AgentesConcepto 04 de 04

¿Cuándo no hace falta un agente?

4 min de lectura Ver en la órbita

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.

tarea¿una llamada?¿pasos fijos?nivel
GUÍA

Llega la primera tarea: «Traduce este pronóstico al inglés».

1/6

Los tres niveles

Lo que separa un nivel de otro es quién decide los pasos.

NivelEn inglésQuién decide los pasosEjemplo
Una llamadasingle LLM callNo hay pasos que decidir«Traduce este pronóstico al inglés»
Flujo de trabajoworkflowEl códigoCada mañana: consultar el clima de Buenos Aires y redactar un resumen
AgenteagentEl 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, siempre

En 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.

PatrónEn inglésQué haceEjemplo
Encadenamientoprompt chainingDivide la tarea en pasos; cada llamada procesa la salida de la anteriorGenerar un texto de marketing y después traducirlo
EnrutamientoroutingClasifica la entrada y la deriva a una tarea especializadaSeparar consultas generales, reembolsos y soporte técnico
ParalelizaciónparallelizationVarias llamadas trabajan a la vez y el código reúne los resultadosVarios prompts revisan el mismo código en busca de vulnerabilidades
Orquestador y trabajadoresorchestrator-workersUn modelo central divide la tarea, la delega y sintetiza los resultadosCambios de código que tocan varios archivos
Evaluador y optimizadorevaluator-optimizerUna llamada genera una respuesta y otra la evalúa, en cicloUna traducción literaria que se refina en cada pasada