Agentes de IA autónomos: cinco preguntas para elegir uno (Hermes, OpenClaw y Claude Code)
Reescrito en octubre de 2026. La versión de agosto era una comparativa cara a cara entre Hermes Agent y OpenClaw; ahora es una guía para elegir cualquier agente autónomo, con esos dos como ejemplos. Lo que caduca rápido —versiones, vulnerabilidades concretas— va en una sección con fecha.
Un agente de IA autónomo no es un chatbot que responde: es un programa que vive en tu máquina, ejecuta comandos, edita ficheros, navega, se conecta a tus apps y, sobre todo, recuerda lo que hizo ayer. En 2026 hay decenas y cada mes sale uno nuevo, así que más que una lista de ganadores te propongo las cinco preguntas que hago yo antes de dejar que uno toque mis cosas.
Las cinco preguntas para elegir un agente
1. ¿Qué recuerda, y dónde lo guarda?
La memoria es lo que convierte un asistente en un agente. Mira si es persistente entre sesiones, si puedes leerla y editarla (unos ficheros Markdown son transparentes; una base vectorial opaca, menos) y si vive en tu máquina o en un servidor ajeno. Si guarda cosas sensibles, esa memoria es un objetivo.
2. ¿Cómo aprende?
Los agentes buenos convierten lo que resolvieron una vez en skills reutilizables: instrucciones y scripts que cargan cuando los necesitan. Hay un estándar abierto para describirlas y varios agentes lo comparten, así que una skill bien escrita no te ata a una herramienta. Cómo se escribe una lo conté en Anatomía de un skill.
3. ¿Con qué se conecta?
Un agente vale lo que las herramientas que puede usar. Las integraciones propias de cada proyecto ayudan, pero lo que está ganando es MCP (Model Context Protocol): un servidor MCP expone tus datos o servicios una vez y lo usan todos los agentes compatibles. Yo lo uso para que los agentes lean y escriban en mi documentador y para que se pasen trabajo entre sí con un correo entre agentes.
4. ¿Qué modelo usa, y quién paga?
Casi todos son agnósticos de modelo: funcionan con Claude, GPT, Gemini o un modelo local. Eso significa que el software suele ser gratis y lo que pagas es la API del modelo, o nada si lo ejecutas en casa. Antes de ir a local, mide si tu máquina da la talla (para eso escribí sobre llmfit) y qué tareas aguanta un modelo pequeño (lo probé con mi RAG local).
5. ¿Qué puede romper?
Es la pregunta que más se salta y la que más importa. Un agente con acceso a tu terminal, tus ficheros y tus cuentas es una superficie de ataque enorme. Antes de instalarlo:
- Permisos mínimos: que no corra con tu usuario completo si no lo necesita; mejor en un contenedor o una máquina aparte.
- Aprobación humana para lo irreversible: borrar, enviar, pagar, publicar o hacer push.
- Skills y plugins auditados: un repositorio comunitario es una cadena de suministro; lee lo que instalas.
- Nunca expuesto a internet sin autenticación, y sin credenciales en texto plano en su configuración.
Dos filosofías: profundidad o amplitud
Los dos agentes personales más conocidos de 2026 encarnan las dos respuestas extremas a esas preguntas.
Hermes Agent, de Nous Research (el laboratorio de la familia de modelos abiertos Hermes), apuesta por la profundidad: un bucle de aprendizaje en el que, al terminar una tarea compleja, el agente escribe skills que reutiliza y refina después. Tiene CLI, interfaz de terminal, app de escritorio, subagentes aislados y buena relación con modelos locales. Brilla en la automatización recurrente que debe mejorar con el tiempo.
OpenClaw apuesta por la amplitud. Nació en noviembre de 2025 como un prototipo de Peter Steinberger para hablar con un modelo desde WhatsApp, cambió varias veces de nombre y creció hasta tener un catálogo enorme de integraciones: mensajería, correo, calendario, domótica, navegador… Corre como servicio en tu equipo, guarda la memoria en ficheros Markdown y tiene un planificador que actúa sin que se lo pidas. Es potentísimo, y por eso mismo exige fortificarlo.
| Hermes Agent | OpenClaw | |
|---|---|---|
| Filosofía | Profundidad: un agente que aprende | Amplitud: un agente que se conecta con todo |
| Memoria | Persistente, con recuperación por búsqueda | Ficheros Markdown locales |
| Skills | Las crea él mismo y las refina | Catálogo comunitario muy grande |
| Modelos | Agnóstico, fuerte en local | Agnóstico, trae tu propia clave |
| Licencia | MIT | MIT |
| Mejor para | Automatización recurrente | Orquestar muchas apps |
| Riesgo principal | Juventud del ecosistema | Superficie de ataque (ver abajo) |
Y una tercera: el agente supervisado
Hay otra forma de trabajar con agentes que no aparece en las comparativas de «agentes personales» porque no presume de autonomía: la del agente supervisado. Trabaja en tu repositorio y en tu terminal, propone y ejecuta, pero las acciones con consecuencias pasan por ti. Es el modelo de Claude Code, y responde a las cinco preguntas con las mismas piezas: memoria en ficheros que puedes leer, skills con el estándar abierto, MCP para conectarse a todo, subagentes para repartir trabajo y permisos que decides tú.
Es el modelo con el que trabajo a diario, y el método que enseño en iadev parte de él. Menos autónomo que Hermes u OpenClaw, sí; pero cuando el agente toca código que va a producción o tus cuentas, que te pregunte antes no es una limitación, es la característica.
La seguridad, con fecha: lo que pasó con OpenClaw en 2026
Esta sección refleja lo publicado hasta agosto de 2026; el proyecto ha ido parcheando y puede haber cambiado. OpenClaw acumuló un historial de vulnerabilidades notable, recogido por medios y firmas de seguridad:
- Ejecución remota de código de un clic por secuestro de WebSocket (la apodada «ClawBleed»).
- Escalada de privilegios en la rotación de tokens que podía terminar en ejecución remota.
- Miles de instancias expuestas a internet sin autenticación, con credenciales en texto plano en la configuración.
- Skills maliciosas distribuidas por el repositorio comunitario.
El proyecto respondió con parches y verificación criptográfica de skills. La lección vale para cualquier agente: es exactamente la lista de la pregunta 5.
¿Cuál elijo?
- Quieres automatizar tareas recurrentes y que el agente mejore solo, a poder ser con modelos locales: un agente de profundidad, como Hermes.
- Necesitas conectar el agente con medio ecosistema de apps y estás dispuesto a fortificarlo tú: uno de amplitud, como OpenClaw, aislado y con aprobación humana.
- Trabajas con código, repositorios o sistemas que importan: un agente supervisado, como Claude Code, que hace mucho pero te consulta lo irreversible.
La pregunta no es qué agente es mejor, sino cuánto riesgo estás dispuesto a gestionar tú y cuánto control quieres conservar.
Publicado el 19 de agosto de 2026 como comparativa; reescrito como guía el 12 de octubre de 2026. Basado en la documentación pública de cada proyecto y en avisos de seguridad de terceros.