Arquitectura de IA agencial: una guía práctica para crear sistemas de IA más inteligentes

La arquitectura de IA agéntica es un diseño de sistemas que coordina varios agentes de IA especializados, cada uno encargado de una parte concreta de una tarea más amplia. Al trabajar juntos, pueden ofrecer mejor resultado que el de un único modelo trabajando de forma aislada.

«Básicamente, hay que pensar en estos modelos de lenguaje a gran escala (LLM) como agentes, y cada agente se encarga de una parte de la tarea», explica Don Woodlock, presidente de InterSystems, en su serie «Code to Care ».

A diferencia de la IA tradicional, que responde a una única instrucción con un único resultado, estos sistemas pueden planificar, utilizar herramientas, retener información y tomar decisiones autónomas en varios pasos.

En lugar de pedir a un solo modelo que lo haga todo, se asignan funciones especializadas a distintos agentes inteligentes. Uno redacta. Otro revisa. Un tercero mejora el texto. Algunos ni siquiera son modelos de lenguaje: son herramientas, como buscadores, API o calculadoras. Un orquestador coordina el trabajo de todos para alcanzar un objetivo común.

¿Qué ha hecho que esto sea viable? Los grandes modelos de lenguaje han superado un umbral de fiabilidad. Los modelos anteriores no eran lo bastante fiables para asumir subtareas autónomas: podían desviarse del tema o inventarse restricciones. Los agentes modernos siguen instrucciones complejas con la precisión suficiente para asumir una función especializada dentro de un sistema más amplio, interpretar su entorno y actuar sin intervención humana en cada paso.

Los grandes modelos de lenguaje generan resultados palabra a palabra, siempre hacia delante. En una única llamada al modelo no hay revisión incorporada.

Basta pensar en cómo se elaboraría realmente un plan de marketing. Primero se prepara un esquema. Después se escribe un borrador. Luego, se revisa. Se reciben comentarios Se corrige y quizá se hace una prueba antes de llegar a la versión final. Son varias pasadas, y cada una mejora la anterior.

Un LLM hace todo eso en una sola ejecución. Sin esquema. Sin crítica. Sin revisión. El resultado es lo que el modelo ha ido prediciendo palabra a palabra, sin posibilidad de detenerse, volver atrás y reconsiderar lo anterior.

La arquitectura basada en agentes cubre esa carencia. Al conectar varios agentes, cada uno responsable de una fase distinta, los sistemas pueden redactar, evaluar y mejorar flujos de trabajo complejos que un único modelo no puede abordar por sí solo. Las investigaciones sobre instrucciones con razonamiento paso a paso

(Wei et al., 2022; Kojima et al., 2022) demostraron que pedir a los LLM que resolvieran tareas complejas mediante pasos intermedios mejoraba de forma notable la precisión. La arquitectura basada en agentes lleva ese mismo principio más allá: pasa de ser una técnica aplicada a una única instrucción a convertirse en un diseño completo del sistema. En lugar de pedir a un modelo que se detenga a pensar, se construye un equipo de agentes que trabaja por fases.

El punto de partida es lo que Don Woodlock llama «IA compuesta»: conectar varios LLM entre sí en lugar de depender de uno solo. La versión más sencilla utiliza tres modelos en secuencia:

1. Agente de borrador: genera el primer resultado
2. Agente de crítica o revisión: evalúa el borrador en función de los requisitos originales.
3. Agente final: revisa el resultado a partir de la revisión

«Esto funciona. De verdad, da un resultado mucho mejor. Puede probarse directamente con ChatGPT». - Don Woodlock

El cambio clave consiste en dejar de pensar en cada llamada a un LLM como «la IA» y empezar a verla como un agente con una función: quien redacta, quien revisa, quien remata. Puede utilizarse el mismo modelo para las tres fases o combinar modelos distintos para aportar variedad y perspectiva. El resultado conjunto supera al de una única llamada.

Una vez que se empieza a pensar en agentes, llega la siguiente idea: no todos tienen que ser modelos de lenguaje.

