Antes de crear un agente de IA, hazte esta pregunta.

No todo necesita un agente

Desde que los agentes de IA se han convertido en tendencia parece que cualquier automatización debe construirse alrededor de uno. Sin embargo, muchas veces esa decisión añade más complejidad de la que resuelve. Antes de elegir una tecnología conviene hacerse una pregunta mucho más importante: ¿qué problema estamos intentando solucionar? Si un proceso siempre sigue los mismos pasos, probablemente no necesite un agente, sino una buena automatización.

La mejor arquitectura no es la más sofisticada. Es la que resuelve el problema con la menor complejidad posible.

Pipeline y agente, explicados sin jerga

Un pipeline es una cadena de pasos fijos en la que cada pieza hace una cosa y pasa su resultado a la siguiente. El orden lo decide quien lo diseña, no el sistema. Un agente, en cambio, recibe un objetivo y decide por sí mismo qué pasos dar, qué herramientas usar y cuándo parar. Anthropic, en su guía Building Effective AI Agents, hace una distinción parecida: llama flujos de trabajo a los sistemas en los que el camino está definido por código y agentes a los que dirigen su propio proceso, y recomienda empezar por la solución más sencilla que funcione. Ambos pueden usar un modelo de IA en alguno de sus pasos. Lo que los distingue no es la IA, sino quién decide el camino.

Si puedes dibujar el proceso como una lista de pasos que siempre se repiten en el mismo orden, necesitas un pipeline, no un agente.

• Pipeline: pasos fijos, resultados predecibles, fácil de probar y de explicar a quien lo audita.
• Agente: decide el camino, se adapta a situaciones nuevas, pero es menos predecible y más difícil de probar.
• Un pipeline puede contener un paso de IA, como en el ejemplo real que sigue. Eso no lo convierte en un agente.

Un ejemplo real

Imagina una empresa de traducción que recibe decenas de solicitudes de presupuesto cada día. Cada correo puede incluir varios documentos: contratos, certificados, escrituras, fotografías o documentos escaneados. Antes de responder, alguien debe abrir todos los archivos, identificar únicamente el contenido que realmente necesita traducirse, ignorar sellos, postillas, firmas y elementos decorativos, contar las palabras y preparar el presupuesto.

El problema no era calcular un presupuesto. El problema era repetir el mismo trabajo cientos de veces.

• Recepción de solicitudes por correo electrónico.
• Documentos en distintos formatos.
• Análisis del contenido.
• Conteo de palabras traducibles.
• Generación del presupuesto.

La solución fue un pipeline, no un agente

La primera idea podría haber sido construir un agente de IA que gestionara todo el proceso. Sin embargo, el flujo siempre era exactamente el mismo. No existían decisiones complejas ni distintos caminos posibles. Por eso optamos por una arquitectura basada en un pipeline donde cada componente tiene una única responsabilidad y el sistema completo resulta mucho más sencillo de mantener.

• Recepción del correo.
• Almacenamiento del contenido original.
• Procesamiento mediante IA.
• Extracción del contenido útil.
• Generación del presupuesto.
• Revisión final desde un dashboard.

La IA no sustituye el proceso, mejora la parte más difícil

En este proyecto no utilizamos un OCR tradicional porque el objetivo no era únicamente extraer texto. Lo realmente complicado consistía en comprender el documento. La inteligencia artificial identifica qué contenido forma parte de la traducción y qué elementos deben ignorarse automáticamente antes de calcular el número de palabras.

La IA aporta valor cuando interpreta información. No cuando simplemente ejecuta tareas repetitivas.

• Ignorar sellos oficiales.
• Excluir postillas.
• Descartar firmas.
• Eliminar logotipos.
• Detectar el idioma.
• Extraer únicamente el texto traducible.

Separar la ingesta del procesamiento cambia completamente la arquitectura

Uno de los aspectos más importantes del sistema consiste en almacenar primero toda la información y procesarla después. Cada correo se guarda junto con sus metadatos y todos los documentos originales antes de iniciar el análisis. Gracias a ello es posible volver a procesar cualquier expediente en el futuro utilizando otro modelo, un prompt diferente o una nueva estrategia sin depender otra vez del correo original.

Guardar primero y procesar después convierte la inteligencia artificial en un componente del sistema, no en el corazón de la arquitectura.

• Reprocesar expedientes cuando aparecen modelos mejores.
• Auditar cualquier presupuesto generado.
• Conservar siempre el documento original.
• Cambiar de proveedor de IA sin modificar el resto del sistema.
• Reducir la dependencia de servicios externos.

¿Cuándo utilizar un agente entonces?

Los agentes tienen muchísimo sentido cuando el sistema necesita tomar decisiones. Elegir distintas estrategias según el tipo de documento, consultar varias aplicaciones antes de actuar, decidir cómo recuperarse de un error o coordinar diferentes herramientas son situaciones donde un agente aporta un valor enorme. Pero cuando el flujo siempre sigue el mismo camino, un pipeline suele ofrecer una solución más estable, más predecible y mucho más sencilla de evolucionar.

La inteligencia artificial no consiste en utilizar agentes para todo. Consiste en saber cuándo utilizarlos y cuándo no.

• Cuando existen varios caminos posibles.
• Cuando el sistema debe decidir qué hacer.
• Cuando intervienen múltiples herramientas.
• Cuando es necesario planificar varios pasos.
• Cuando el contexto cambia constantemente.

