For a long time, when people talked about Artificial Intelligence, the conversation revolved almost entirely around models: which one was better, which one understood more, which one produced the best responses.

Today, in the world of AI agents, that focus is starting to fall short.

The real value of an agent is not defined by the model it uses. It’s defined by what it can do. And what it can do is determined by its skills.

Just as context engineering is starting to take precedence over prompt engineering, another quiet shift is taking shape: the true building blocks of AI-powered software are no longer models, but the capabilities layered around them.

What Is a “Skill” in an AI Agent?

A skill is a concrete, modular, and reusable capability that allows an agent to perform a specific task within a real-world process.

It’s not just knowledge. It’s action.

For example, a skill might allow an agent to:

• Research information about a company

• Analyze an Excel file

• Interpret a PDF document

• Generate marketing content

• Cross-reference data from multiple sources

• Summarize technical documentation

• Classify information

• Prepare structured reports

Each of these capabilities can be encapsulated as a functional unit that an agent can invoke when needed.

In that sense, a skill is closer to an operational module than to a simple instruction.

From Models to Capabilities

In the early phase of AI adoption, the focus was on choosing the right model:

• GPT-4

• Claude

• Gemini

• Llama

The key question was: “Which one should we use?”

In agent-based architectures, the question is increasingly becoming:

“What skills does this agent need to operate within this business?”

That shift is fundamental.

Two agents can rely on the exact same base model and still deliver completely different levels of value depending on the skills they have.

One may act as a generic conversational assistant. Another may function as an operator that understands processes, analyzes documents, researches data, and produces actionable outputs.

The difference is not in the model. It’s in the skills.

Skills as the New Unit of Software

For decades, software was built around features: specific functionalities embedded within applications.

With AI agents, a different paradigm is emerging.

Skills behave like reusable building blocks that can be combined to solve complex problems.

For example, an agent focused on information analysis might integrate skills such as:

• document reading

• data extraction

• semantic interpretation

• summarization

• cross-document comparison

A marketing-oriented agent might include:

• account research

• content generation

• trend analysis

• adaptive writing

Each skill adds a layer of capability. And the combination of skills ultimately defines the true identity of the agent.

Cognitive, Functional, and Operational Skills

When examined more closely, skills operate across three dimensions at once:

Functional skills: Allow the agent to interact with information. Reading files, searching data, processing content, generating outputs.

Cognitive skills: Allow the agent to reason. Comparing, prioritizing, synthesizing, inferring, detecting patterns.

Operational skills: Allow the agent to act. Integrating with systems, executing tasks, triggering processes.

A truly valuable agent combines all three.

It doesn’t just understand. It doesn’t just respond. It operates.

Why This Changes How Agents Are Designed

When the focus shifts to skills, designing agents stops being about writing better prompts and becomes an architectural challenge.

The relevant questions become:

• What capabilities does this agent need for this process?

• What information does it require to execute them?

• How do these skills interact with each other?

• Which tasks can be automated end-to-end?

This brings agent design much closer to system architecture than to tool usage.

Agents That Understand the Business

In corporate environments, this perspective becomes even more important.

An agent working with business documentation, for example, shouldn’t just “answer questions.”

It needs skills to:

• interpret structured and unstructured files

• understand relationships between documents

• identify relevant data points

• apply business rules

• generate consistent, reliable outputs

When these capabilities are encapsulated as skills, the agent stops being an assistant and becomes an operational component within the workflow.

Real Scalability

Another key factor is scalability.

Prompts don’t scale well because they depend on the user. Skills do scale, because they are designed once and reused many times.

A well-defined skill can be leveraged across:

• multiple agents

• different processes

• different departments

• different clients

This makes it possible to build increasingly rich agent ecosystems, where value doesn’t come from a single interaction, but from the cumulative set of capabilities.

The Natural Evolution of AI-Powered Software

As organizations begin integrating agents into their operations, the landscape is changing.