«Algunos de estos agentes podrían ser herramientas: hacer una búsqueda en Google, llamar a una API para programar una cita o usar una API de calculadora para hacer una operación». - Don Woodlock

En el ejemplo de Don, un «agente de solicitud de datos» identifica qué estadísticas reforzarían un plan de marketing. Otro agente realiza búsquedas en la web para encontrarlas. El agente de búsqueda es una llamada a una API. Pero dentro del sistema cumple la misma función: recibe una tarea, la ejecuta y devuelve un resultado.

Esto es lo que distingue a los sistemas basados en agentes de las cadenas de instrucciones. La arquitectura admite distintos tipos de procesamiento, como modelos de lenguaje, buscadores, bases de datos, calculadoras o API externas, todos coordinados hacia un mismo objetivo.

El último salto consiste en entender que el flujo de trabajo no tiene por qué estar codificado de antemano.

En lugar de definir un proceso fijo de seis pasos, se proporciona al agente orquestador un objetivo, un conjunto de agentes disponibles y unas instrucciones generales. El orquestador decide la secuencia. Puede volver atrás para buscar más información. Puede saltarse un paso si no hace falta. Se adapta.

El orquestador funciona de forma parecida a un detective. Un detective no sigue una lista cerrada de comprobaciones. Tiene un objetivo: resolver el caso y cada pista determina el siguiente paso de la investigación. Si una línea no lleva a ninguna parte, vuelve atrás. Si un testigo abre una vía nueva, la sigue. Del mismo modo, el orquestador parte de un objetivo y decide la secuencia de trabajo a medida que avanza.

Eso es lo que diferencia la arquitectura basada en agentes de la automatización tradicional. El sistema no sigue un guion cerrado: persigue un objetivo. El sistema no sigue un guion. Se trata de perseguir un objetivo.

Todo sistema de agentes, independientemente de su complejidad, comparte cuatro módulos básicos, además de una capa de coordinación que los integra entre sí.

El módulo de percepción actúa como la capa de captación del sistema. Recoge datos en tiempo real desde API, bases de datos, sensores o interfaces de usuario, y los transforma en representaciones que el sistema puede utilizar. Aquí es donde el procesamiento del lenguaje natural interpreta entradas de texto, la visión artificial interpreta imágenes y los conectores de datos extraen registros estructurados de sistemas empresariales. La capa de percepción marca el límite de todo lo que viene después. La calidad del trabajo de un agente depende de la calidad de los datos a los que tiene acceso.

En sanidad, las organizaciones que utilizan plataformas de datos unificadas como InterSystems HealthShare pueden agregar registros procedentes de distintas historias clínicas electrónicas mediante estándares como FHIR^® y HL7®. Así ofrecen a sus agentes una base de datos mucho más completa que las organizaciones que trabajan con silos fragmentados.

El módulo cognitivo interpreta la información recibida desde la capa de percepción en función de los objetivos actuales del agente. Aquí intervienen los modelos de machine learning, la lógica de razonamiento paso a paso y los algoritmos de planificación.

Las capacidades de razonamiento de los grandes modelos de lenguaje han hecho viables los agentes deliberativos. Pueden valorar opciones, definir subobjetivos y ajustar planes mientras se ejecuta la tarea.

Pero el razonamiento también es el punto en el que pueden aparecer errores. Si un modelo interpreta mal los datos o define un subobjetivo incorrecto, esos errores se arrastran a las fases posteriores.

Los sistemas de memoria proporcionan a los agentes contexto más allá de la instrucción actual. La memoria a corto plazo conserva el contexto de la sesión activa y los resultados intermedios. ¿Qué ha producido hasta ahora el agente de borrador? ¿Qué datos se han recuperado ya?

La memoria a largo plazo almacena resultados históricos, preferencias de los usuarios y conocimientos acumulados, lo que ayuda al sistema a mejorar con el tiempo. Los agentes que conservan un registro de interacciones anteriores y de estados del entorno pueden razonar a más largo plazo, conectando la tarea actual con lo aprendido en tareas previas.