Cinco preguntas para decidir entre pipeline y agente

Antes de elegir arquitectura, responde estas preguntas sobre tu proceso. Si todas las respuestas apuntan a un camino fijo, empieza por un pipeline. Si varias apuntan a decisiones cambiantes, un agente puede tener sentido, pero conviene probarlo primero en un caso acotado.

Empieza por el pipeline. Si más adelante descubres decisiones que no puedes escribir como reglas, añade capacidad de decisión solo en ese punto.

• ¿Los pasos son siempre los mismos y en el mismo orden? Si sí, es un pipeline.
• ¿Hay decisiones que dependen del contenido y no se pueden prever? Si sí, puede hacer falta capacidad de decisión.
• ¿Cuánto cuesta equivocarse? Cuanto más grave es un error, más conviene un camino fijo y revisable.
• ¿Necesitas poder explicar por qué se hizo algo? Un pipeline deja un rastro claro. Un agente es más difícil de auditar.
• ¿Se puede reproducir un resultado? Si necesitas reprocesar un caso y obtener lo mismo, el camino debe ser controlado.

Coste y mantenimiento: por qué lo simple suele salir mejor

La diferencia entre las dos arquitecturas se nota sobre todo después de la puesta en marcha. Un sistema con pasos fijos se comporta igual cada día, y cuando falla se sabe en qué paso. Un sistema en el que un agente decide el camino puede resolver un mismo caso de formas distintas, y encontrar por qué una vez salió mal exige revisar toda la secuencia de decisiones. Además, dejar que un modelo planifique suele implicar más llamadas y más consumo que ejecutar un camino definido, aunque cuánto más depende del caso. A eso se suma que cada cambio de modelo o de instrucciones puede alterar el comportamiento de todo el sistema, mientras que en un pipeline el cambio queda aislado en un paso.

La complejidad que añades hoy la pagas cada vez que algo falla. Elige la mínima que resuelva el problema.

• Pruebas: un pipeline se prueba paso a paso. Un agente requiere probar muchos recorridos posibles.
• Diagnóstico: en un pipeline, el error está en un paso concreto. En un agente, puede estar en cualquier decisión.
• Coste: un camino definido suele consumir menos que dejar que un modelo explore.
• Cambios: sustituir un modelo en un solo paso es más sencillo que reajustar un agente completo.

Antes de automatizar nada, haz una prueba manual

La forma más barata de saber si una automatización con IA va a funcionar es hacerla primero a mano con una herramienta existente. Toma una veintena de casos reales ya resueltos, pásalos por un asistente conversacional con instrucciones claras y compara el resultado con lo que se hizo en su día. Si funciona, tienes el diseño de tu futuro paso de IA. Si no, has descubierto el problema sin construir nada. Qué herramientas usar para esa prueba se explica en herramientas de IA para pymes, y el recorrido completo de un primer piloto, con su medición, en cómo implementar IA en tu empresa.

Una prueba manual de una tarde evita semanas de desarrollo sobre una idea que no funciona.

Supervisión humana: dónde debe quedar una persona

En el ejemplo del presupuesto de traducción, la salida final se revisa desde un panel antes de enviarse. Esa decisión de diseño es la que permite fiarse del sistema: la IA propone, una persona confirma. La regla es válida para casi cualquier proceso con un cliente o con dinero de por medio. El nivel de supervisión puede relajarse con el tiempo si los resultados lo justifican, pero conviene empezar con revisión total y reducirla de forma gradual y medida.

• Revisión total al principio: todo pasa por una persona antes de salir.
• Revisión por muestreo después: se comprueban casos al azar y los que el sistema marca como dudosos.
• Registro de cada decisión: qué entró, qué salió y quién lo aprobó, para poder auditarlo.
• Un camino claro para corregir: que quien detecta un error pueda arreglarlo y que esa corrección se tenga en cuenta.

Preguntas frecuentes sobre agentes y automatizaciones

Estas son las dudas que más aparecen cuando una empresa se plantea automatizar un proceso con IA.

• ¿Un agente de IA es más potente que un pipeline? Es más flexible, no necesariamente más potente. Para tareas con camino fijo, un pipeline suele ser más fiable, más barato y más fácil de mantener.
• ¿Puedo empezar con un pipeline y pasar a un agente después? Sí, y es una buena estrategia. Si el pipeline está bien separado en pasos, añadir capacidad de decisión en uno de ellos es un cambio acotado.
• ¿Qué diferencia hay con un chatbot? Un chatbot es una interfaz de conversación y puede apoyarse en un pipeline, en un agente o en respuestas fijas. Chatbot para pymes explica qué puede y qué no puede hacer.
• ¿Cuánto cuesta una automatización así? Depende del número de pasos, de las integraciones y del volumen. Los tres niveles de inversión están en cuánto cuesta implementar IA en una empresa.
• ¿Qué pasa si cambio de proveedor de IA o este cambia sus condiciones? Si guardas siempre el original y separas la IA del resto del sistema, como en el ejemplo del presupuesto, puedes sustituir el modelo y volver a procesar los casos anteriores sin rehacer todo. Si la IA está mezclada con el resto del sistema, el cambio es mucho más costoso.
• ¿Cómo sé si mi proceso encaja? Si se repite, tiene un resultado que se puede describir y admite revisión humana, probablemente encaje. Si quieres que lo revisemos, cuéntanos tu caso.