Blog
#0155 min de lectura

Cómo construir agentes de IA que funcionen: empieza por lo más simple

La mayoría de los proyectos de agentes de IA se cancelan por costo, valor poco claro o falta de control. Cuándo necesitas un agente de verdad, qué construir antes y cómo darle forma para que sea confiable.

“Agente de IA” es la palabra del momento, y también la que más proyectos manda a la basura. Gartner estima que más del 40 % de los proyectos de IA agéntica se van a cancelar antes de que termine 2027, por costos que crecen, un valor de negocio poco claro o controles de riesgo insuficientes (Gartner, 2025).

Ninguna de esas tres razones es un problema del modelo. Son problemas de diseño: se construyó un agente donde bastaba algo más simple, o se construyó sin límites ni forma de medirlo. Esta es la primera de cuatro notas sobre cómo construir agentes de IA de manera efectiva. Empiezo por la decisión que más pesa: qué tan agente necesita ser tu agente.

Flujo o agente: no son lo mismo

Anthropic propone una distinción que uso en cada proyecto (Building effective agents):

  • Un flujo (workflow) conecta modelos y herramientas por caminos que tú escribiste en el código. El modelo hace cada paso, pero el orden lo decides tú.
  • Un agente decide su propio camino: qué herramienta usar, en qué orden y cuándo terminó.

Un flujo es predecible, barato y fácil de probar. Un agente es flexible, pero cada decisión que toma solo es una decisión que puede salir mal, y los errores se acumulan de un paso al siguiente. Su recomendación es la misma que la mía: busca la solución más simple que funcione y agrega complejidad solo cuando la necesites.

Cuándo sí necesitas un agente

La guía de OpenAI para construir agentes (A practical guide to building agents) señala tres situaciones donde un agente vale lo que cuesta:

  1. Decisiones con matices. Casos con excepciones y criterio, como aprobar o no un reembolso.
  2. Reglas que ya nadie puede mantener. Un sistema con tantas reglas que cada cambio rompe otra cosa.
  3. Mucho dato no estructurado. Leer documentos, entender lo que un cliente escribe con sus palabras, conversar.

Si tu caso no cumple ninguna con claridad, la misma guía lo dice: una solución determinística probablemente basta. Un formulario, una regla o un script no son menos modernos. Son más baratos de operar.

Sube un escalón a la vez

En la práctica, pienso en una escalera. Cada escalón agrega capacidad y también agrega cosas que pueden fallar, así que solo subes cuando el de abajo ya no alcanza:

Fig.La escalera de complejidad
  1. 1

    Una sola llamada al modelo

    Con buenas instrucciones, ejemplos y salida estructurada. Resuelve más casos de los que parece.

  2. 2

    Un flujo con pasos fijos

    Varias llamadas en un orden que tú controlas, con validaciones entre pasos.

    ¿Los pasos cambian según el caso y no se pueden predecir? Sube un escalón

  3. 3

    Un agente con herramientas

    El modelo elige qué hacer, dentro de un trabajo escrito y con acciones limitadas.

    ¿Un solo agente ya no puede con las instrucciones o las herramientas? Sube un escalón

  4. 4

    Varios agentes coordinados

    Solo para trabajo muy amplio y paralelo, y con un presupuesto que lo aguante.

  5. El sistema más simple que hace el trabajo, todas las veces

Los flujos más útiles

Antes de dar el salto a un agente, casi siempre hay un flujo que resuelve el problema. Estos son los cinco patrones que describe Anthropic, con un ejemplo de negocio para cada uno:

PatrónCómo funcionaEjemplo
CadenaCada paso usa la salida del anterior, con validaciones en medioExtraer datos de una factura, validarlos y luego redactar el correo al proveedor
EnrutamientoUn paso clasifica la entrada y la manda al camino indicadoSeparar consultas de facturación, soporte técnico y ventas
ParaleloVarias llamadas a la vez, y luego se combinan los resultadosRevisar un contrato por cláusulas de pago, de plazo y de responsabilidad al mismo tiempo
OrquestadorUn modelo divide la tarea y reparte las partesPreparar un informe que necesita datos de varias fuentes distintas
EvaluadorUn modelo produce y otro critica, hasta que pasaTraducir un texto legal y revisarlo contra una lista de criterios

Si tu problema encaja en una fila de esta tabla, empieza por ahí. Vas a tener algo que puedes probar paso por paso.

Los tres componentes de un agente

Cuando un agente sí es la respuesta, está hecho de tres cosas: un modelo, unas herramientas y unas instrucciones. Cada una tiene su propia forma de salir mal.

El modelo: empieza por el más capaz

La recomendación de OpenAI es construir el prototipo con el modelo más capaz para fijar una línea base, y después probar modelos más pequeños para ver dónde siguen funcionando. Si empiezas por el modelo barato, no sabes si una falla es del diseño o del modelo. Para hacer esa comparación necesitas evaluaciones, y de eso trata cómo evaluar un agente de IA.

Las herramientas: pocas y bien hechas

Las herramientas son la forma en que el agente actúa sobre tus sistemas. Son la parte que más se subestima y la que más cambia los resultados. Les dediqué una nota completa: herramientas para agentes de IA.

Las instrucciones: un trabajo escrito

Un agente sin un trabajo escrito hace un poco de todo y nada bien. Las instrucciones dicen qué atiende, qué no, qué datos usa y cuándo se rinde. Y todo lo que el agente ve en cada paso, no solo las instrucciones, decide cómo se comporta. Eso es la ingeniería de contexto.

Un agente antes que muchos

Los sistemas multiagente suenan bien en una presentación. En la práctica, cuestan. Anthropic reporta que sus agentes usan unas 4 veces los tokens de un chat, y sus sistemas multiagente, unas 15 veces (How we built our multi-agent research system). Para investigación amplia y paralela vale la pena. Para tareas donde cada paso depende del anterior, como la mayoría del trabajo de software, los agentes se coordinan mal.

OpenAI llega a la misma conclusión: saca todo lo que puedas de un solo agente antes de dividirlo. Muchas veces, un agente con buenas herramientas es suficiente.

Siempre con una salida a una persona

Un agente confiable sabe cuándo parar. La guía de OpenAI propone dos disparadores para pasar el control a una persona:

  • Superar un límite de fallas. Si el agente lo intentó varias veces y no entiende lo que le piden, deja de intentar.
  • Acciones de alto riesgo. Cancelar un pedido, aprobar un reembolso grande o hacer un pago pasan por una persona hasta que el agente se gane la confianza con datos.

Si estás pensando en un agente para atender clientes, revisa también qué exigir antes de poner un agente de IA en WhatsApp.