La gestión del contexto entre agentes es uno de los problemas técnicos más difíciles en los sistemas multiagente. El conocimiento de cada agente debe estar bien delimitado porque necesita disponer de lo necesario, pero sin quedar saturado por información irrelevante.

El módulo de acción ejecuta las decisiones: generar texto, llamar a una API, actualizar un registro en una base de datos o pasar la tarea al siguiente agente. En el esquema de Don, los agentes de borrador, crítica y versión final realizan acciones distintas al servicio de un mismo objetivo.

Las acciones también pueden activar procesos posteriores en sistemas de software externos, como programar citas, abrir incidencias, actualizar registros en el CRM o enviar datos a canales de análisis. La capa de acción es el punto en el que la IA basada en agentes se conecta con el mundo real.

La capa de orquestación coordina el flujo de datos y de control entre todos los demás módulos. Decide qué agente interviene a continuación y qué información recibe.

Por debajo se sitúa el ciclo de retroalimentación, el mecanismo que permite al sistema evaluar su propio avance, detectar errores lógicos y ajustar estrategias en tiempo real a partir de la respuesta del entorno. Los sistemas basados en agentes mejoran con el tiempo mediante ciclos de aprendizaje por refuerzo: incorporan más datos y ajustan el comportamiento de los agentes en cada iteración.

Los sistemas basados en agentes pueden analizarse en dos niveles: cómo se diseña cada agente y cómo se organizan varios agentes dentro de un sistema.

La forma en que un agente procesa información y toma decisiones determina qué tipo de tareas puede asumir:

Patrón	Cómo funciona	Uso más adecuado
Reactivo	Responde a estímulos inmediatos sin utilizar memoria ni predicción. Un agente reflejo basado en modelos asigna percepciones directamente a acciones.	Tareas sencillas y rápidas: enrutamiento de alertas, activadores basados en umbrales.
Deliberativo	Razona, planifica y tiene en cuenta el contexto antes de decidir. Es más lento, pero mucho más capaz.	Problemas complejos que requieren planificación en varios pasos: investigación, análisis.
Cognitivo	Imita procesos de pensamiento humanos, como razonar, aprender y tomar decisiones autónomas con memoria a corto y largo plazo.	Tareas que requieren adaptación: recomendaciones personalizadas, creación iterativa de contenido.

La mayoría de los agentes modernos son deliberativos o cognitivos. Las capacidades de razonamiento de los grandes modelos de lenguaje hacen viables estos patrones de una forma que no era posible hace cinco años.

La forma de organizar los agentes determina cómo colaboran y quién toma las decisiones:

Patrón	Estructura	Uso más adecuado	Contrapartida
Un solo agente	Un agente que toma decisiones de forma centralizada con herramientas y una instrucción del sistema. El agente se encarga de toda la tarea.	Tareas bien definidas: consultas de soporte, resumen de documentos, revisión de código.	Es sencillo de construir y depurar, pero queda limitado por la capacidad de un único agente.
Canalización vertical	Un agente principal supervisa subtareas y dirige a varios agentes especializados en secuencia. Los agentes jerárquicos devuelven los resultados hacia arriba en la cadena.	Flujos de trabajo secuenciales: creación de contenidos, procesamiento de datos, generación de informes	Es predecible y fácil de probar, pero resulta poco flexible si los requisitos cambian durante la tarea.
Modelo horizontal	Los agentes trabajan al mismo nivel en un sistema descentralizado, sin un único responsable. Operan de forma independiente y negocian los resultados.	Tareas creativas: generación de ideas, evaluación con equipos enfrentados, análisis interdisciplinar.	Aporta perspectivas diversas, pero dificulta llegar a una única respuesta.
Modelo híbrido	Combina liderazgo estructurado con flexibilidad colaborativa. El liderazgo cambia según la fase de la tarea.	Proyectos complejos que mezclan ejecución estructurada y exploración abierta.	Es el modelo más capaz, pero también el más complejo de construir y depurar.

El ejemplo de Don basado en borrador, crítica y revisión es una canalización: el flujo de trabajo sigue una secuencia predeterminada. El ejemplo del orquestador es híbrido: el sistema se adapta según lo que produce cada paso.

