No todos los procesos que utilizan un modelo de lenguaje necesitan convertirse en agentes. Esta distinción parece obvia, pero se ha vuelto más difícil a medida que las herramientas de automatización han incorporado LLM, llamadas a herramientas, memoria y enrutamiento dinámico. El resultado es que sistemas muy diferentes terminan recibiendo la misma etiqueta de "agente", incluso cuando la ejecución permanece rígidamente definida por el código.
La pregunta más útil no es "¿puedes hacerlo con un agente?". En muchos casos, la respuesta técnica será sí. La pregunta que reduce costos y riesgos es otra: ¿qué parte del proceso realmente necesita decidir el siguiente paso en tiempo de ejecución? Si se puede conocer el camino antes de comenzar, la autonomía del agente puede ser un costo sin un beneficio proporcional. Si la ruta depende de lo que se descubre durante la ejecución, un flujo adaptativo empieza a tener sentido.
La diferencia central es quién controla el flujo
Anthropic hace una clara separación arquitectónica: en los flujos de trabajo, los modelos y las herramientas se organizan a lo largo de rutas predefinidas; en los agentes, el modelo mismo dirige dinámicamente el proceso y el uso de herramientas. Microsoft describe la misma diferencia en su documentación: en un flujo de trabajo determinista, el código define secuencia, ramas, paralelismo y manejo de errores; En un flujo impulsado por agentes, el modelo decide qué herramientas usar, en qué orden y cuándo finalizar la tarea.
Esta distinción elimina un malentendido importante. Un flujo de trabajo determinista puede utilizar IA. Puede llamar a un LLM para clasificar texto, extraer campos, resumir un documento, generar una respuesta o evaluar una condición. Lo que sigue siendo determinista es el control del proceso: el modelo realiza una función dentro de un paso, pero no elige libremente cuál será el siguiente paso.
Por lo tanto, hay más opciones que simplemente “automatización tradicional” o “agente”. Entre los dos extremos se encuentra una amplia gama de arquitecturas en las que la IA se utiliza sólo cuando la incertidumbre requiere juicio, mientras que las reglas, integraciones, validaciones y acciones críticas permanecen bajo control explícito.
Cuatro niveles de autonomía antes de pensar en multiagentes
Automatización sin LLM
Cuando las entradas, reglas y salidas están estructuradas, un flujo de trabajo común suele ser suficiente. Los desencadenantes, condiciones, transformaciones, llamadas API y persistencia de datos se pueden modelar directamente. Agregar un modelo a una regla que ya es precisa tiende a aumentar la variabilidad, el costo y la dificultad de realizar pruebas sin resolver un problema real.
Una llamada LLM dentro del flujo de trabajo
Muchos procesos solo necesitan IA en un punto específico. Se puede clasificar un correo electrónico, se pueden extraer campos de un contrato, se puede normalizar una descripción o se puede resumir el texto. Después de eso, el flujo de trabajo recupera el control. La propia Anthropic recomienda comenzar con la solución más simple y señala que, en muchas aplicaciones, una única llamada LLM bien diseñada, posiblemente con recuperación de contexto y ejemplos, es suficiente.
Arquitectura híbrida
En la arquitectura híbrida, el esqueleto del proceso permanece explícito, pero uno o más pasos reciben capacidades de decisión modeladas.. Un agente puede investigar una excepción, seleccionar una herramienta de un conjunto limitado o generar una recomendación; Luego, el flujo regresa a un paso determinista para validar el formato, aplicar políticas, registrar evidencia o solicitar aprobación humana. Google utiliza exactamente esta combinación en su documentación de automatización de agentes para operaciones de seguridad: los agentes adaptables se pueden insertar en guías deterministas, manteniendo las acciones críticas bajo control de flujo.
Agente con bucle propio
El agente se vuelve apropiado cuando el número o el orden de los pasos no se pueden predecir de antemano. El modelo observa el estado, elige una acción, utiliza una herramienta, evalúa el resultado y decide el siguiente paso. Este patrón es útil para investigaciones abiertas, diagnósticos complejos, tareas conversacionales basadas en herramientas y problemas en los que la estrategia debe cambiar a medida que aparece nueva información.
Los agentes múltiples son un paso adicional de complejidad, no un punto de partida. Si un único agente puede planificar y ejecutar la tarea con herramientas bien definidas, dividir el proceso entre coordinadores y especialistas debe tener una justificación mensurable, como una especialización real, un paralelismo útil o una separación de responsabilidades.
