🌟 ¿Realmente hace falta un agente?
🌟 ¿Realmente hace falta un agente? La jerarquía que plantea Anthropic
Últimamente parece que cualquier cosa tiene que etiquetarse como «agente», aunque el problema en cuestión se solucione perfectamente con un prompt bien trabajado. Mi punto de vista: un agente no es ningún tipo de mejora automática, sino una decisión de arquitectura que tiene un precio real en tokens, en latencia y en errores que luego cuesta mucho localizar.
En su guía Building effective agents, Anthropic señala algo llamativo: los equipos que obtenían mejores resultados no tiraban de frameworks sofisticados, sino de patrones simples y combinables. Y deja clara una distinción que normalmente mezclamos:
⚙️ Workflow: el LLM y las herramientas recorren caminos que tú defines en el código.🤖 Agente: el LLM determina por sí mismo los pasos a seguir y las herramientas que va a utilizar.
🪜 La jerarquía
1️⃣ Una única llamada al LLM, con búsqueda y ejemplos incluidos en el prompt. Anthropic insiste en que, para un buen número de aplicaciones, esto es más que suficiente.
2️⃣ Un workflow, cuando la tarea admite dividirse en pasos conocidos de antemano. Aquí entran cinco patrones:
• Encadenamiento de prompts: cada paso toma como entrada la salida del anterior.• Enrutamiento: clasificas la entrada y la diriges al flujo especializado que corresponde.• Paralelización: varias subtareas corren a la vez, o se lanzan múltiples «votaciones».• Orquestador y workers: un LLM distribuye subtareas que no se podían anticipar.• Evaluador y optimizador: un LLM genera y otro critica en un bucle continuo.
3️⃣ Un agente, reservado para problemas abiertos en los que no puedes prever cuántos pasos van a hacer falta.
🛒 Un ejemplo concreto: soporte en una tienda online
Llega el mensaje «quiero devolver mis zapatillas». Con enrutamiento, un clasificador deriva esa consulta al flujo de devoluciones, con su propio prompt y sus herramientas; las dudas generales van a otro flujo, y las más simples pueden resolverlas un modelo más pequeño y económico. Con un agente, el modelo localiza el pedido, consulta la política, valora si procede la devolución y la gestiona. Más flexibilidad, sí, pero necesitas límites bien definidos y supervisión humana.
💸 El coste de subir un peldaño
Anthropic ha medido que un agente consume aproximadamente 4 veces más tokens que un chat convencional, y que un sistema multiagente puede llegar a 15 veces más. En su caso público, Claude Research, el sistema multiagente superó en un 90,2% a un agente individual en su evaluación interna. Tiene sentido escalar cuando el valor de la tarea justifica ese gasto.
✅ Tres criterios generales
• Si eres capaz de dibujar el diagrama de flujo, comienza con un workflow.• Antes de añadir autonomía, mide: sin una evaluación clara, no sabrás si el agente ha mejorado algo o no.• Dedica a las herramientas el mismo cuidado que al prompt: nombres claros, documentación cuidada y buenos ejemplos.
¿Qué estás construyendo ahora mismo: un workflow o un agente de verdad?Cuándo usar agentes vs. workflows en LLMs: el marco de Anthropic con datos de coste real
Resumen técnico
La guía Building Effective Agents de Anthropic distingue dos categorías: workflows (rutas definidas en código) y agentes (el LLM decide sus propios pasos). Define 5 patrones de workflow: encadenamiento de prompts, enrutamiento, paralelización, orquestador-workers y evaluador-optimizador. En coste de tokens, un agente consume ~4x más que un chat estándar y un sistema multiagente ~15x más. Claude Research, sistema multiagente de Anthropic, superó en 90,2% a un agente único en evaluación interna. La recomendación base: una sola llamada al LLM con búsqueda y ejemplos en el prompt resuelve la mayoría de casos de uso.
Análisis de implicaciones
El salto a agentes no es una mejora incremental: es un cambio de contrato de diseño que traslada el control del flujo al modelo. Esto introduce latencia no determinista, errores difíciles de rastrear y costes de tokens escalables. Los patrones de workflow permiten observabilidad total porque el grafo de ejecución está definido en código. La autonomía agéntica solo compensa cuando la tarea tiene pasos imprevisibles en número o tipo y el valor de la salida justifica el gasto computacional. Sin evaluación cuantitativa previa, cualquier decisión de arquitectura es especulación.
Aplicación práctica
En soporte de e-commerce: el patrón de enrutamiento clasifica la entrada y deriva al flujo especializado, permitiendo asignar un modelo más pequeño y barato a consultas simples. El patrón orquestador-workers es útil cuando las subtareas no se conocen de antemano. Un agente completo tiene sentido en flujos de devolución complejos donde el modelo necesita consultar el pedido, verificar política y ejecutar la acción. Requisito mínimo antes de agentificar: definir límites de herramientas con nombres claros, documentación y ejemplos, y establecer puntos de supervisión humana explícitos.
Contexto del sector
El ecosistema presiona hacia agentes como estándar por defecto, impulsado por frameworks como LangGraph, AutoGen o CrewAI. Anthropic contraargumenta con datos propios: la complejidad arquitectónica no correlaciona con mejor rendimiento si la tarea no la requiere. La tendencia real del sector es hacia evaluación continua de agentes y cost-per-task como métrica de decisión, no la sofisticación del patrón. El coste de inferencia sigue siendo el principal limitante operativo en producción.
Artículo relacionado