La arquitectura idónea del agente depende de los requisitos de la aplicación. Para tareas bien definidas, conviene empezar con una arquitectura de un solo agente. Las arquitecturas multiagente solo tienen sentido cuando la complejidad de la tarea lo exige, por ejemplo, por especialización, ejecución en paralelo o coordinación entre dominios..

En las arquitecturas multiagente, el principal problema es conseguir que los agentes trabajen juntos.

La colaboración multiagente exige resolver tres cuestiones: comunicación, coordinación y uso compartido de recursos.

Los agentes se comunican mediante el intercambio estructurado de mensajes. La salida de un agente se convierte en la entrada de otro. Los protocolos de comunicación definen el formato, el enrutamiento y la prioridad de estos mensajes.

En los sistemas verticales, los agentes que dependen de un agente líder siguen un modelo de «centro y radios». En los sistemas horizontales, los agentes se comunican entre sí de igual a igual.

Se crearon estándares como el Protocolo de Contexto Modelo (MCP) para normalizar la forma en que los agentes se conectan a herramientas y fuentes de datos, reduciendo así la carga que supone la integración para los equipos de desarrollo de agentes.

Una de las características clave de los sistemas multiagente frente a las arquitecturas de un solo agente es el procesamiento paralelo. Los distintos agentes pueden encargarse de subtareas independientes de forma simultánea (por ejemplo, uno investiga, otro redacta y un tercero consulta una base de datos).

Esto permite a los agentes de IA resolver problemas complejos más rápido que un único modelo que trabaje de forma secuencial. Sin embargo, la ejecución en paralelo plantea retos de sincronización: los agentes deben combinar sus resultados de forma coherente, sin contradicciones ni duplicaciones.

El principal reto de las arquitecturas multiagente es la coordinación. Sin mecanismos sólidos de sincronización, los agentes comparten los recursos de forma ineficiente, duplican el trabajo o generan resultados contradictorios.

Esto resulta especialmente grave en entornos dinámicos en los que los requisitos de las tareas cambian en pleno flujo de trabajo. La supervisión del rendimiento a nivel del sistema (es decir, el seguimiento de qué agentes sufren cuellos de botella, cuáles están inactivos y dónde se acumulan los errores) es esencial para mantener el rendimiento de la IA a medida que el sistema se amplía.

Los sistemas multiagente son muy adecuados para ámbitos que requieren la colaboración entre diversos conjuntos de competencias, como la revisión del cumplimiento normativo, la investigación de mercados, la optimización de flujos de trabajo o los proyectos multifuncionales en los que es necesario aunar conocimientos analíticos, creativos y operativos en un único resultado.

La IA agentiva no siempre es la opción más adecuada. Resumir un documento, clasificar una solicitud de asistencia o traducir un texto funciona perfectamente con una sola llamada al modelo de lenguaje grande (LLM). Añadir personal a esas tareas supone una carga adicional sin que ello suponga una mejora significativa.

La arquitectura agencial adquiere su complejidad cuando:

• Las tareas requieren varios pasos: investigación, análisis y síntesis, en ese orden.
• Los datos externos son esenciales: el sistema necesita consultar bases de datos, API o fuentes en tiempo real durante el flujo de trabajo.
• La autocorrección mejora los resultados: un ciclo de revisión aumenta de forma cuantificable la calidad del trabajo
• Es necesaria la coordinación entre los distintos sistemas: los agentes deben extraer datos de diferentes plataformas y enviarlos a ellas.

Si la tarea tiene una única entrada, una única salida y no requiere decisiones intermedias, una indicación bien elaborada superará en rendimiento a un sistema basado en agentes, con una fracción del coste y la latencia.

Los sistemas de IA con capacidad de agencia destacan en la resolución de problemas abiertos que requieren una toma de decisiones autónoma y una gestión compleja de flujos de trabajo de varios pasos. En entornos empresariales, esto se traduce en un impacto cuantificable.