La matriz de decisión: siete criterios que importan más que la etiqueta
La elección se vuelve más clara cuando el proceso se evalúa utilizando criterios independientes. No forman una puntuación automática. Un solo factor, como consecuencia grave de un error, puede pesar más que todos los demás. El objetivo es revelar dónde la autonomía crea valor y dónde simplemente transfiere el control del código a un modelo probabilístico.
1. Previsibilidad del camino
Si los pasos son conocidos, repetitivos y cambian poco de una ejecución a la siguiente, hay buenas razones para un flujo de trabajo determinista. Google caracteriza este tipo de carga de trabajo como predecible, secuencial y con un camino claramente definido. Microsoft también recomienda la automatización tradicional para procesos estables, conocidos y predecibles.
Cuando cada solicitud puede requerir una secuencia diferente, el análisis cambia. Los procesos con frecuentes excepciones, la necesidad de elegir herramientas en función de resultados intermedios o una planificación que sólo puede realizarse después de observar nuevos datos favorecen la ejecución adaptativa. Aun así, la parte dinámica se puede aislar en una parte del proceso en lugar de dominar todo el flujo.
2. Ambigüedad de entrada
La entrada no estructurada no es sinónimo de agente. Un PDF, un correo electrónico, un audio o un texto libre pueden resultar ambiguos según las reglas tradicionales y aún así requerir sólo una transformación bien definida. Si la tarea es "extraer estos campos" u "ordenar entre estas categorías", una llamada al modelo dentro de un flujo de trabajo puede resolver el problema sin entregar el control de la orquestación al modelo.
El agente comienza a ganar terreno cuando la ambigüedad afecta no sólo a la interpretación de los datos, sino a la estrategia misma. Si, después de leer la entrada, el sistema necesita decidir qué investigar, qué fuente consultar, qué preguntas hacer o qué secuencia de acciones seguir, existe una necesidad real de tomar una decisión en tiempo de ejecución.
3. Necesidad de criterio y planificación
Existe una diferencia entre el juicio local y la planificación global. El juicio local consiste en elegir una clase, estimar la relevancia, resumir, extraer o evaluar una respuesta. La planificación global es decidir cómo desglosar el problema y coordinar herramientas hasta alcanzar una meta. El primero encaja naturalmente en un paso de IA dentro de un flujo fijo. El segundo es el territorio típico de un agente.
La documentación de Google separa los flujos de trabajo deterministas de los casos que requieren una orquestación dinámica, en los que el sistema necesita planificar, delegar y coordinar tareas sin un script predefinido. Éste es un límite más útil que preguntar si el proceso "utiliza el razonamiento". Casi todas las solicitudes de LLM pueden implicar algún juicio; Pocos necesitan dejar que el modelo controle todo el proceso.
4. Reversibilidad de la acción
Cuanto más difícil sea deshacer una acción, menos autonomía se debe otorgar sin controles adicionales. Leer datos, generar un borrador o armar una recomendación es diferente a enviar dinero, borrar registros, cambiar producción, otorgar acceso o comunicar algo externamente en nombre de la empresa.
Una arquitectura puede utilizar un agente para el análisis y aun así reservar la ejecución final para un paso determinista o aprobación humana. Anthropic resalta este principio de control humano al tratar diferentes permisos para leer acciones y acciones que producen efectos externos. Google también asocia la supervisión humana a tareas con mayor riesgo o subjetividad.
5. Consecuencia del error
No basta con estimar la probabilidad de fracaso. Esta probabilidad debe multiplicarse por el impacto. Un error en una sugerencia interna puede salir barato; el mismo error en una decisión financiera, de seguridad o de acceso puede resultar costoso incluso si ocurre raramente. Cuanto mayores sean las consecuencias, más importante será limitar las herramientas, definir políticas explícitas, validar las salidas y crear puntos de parada.
En los procesos críticos, la pregunta ya no es "¿el agente lo hace bien la mayor parte del tiempo?" y se convierte en "¿cuál es el peor efecto que puede tener una mala decisión antes de que alguien se dé cuenta?" Este cambio de enfoque le ayuda a decidir dónde insertar la aprobación humana y qué acciones deben permanecer fuera del alcance directo del agente.
6. Costo y latencia
Los agentes tienden a cambiar la previsibilidad por la flexibilidad. Pueden realizar múltiples llamadas de modelos, consultar herramientas repetidamente, reconsiderar planes y ejecutar ciclos de evaluación. Anthropic advierte que los sistemas agentes suelen aumentar la latencia y el coste a cambio de un mejor rendimiento en tareas que realmente requieren esta complejidad. Google también señala una alta latencia y un coste operativo en patrones de coordinación y descomposición más complejos.
