¿Cuándo no hace falta un agente?
No toda tarea necesita un agente. Cuando los pasos se conocen de antemano, alcanza con un flujo de trabajo (workflow), y a veces con una sola llamada al modelo.
La regla es empezar por la solución más simple y sumar complejidad solo cuando mejora el resultado. Un agente conviene cuando no se puede prever qué pasos hará falta dar.
Llega la primera tarea: «Traduce este pronóstico al inglés».
Los tres niveles
Lo que separa un nivel de otro es quién decide los pasos.
| Nivel | En inglés | Quién decide los pasos | Ejemplo |
|---|---|---|---|
| Una llamada | single LLM call | No hay pasos que decidir | «Traduce este pronóstico al inglés» |
| Flujo de trabajo | workflow | El código | Cada mañana: consultar el clima de Buenos Aires y redactar un resumen |
| Agente | agent | El modelo | «Organiza mi fin de semana al aire libre» |
Anthropic llama sistemas agénticos (agentic systems) a los dos últimos niveles: flujos de trabajo y agentes.
En el código, la diferencia está en dónde queda escrito el orden:
def morning_summary(): # flujo de trabajo
weather = get_weather("Buenos Aires") # paso 1, siempre
prompt = f"Redacta un resumen: {weather}"
return call_model(prompt) # paso 2, siempreEn el flujo de trabajo, el orden de los pasos está escrito en el código. En el agente, el ciclo del concepto 1.2 deja que el modelo elija la herramienta en cada vuelta.
Qué se paga por usar un agente
- Cuesta más y tarda más. Cada vuelta es un pedido, y el contexto crece con cada una.
- Los errores se acumulan. Un paso mal decidido arrastra a los siguientes.
- Es menos predecible. Un flujo de trabajo hace siempre lo mismo; un agente puede tomar caminos distintos ante la misma tarea.
Por eso la recomendación es agregar complejidad solo cuando mejora el resultado de forma comprobable. A veces eso significa no construir ningún sistema agéntico.
Cuándo sí conviene
Un agente conviene en problemas abiertos, donde no se puede prever cuántos pasos harán falta ni dejar un camino fijo escrito en el código.
Tres señales de que la automatización tradicional se queda corta:
- Decisiones con matices: hay excepciones y dependen del contexto. Ejemplo: aprobar un reembolso.
- Reglas difíciles de mantener: el sistema acumuló tantas reglas que cambiarlas es caro y propenso a errores.
- Datos no estructurados: hay que interpretar lenguaje natural o extraer información de documentos.
Si la tarea no cumple con claridad ninguna de las tres, una solución determinista puede alcanzar.
Patrones de flujo de trabajo
Entre la llamada única y el agente hay cinco patrones conocidos. En todos, el código controla el camino.
| Patrón | En inglés | Qué hace | Ejemplo |
|---|---|---|---|
| Encadenamiento | prompt chaining | Divide la tarea en pasos; cada llamada procesa la salida de la anterior | Generar un texto de marketing y después traducirlo |
| Enrutamiento | routing | Clasifica la entrada y la deriva a una tarea especializada | Separar consultas generales, reembolsos y soporte técnico |
| Paralelización | parallelization | Varias llamadas trabajan a la vez y el código reúne los resultados | Varios prompts revisan el mismo código en busca de vulnerabilidades |
| Orquestador y trabajadores | orchestrator-workers | Un modelo central divide la tarea, la delega y sintetiza los resultados | Cambios de código que tocan varios archivos |
| Evaluador y optimizador | evaluator-optimizer | Una llamada genera una respuesta y otra la evalúa, en ciclo | Una traducción literaria que se refina en cada pasada |