Las organizaciones señalan una aceleración de los procesos empresariales de entre el 30 % y el 50 % cuando los sistemas basados en agentes se encargan de la automatización de tareas en flujos de trabajo operativos, como las comprobaciones de cumplimiento normativo, la conciliación de datos y la incorporación de clientes.

En la práctica, esto significa agentes adaptados a funciones empresariales específicas. Tal y como describe Don, se podría crear «un modelo que compruebe el cumplimiento de las políticas de la organización o de la marca», lo que convertiría la revisión del cumplimiento o la gestión de la marca de un cuello de botella manual en un paso automatizado dentro de un flujo de trabajo impulsado por agentes.

La IA basada en agentes puede automatizar tareas que requieren un alto nivel de conocimiento y que los modelos tradicionales de IA no pueden gestionar, como analizar datos no estructurados procedentes de múltiples fuentes, tomar decisiones discrecionales y adaptarse a las excepciones.

Estos sistemas funcionan las 24 horas del día y se adaptan para gestionar picos repentinos de datos o consultas sin necesidad de aumentar la plantilla. Al liberar a los empleados de las tareas cognitivas repetitivas, estos pueden centrarse en la estrategia de alto valor y en la innovación creativa.

En el ámbito sanitario, la IA agentiva mejora tanto la eficiencia operativa como la toma de decisiones clínicas. Los agentes que analizan imágenes médicas, cotejan los historiales de los pacientes y aprenden de nuevos casos pueden mejorar la precisión diagnóstica con el tiempo.

La integración de la IA basada en agentes en los sistemas empresariales existentes refuerza las ventajas competitivas en todos los sectores.

Plataformas como InterSystems IRIS Data Platform proporcionan la base de interoperabilidad que estos agentes necesitan en el sector sanitario y en otros ámbitos, conectando sistemas a través de estándares como FHIR y HL7, independientemente del proveedor.

Las operaciones de la cadena de suministro se benefician de manera similar. Los agentes que detectan los cambios en la demanda y ajustan el cumplimiento de los pedidos en tiempo real deben realizar análisis sobre datos transaccionales en tiempo real, y no sobre el extracto del almacén del día anterior. InterSystems IRIS admite esta funcionalidad de forma nativa mediante el procesamiento «translytical», que permite ejecutar cargas de trabajo tanto transaccionales como analíticas sobre los mismos datos sin los retrasos propios del proceso ETL.

La implementación de sistemas de IA agentiva requiere una selección cuidadosa de los tipos de agentes, las herramientas y los marcos de IA agentiva que se ajusten a las capacidades específicas de la IA y a los objetivos empresariales. El ecosistema ha madurado rápidamente.

Los marcos de trabajo de agentes se encargan de la lógica de los agentes, la coordinación y el uso de herramientas:

Marco	Mantenido por	Enfoque
LangGraph	LangChain	Flujos de trabajo basados en gráficos. Los agentes son nodos y las transiciones son aristas. Máxima flexibilidad, curva de aprendizaje más pronunciada.
CrewAI	Código abierto (Fondo de IA)	«Equipos» basados en funciones. Asigna a los agentes sus funciones, objetivos e historias de fondo. La vía más rápida para crear prototipos multiagente.
Marco de trabajo de Microsoft Agent	Microsoft	Marco unificado (fusión de AutoGen y Semantic Kernel). Integración profunda con Azure. Orientado a las empresas.
Google ADK	Google	Kit de herramientas «Code-first» con herramientas integradas, compatibilidad con el Protocolo de Contexto de Modelos (MCP) y una interfaz de usuario para la depuración visual. Se integra con Vertex AI.

Estos marcos se encargan de la lógica y la coordinación de los agentes. Pero los agentes también necesitan tener acceso a los datos de la empresa, que se encuentran repartidos entre bases de datos, motores de interoperabilidad y sistemas de análisis en tiempo real. Plataformas como InterSystems IRIS proporcionan la capa de infraestructura de datos que los agentes consultan y sobre la que actúan, lo que permite a los desarrolladores integrar capacidades de IA basadas en agentes en los sistemas de software existentes.