Por lo tanto, una tarea con un SLA corto o un volumen muy alto merece una línea de base simple antes de cualquier bucle agentivo. Si una sola inferencia resuelve el 95% de los casos y el 5% restante puede remitirse para revisión o excepción, puede ser económicamente mejor tratar la cola por separado que convertir el 100% de las ejecuciones en agentes.
7. Observabilidad y auditabilidad
Cuanto más se necesita explicar, reproducir o auditar un proceso, más valioso es tener un flujo explícito. Microsoft plantea la necesidad de barreras de seguridad claras y controles revisables como una razón para elegir flujos de trabajo deterministas. En los sistemas adaptativos, esto no significa abandonar agentes, sino requerir rastreo, registros de herramientas, estados intermedios, criterios de detención y registros de aprobación.
La observabilidad también afecta la depuración. En un flujo fijo, es relativamente sencillo localizar el paso fallido. En un agente, el fallo puede estar en la interpretación del objetivo, en la elección de la herramienta, en los datos recibidos, en la secuencia de acciones o en la terminación prematura. Si el equipo no puede observar estas decisiones, la autonomía se convierte en una caja negra operativa.
Un método de decisión que comienza con el proceso, no con la tecnología
Dibuja el camino sin IA primero
Antes de elegir una herramienta, describa cómo funciona el proceso actualmente. Identificar entradas, salidas, reglas, integraciones, excepciones y decisiones humanas. Esto muestra qué partes ya son deterministas y cuáles están sujetas a interpretación o investigación.
Regla separada, juicio y planificación
Para cada decisión, pregunte si se puede escribir como una regla objetiva, si requiere un juicio de modelo con resultados limitados o si requiere determinar el siguiente paso durante la ejecución. La regla va al código o al flujo de trabajo. El juicio limitado puede convertirse en una convocatoria de LLM. La planificación dinámica es un agente candidato.
Colocar aprobación donde el impacto cambia de clase
No es necesario que la aprobación humana aparezca en todas las etapas. Es más útil ante acciones irreversibles, externas, financieras, privilegiadas o difíciles de corregir. El agente puede preparar contexto, comparar alternativas y recomendar una acción, dejando a la persona sólo la decisión que realmente requiere responsabilidad.
Pruebe la solución más simple como punto de partida
Comience con la arquitectura más pequeña capaz de realizar la tarea: automatización tradicional, una llamada LLM o un pequeño hilo con validaciones. Mida la calidad, el costo, el tiempo, la tasa de excepción y la cantidad de intervención humana. Solo aumente la autonomía cuando haya evidencia de que la versión simple falla por falta de adaptación, no por un mensaje incorrecto, datos incorrectos o una integración incompleta.
Establecer un presupuesto de autonomía
Una forma práctica de pensar es tratar la autonomía como un recurso escaso. Cada permiso otorgado al modelo aumenta el espacio de acción y por tanto la superficie de error. El presupuesto sólo debería aumentar cuando haya una ganancia concreta: menos excepciones manuales, mejor cobertura de casos ambiguos, reducción de tiempo o capacidad para resolver tareas que un flujo fijo no puede representar.
Proceso 1: reembolso de gastos
Rara vez es necesario que un sistema de reembolso sea plenamente agente. Recibir el recibo, validar el formato, extraer valor, identificar el centro de costos, verificar la duplicidad y comparar límites puede seguir un flujo de trabajo conocido. Un LLM puede venir solo para extraer datos de documentos varios o clasificar la naturaleza del gasto.
El apartado agentivo aparece en excepciones: falta de información, política ambigua, divergencia entre recibo y declaración o necesidad de localizar una norma interna. En este punto, un agente puede buscar los documentos autorizados, explicar la inconsistencia y proponer qué hacer. La acción financiera, sin embargo, puede quedar condicionada a reglas deterministas y a la aprobación humana cuando el monto, excepción o política excede los límites definidos.
Esta descomposición evita el uso de un agente para repetir cientos de pasos triviales, pero preserva la flexibilidad precisamente donde el flujo rígido tiende a fallar.
Proceso 2: Soporte técnico B2B
Autenticar al cliente, identificar el contrato, cargar el historial, aplicar el SLA y registrar el ticket son pasos deterministas. Resumir el informe o clasificar el tema se puede realizar mediante una convocatoria de LLM. Si se conoce el problema, el propio flujo de trabajo puede desencadenar un procedimiento de diagnóstico predefinido.