It’s no longer just about:

• choosing a model

• writing a prompt

• getting a response

It’s about designing systems with specific capabilities, connected to real processes and able to operate on business data.

In agent platforms such as Lirina.ai, for example, the focus is precisely on this: building sets of skills that allow agents to work with files, understand workflows, process information, and generate meaningful outputs within the operational context of SMEs.

That shift marks the difference between experimenting with AI and using it to solve real problems.

A Shift in Mindset

Moving from models to skills requires a conceptual change.

Instead of thinking: “What can this model answer?”

The question becomes: “What can this agent actually do?”

And that moves the conversation from technology to operational capability.

The True Value of an Agent

Over time, models will continue to improve and become increasingly accessible. High-quality AI will be widely available.

What will differentiate organizations won’t be the model they use, but the capabilities they’ve built around it.

Skills become the DNA of the agent.

They define:

• what it can do

• how it interacts with the world

• and what real value it can generate

An agent is not a model. It’s a system of capabilities.

And within that skills architecture is where the next generation of AI-powered software is being built.

Un agente no es un modelo: es un sistema de skills

Durante mucho tiempo, cuando se hablaba de Inteligencia Artificial, la conversación giraba casi exclusivamente alrededor de los modelos: cuál era mejor, cuál entendía más, cuál generaba mejores respuestas.

Hoy, en el mundo de los agentes, ese foco empieza a quedarse corto.

El valor real de un agente no está en el modelo que usa. Está en lo que es capaz de hacer. Y eso se define por sus skills.

Así como la ingeniería de contexto se está imponiendo sobre la ingeniería de prompts, hay otra transición silenciosa que empieza a consolidarse: la unidad real de construcción de software con IA ya no es el modelo, sino las habilidades que se le incorporan.

Qué es una “skill” en un agente de IA

Una skill es una capacidad concreta, modular y reutilizable que le permite a un agente ejecutar una tarea específica dentro de un proceso real.

No es solo conocimiento. Es acción.

Por ejemplo, una skill puede ser:

• Investigar información sobre una empresa.

• Analizar un archivo Excel.

• Interpretar un PDF.

• Generar contenido para marketing.

• Cruzar datos de múltiples fuentes.

• Resumir documentación técnica.

• Clasificar información.

• Preparar un informe.

Cada una de estas capacidades puede encapsularse como una unidad funcional que el agente puede invocar cuando la necesita.

En ese sentido, una skill se parece más a un “módulo operativo” que a una simple instrucción.

De modelos a capacidades

En la primera etapa de adopción de IA, el enfoque estaba puesto en el modelo:

• GPT-4

• Claude

• Gemini

• Llama

La pregunta era: “¿Cuál usamos?”

Hoy, en arquitecturas basadas en agentes, la pregunta empieza a ser otra:

“¿Qué skills necesita este agente para operar dentro de este negocio?”

Ese cambio es clave.

Dos agentes pueden usar exactamente el mismo modelo base y, sin embargo, tener un valor completamente distinto si sus capacidades son diferentes.

Uno puede ser un asistente conversacional genérico. Otro puede convertirse en un operador que entiende procesos, analiza documentos, investiga datos y produce resultados accionables.

La diferencia no está en el modelo. Está en las skills.

Las skills como la nueva unidad de software

Durante décadas, el software se construyó en torno a features: funcionalidades específicas diseñadas dentro de una aplicación.

Con los agentes, empieza a aparecer un paradigma distinto.

Las skills funcionan como bloques reutilizables que pueden combinarse para resolver problemas complejos.

Por ejemplo, un agente orientado a análisis de información puede integrar skills como:

• lectura de documentos,

• extracción de datos,

• interpretación semántica,

• generación de resúmenes,

• comparación entre fuentes.

Un agente de marketing puede tener otras:

• investigación de cuentas,

• generación de contenido,

• análisis de tendencias,

• redacción adaptativa.

Cada skill agrega una capa de capacidad. Y la combinación de skills define la identidad real del agente.