La elección de un marco práctico es esencial para crear sistemas fáciles de mantener y escalables. La elección adecuada depende de la experiencia de tu equipo, de tu entorno en la nube y de si necesitas plantillas de agentes ya creadas o la máxima personalización.

Empieza por aquí: elige un marco de trabajo y aplica el patrón «borrador-crítica-revisión» del Paso 1. Utiliza un único modelo de lenguaje grande (LLM) para los tres agentes. Haz que funcione. A continuación, amplía.

La creación de sistemas agentivos conlleva una serie de compensaciones que los enfoques basados en un único modelo evitan. Las organizaciones deben hacer frente a una gran complejidad técnica para garantizar el éxito de la ejecución.

• La latencia se agrava. Cada agente añade un viaje de ida y vuelta. Una cola de tres agentes tarda aproximadamente tres veces más que una llamada individual. Planifica el sistema para garantizar unos tiempos de respuesta aceptables antes de incorporar nuevos agentes.
• Los errores se propagan. Un resultado erróneo del agente de borrador se envía al agente de crítica, que quizá no lo detecte. Incorpora comprobaciones de validación en cada paso del proceso, para que no se realicen únicamente al final.
• Escala de costes. Un mayor número de agentes implica más llamadas a la API, lo que se traduce en mayores costes. Mide el coste por tarea y compáralo con la mejora en la calidad. A veces, una única indicación bien diseñada resulta más económica y es suficiente.
• La depuración es más difícil. Cuando un sistema de cinco agentes da un mal resultado, hay que averiguar qué agente ha fallado. Es fundamental llevar a cabo un registro estructurado en cada límite de agente.
• Los rendimientos decrecientes se notan enseguida. Añadir un cuarto, quinto o sexto agente rara vez resulta tan útil como mejorar los tres primeros.

La escalabilidad es uno de los mayores retos de la arquitectura de la IA agente, sobre todo al pasar de sistemas de un solo agente a sistemas multiagente. Los sistemas de IA agencial requieren una infraestructura sólida para gestionar mayores cargas de trabajo y garantizar una comunicación fluida entre los agentes. Lo que funciona en un prototipo de tres agentes puede fallar cuando hay veinte agentes. Las colas de mensajes se desbordan, las ventanas de contexto se llenan y la sobrecarga de coordinación se convierte en el cuello de botella.

Para probar la IA agénica se necesitan conjuntos de datos tanto sintéticos como del mundo real, con el fin de garantizar su solidez y fiabilidad. Los datos sintéticos permiten realizar pruebas de estrés de casos extremos y modos de fallo en condiciones controladas. Los datos del mundo real ponen de manifiesto las entradas desordenadas e impredecibles con las que se encontrará realmente el sistema. Prueba primero cada agente por separado y, a continuación, prueba el sistema completo de principio a fin. Las interacciones entre los agentes ponen de manifiesto problemas que las pruebas a nivel de unidad no detectan.

El proceso de diseño de una arquitectura de IA con capacidad de agencia es iterativo. Las arquitecturas deben revisarse periódicamente a medida que cambian las características de la carga de trabajo. Lo que comenzó como un sencillo proceso puede requerir una coordinación dinámica a medida que aumenta la complejidad de las tareas.

Como dice Don, el objetivo es «crear flujos de trabajo en los que uno o varios de los agentes puedan dirigir lo que ocurre a continuación, en lugar de que tú tengas que planificar de antemano todo el flujo en el código o en tu aplicación». Empieza con la arquitectura más sencilla que funcione. Dejemos que la experiencia guíe la evolución.

La arquitectura de IA «Agentic» transforma la IA de una herramienta de una sola instrucción a un equipo coordinado de agentes especializados.

La idea central, tal y como la plantea Don, es sencilla: empezar por considerar los modelos de lenguaje grande (LLM) como agentes, reconocer que no todos los agentes tienen por qué ser LLM y dejar que el sistema dirija su propio flujo de trabajo en lugar de programar cada paso de forma rígida. Empieza por crear un ciclo de «borrador-crítica-revisión». Añadir herramientas. Añadir orquestación. Deja que la complejidad del sistema crezca al ritmo de tus necesidades, y no por delante de ellas.