia la disciplina de ingeniería aburrida mucho más que el bombo del modelo: herramientas ajustadas, un bucle estricto, barreras reales y evals en las que confíes. Elige un modelo genuinamente bueno en llamada a herramientas —Hermes y Nemotron lo son— y gasta tu energía en el arnés que lo rodea. Si vas a conectar un agente a datos reales de negocio, empieza donde viven los datos: el lakehouse de Databricks y Fabric con Copilot Studio.