Un agente de IA es un sistema en el que un modelo de lenguaje decide por sí mismo qué paso dar y qué herramienta usar para cumplir una tarea. Si puedes escribir los pasos de antemano, lo que necesitas es un workflow, que cuesta menos y se verifica mejor. Un agente se justifica cuando el camino no se conoce de antemano y alguien puede juzgar si el resultado está bien.
¿Cómo lo definen quienes los construyen?
La guía de ingeniería de Anthropic separa dos cosas. En un workflow, los modelos y las herramientas se orquestan por caminos de código definidos de antemano. En un agente, el modelo dirige su propio proceso y decide cómo usar las herramientas.
Google Cloud da una definición más amplia: software que usa IA para perseguir objetivos y completar tareas en nombre de los usuarios, con razonamiento, planificación, memoria y cierto nivel de autonomía. Sirve para entender el término, pero no te dice cuándo conviene uno. La de Anthropic sí, porque pone el criterio en quién controla el camino, y es la que usamos para decidir. Si quieres ver cómo los construimos, está en la página de agentes de IA para empresas.
¿Workflow o agente? Tres preguntas antes de invertir
Primera: ¿puedes dibujar los pasos en una hoja? Si la respuesta es sí, escríbelos como código. Obtienes el mismo resultado cada vez y no le pagas a un modelo para que redescubra el camino en cada ejecución.
Segunda: ¿puedes saber si la salida es correcta mirando solo la salida? Es la prueba con la que elegimos el primer caso de uso de un piloto. Si nadie puede puntuar el resultado, el agente no se puede mejorar. Solo se puede esperar que ande.
Tercera: ¿qué pasa si se equivoca y nadie lo ve? Donde la decisión no se puede deshacer (publicar, pagar, borrar), tiene que haber una persona en el camino.
Anthropic lo plantea del lado del costo: recomienda buscar la solución más simple posible, que puede significar no construir sistemas agénticos, porque suelen cambiar latencia y costo por mejor desempeño. Estoy de acuerdo y lo aplico antes que cualquier otra cosa. Muchas propuestas de agente que veo terminan siendo un workflow con una llamada al modelo en un paso.
¿Cómo se ve uno en la práctica?
El caso que podemos mostrar completo es un servicio de publicidad cuya plataforma construimos para un cliente: un sistema de IA diagnostica la marca, planifica campañas y genera las piezas. Tres decisiones de ese diseño sirven para casi cualquier agente.
Ningún modelo manda solo. Corre sobre Vertex AI con Gemini y modelos abiertos, y el costo por pieza aprobada decide qué modelo usa cada estación. Los jueces solo bloquean: un panel independiente de jueces de IA frena los defectos verificables y nunca aprueba, y aprueba una persona, pieza por pieza. Cada juez se probó con ejemplos etiquetados, casos cuya respuesta correcta se conoce, antes de entrar en servicio. Y lo prohibido se detiene antes de que exista la pieza, con reglas por industria y país hechas a partir de fuentes primarias. En la prueba, 10 solicitudes prohibidas produjeron 0 piezas.
Un ejemplo más chico es el asistente de correo de una plataforma PropTech de primera vivienda que construimos. Corre en Vertex AI y se mide con una evaluación fija de 24 casos, de los que acierta 22. Antes de enviar una respuesta, las reglas de envío se vuelven a revisar.
Ese 22 de 24 no es un 92 % de aciertos en producción, y con 24 casos no se puede prometer un porcentaje. Lo que da es una lista de dos fallos para leer uno por uno y un número que se mueve si cambias el prompt. Para eso sirve una evaluación fija. Ambos casos están publicados (marketing con IA y vivienda). Una medición de aciertos en producción todavía no existe.
¿Cuándo no lo necesitas?
Cuando el camino es conocido: un workflow es más barato, más rápido y más fácil de verificar. Cuando la tarea es rara, ambigua o de alto riesgo y nadie revisa el resultado, porque un agente que actúa sin que nadie mire es una apuesta. Cuando pesan más la latencia o el costo por tarea que la flexibilidad, ya que la autonomía se paga con las dos. Y cuando todavía no tienes ejemplos reales con el resultado esperado: sin ellos no hay evaluación, y sin evaluación cada cambio es una apuesta.
¿Cuánto cuesta averiguarlo?
El Piloto de agente de IA pone un agente en un caso de uso real, con evaluaciones y costo por tarea medidos, por USD 5,000 fijos y en dos semanas. Puede terminar en “lo que necesitas es un workflow”, y ese también es un resultado. La cuenta del costo por tarea y por qué importa el costo por resultado aprobado están en ¿Cuánto cuesta un agente de IA?. Si prefieres sumar un ingeniero de IA a tu equipo, un Senior cuesta USD 45 a 50 por hora, con mínimo de 6 meses.
Escribe tu tarea en dos líneas y, debajo, cómo distinguirías una salida buena de una mala. Si no puedes escribir la segunda parte, todavía no es un caso para un agente. Si puedes, mira cómo construimos agentes a medida.
Fuentes
- Anthropic, “Building effective agents”, publicado el 19 de diciembre de 2024 y consultado el 8 de octubre de 2026. La página avisa que parte de las herramientas que describe cambió desde entonces. Aquí uso solo las definiciones.
- Google Cloud, “What are AI agents?”, consultada el 8 de octubre de 2026.