Un agente resulta útil cuando se abre el incidente: necesita elegir consultas, correlacionar registros, formular hipótesis y cambiar la investigación según los resultados
intermediarios. Aun así, acciones como cambiar la configuración de producción, reiniciar servicios críticos, otorgar crédito o cambiar permisos pueden quedar retrasadas con respecto a las validaciones explícitas o la aprobación humana.
La ventaja del híbrido es preservar la velocidad en la investigación sin transformar todo el servicio en una secuencia impredecible. El agente decide dónde la incertidumbre requiere exploración; El flujo de trabajo protege los límites operativos.
Proceso 3: investigación y producción de informes
Si el alcance es fijo, las fuentes son conocidas y el informe sigue un modelo estable, un flujo de trabajo puede recopilar datos, normalizar los resultados y llamar a un LLM una o dos veces para su síntesis. No existe ninguna ventaja automática al crear un agente sólo porque el material sea textual.
La investigación se vuelve agente cuando la pregunta es abierta y la siguiente fuente depende de lo que se encontró. El agente puede formular consultas, seleccionar herramientas, comparar evidencia y decidir cuándo hay suficiente información para cerrar. El paso final de publicar, enviar a los clientes o utilizar la conclusión en una decisión de alto impacto puede permanecer separado, con revisión humana y criterios de calidad.
Este ejemplo muestra por qué "usar IA" y "usar un agente" no son sinónimos. El mismo proceso puede comenzar de manera determinista, abrir una ventana de investigación agente y terminar nuevamente en un flujo controlado.
Señales de que estás actuando demasiado pronto
La primera señal es cuando la justificación principal es el formato de la entrada. El texto libre, el PDF o la conversación justifican el uso de un modelo, pero no necesariamente la autonomía. La segunda es cuando el equipo no puede determinar qué siguiente paso debe tomarse en tiempo de ejecución. Si ya se conocen todas las transiciones, probablemente haya un flujo de trabajo oculto detrás del nombre "agente".
Otra señal es la ausencia de una línea de base. Sin comparar el agente con una versión simple, no es posible saber si la complejidad adicional realmente aumenta la calidad o simplemente agrega llamadas, latencia y dificultad de depuración. La recomendación de Anthropic de comenzar con la solución más simple es especialmente útil aquí porque evita convertir la arquitectura en una demostración de tecnología.
También es una alerta cuando el agente recibe acceso directo a acciones de alto impacto antes de que existan registros, límites, permisos y puntos de aprobación. La autonomía no debe confundirse con la ausencia de gobernanza. Cuanta más libertad tenga el sistema para decidir, más importante será definir qué puede hacer y cómo se observarán sus decisiones.
La arquitectura híbrida no es un compromiso genérico
Llamar a algo híbrido sólo tiene sentido cuando existe una división consciente de responsabilidades. El flujo de trabajo debe controlar qué es estable, comprobable y regulado por reglas.. La IA debe manejar la interpretación cuando las reglas se vuelven frágiles. El agente sólo debe asumir las secciones donde es necesario descubrir el camino durante la ejecución. Y uno debe permanecer en los puntos donde el contexto, la responsabilidad o el impacto hacen que una decisión completamente automática sea inapropiada.
Esta composición puede ser sencilla. No es necesario que un agente controle toda la aplicación. Puede ser un paso en un proceso más amplio, con herramientas limitadas, un resultado estructurado y cerrado. Google describe con precisión la combinación de agentes con pasos deterministas, y Microsoft trata los flujos de trabajo controlados por código y los bucles controlados por agentes como enfoques que pueden coexistir en la misma arquitectura.
Regla final: dar autonomía sólo a la sección que la necesite
Si conoce la ruta, utilice el flujo de trabajo. Si se conoce el camino, pero un paso requiere interpretación, coloque la IA dentro del flujo de trabajo. Si sólo unas pocas excepciones requieren exploración, utilice una arquitectura híbrida. Si la tarea es abierta y el propio sistema necesita descubrir, probar y adaptar la secuencia de acciones, utilice un agente. Y si una sola llamada a un modelo resuelve el problema, no hay ningún premio técnico por convertirlo en un agente.
La decisión madura no es elegir la opción más autónoma. Significa elegir el nivel más bajo de autonomía que pueda hacer frente a la variabilidad real del proceso, manteniendo el coste, la latencia, el riesgo y la observabilidad en niveles aceptables. Los agentes son valiosos cuando eliminan la rigidez que impide que el proceso avance. Más allá de este punto, el determinismo sigue siendo una ventaja, no una limitación.