Skills cognitivas, funcionales y operativas

Cuando se analiza en profundidad, las skills no son solo técnicas. Se mueven en tres planos al mismo tiempo:

Skills funcionales: Permiten interactuar con información. Leer archivos, buscar datos, procesar contenido, generar outputs.

Skills cognitivas: Permiten razonar. Comparar, priorizar, sintetizar, inferir, detectar patrones.

Skills operativas: Permiten actuar. Integrarse con sistemas, ejecutar tareas, disparar procesos.

Un agente verdaderamente útil combina los tres niveles.

No solo entiende. No solo responde. Opera.

Por qué esto cambia cómo se diseñan los agentes

Cuando el foco se pone en las skills, el diseño de agentes deja de ser una cuestión de prompts bien escritos y pasa a ser un problema de arquitectura.

Las preguntas relevantes empiezan a ser:

• ¿Qué habilidades necesita este agente para este proceso?

• ¿Qué información requiere para ejecutarlas?

• ¿Cómo se combinan entre sí?

• ¿Qué tareas puede automatizar de punta a punta?

Esto acerca mucho más el diseño de agentes al diseño de sistemas que al uso de herramientas.

Agentes que entienden el negocio

En entornos corporativos, este enfoque se vuelve todavía más evidente.

Un agente que trabaja con documentación empresarial, por ejemplo, no necesita solo “responder preguntas”.

Necesita skills para:

• interpretar archivos estructurados y no estructurados,

• entender relaciones entre documentos,

• identificar datos relevantes,

• aplicar reglas del negocio,

• generar resultados consistentes.

Cuando esas capacidades se encapsulan como skills, el agente deja de ser un asistente y pasa a ser una pieza operativa dentro del flujo de trabajo.

Escalabilidad real

Otro punto clave es la escalabilidad.

Los prompts no escalan bien porque dependen del usuario. Las skills sí escalan, porque se diseñan una vez y se reutilizan muchas veces.

Una skill bien definida puede ser usada por:

• distintos agentes,

• distintos procesos,

• distintas áreas,

• distintos clientes.

Eso permite construir ecosistemas de agentes cada vez más ricos, donde el valor no está en una interacción puntual, sino en la suma de capacidades.

La evolución natural del software con IA

A medida que las organizaciones empiezan a integrar agentes en sus operaciones, el mapa empieza a cambiar.

Ya no se trata solo de:

• elegir un modelo,

• escribir un prompt,

• obtener una respuesta.

Se trata de diseñar sistemas que tengan habilidades específicas, conectadas con procesos reales y capaces de operar sobre información del negocio.

En plataformas orientadas a agentes como Lirina.ai, por ejemplo, el foco está justamente en eso: construir conjuntos de skills que permitan a los agentes trabajar con archivos, entender flujos, procesar información y generar resultados útiles dentro del contexto operativo de las PyMEs.

Ese enfoque marca la diferencia entre experimentar con IA y usarla para resolver problemas concretos.

Un cambio de mentalidad

El paso de modelos a skills implica un cambio conceptual importante.

En lugar de pensar: “¿Qué puede responder este modelo?”

La pregunta pasa a ser: “¿Qué sabe hacer este agente?”

Y eso lleva la conversación desde la tecnología hacia la capacidad operativa.

El verdadero valor de un agente

En el largo plazo, los modelos van a seguir mejorando y homogeneizándose. El acceso a buena IA será cada vez más común.

Lo que va a diferenciar a las organizaciones no será el modelo que usen, sino las habilidades que hayan construido alrededor de él.

Las skills se convierten así en el ADN del agente.

Son lo que define:

• qué puede hacer,

• cómo interactúa con el mundo,

• y qué valor real puede generar.

Un agente no es un modelo. Es un sistema de capacidades.

Y en esa arquitectura de skills es donde empieza a construirse la próxima generación de software basado en Inteligencia Artificial.