Diseño de agentes de IA especializados: por qué dividir el trabajo supera al asistente «todo en uno»
Cuando una empresa empieza a usar la IA, es tentador crear un único asistente que lo haga todo: vender, redactar, revisar contratos, analizar números y programar. Parece la opción más sencilla. Pero en cuanto ese asistente empieza a trabajar con casos reales, aparecen los problemas: respuestas irregulares, instrucciones que se pasan por alto y arreglos que estropean lo que antes funcionaba.
En los capítulos anteriores viste cómo redactar instrucciones de sistema robustas y cómo preparar bases de conocimiento fiables. Ahora unimos ambas piezas para diseñar agentes. Verás por qué falla el asistente generalista, qué principio conviene seguir y qué tipos de agentes suelen funcionar mejor. También tienes un caso práctico completo y las ventajas económicas de trabajar así.
El mito del «agente dios»
El diseño más intuitivo suele ser también el menos eficaz. Se redacta una instrucción de miles de palabras en la que se pide a un solo modelo que sea a la vez asesor comercial, redactor persuasivo, revisor legal estricto, analista financiero y programador.
A este enfoque lo llamamos patrón del agente dios (God Agent). Suele fallar en producción por tres motivos.
1. La atención se reparte demasiado
Como vimos en el capítulo 2, el mecanismo de atención decide qué partes del contexto pesan más en cada respuesta. Cuantas más instrucciones largas, distintas y a veces contradictorias tiene que manejar, más fácil es que algunas pierdan peso y el modelo las cumpla de forma irregular.
2. Las posturas chocan entre sí
Un agente comercial necesita un tono cercano y empático. Un auditor de riesgos necesita escepticismo y rigor. Si le pides las dos cosas al mismo agente, una de ellas acabará imponiéndose a la otra, o el resultado se quedará a medio camino entre las dos.
3. Cada arreglo puede romper otra cosa
Si el agente falla en un paso intermedio, tienes que tocar la instrucción general. Al hacerlo, puedes cambiar sin querer su comportamiento en tareas que antes funcionaban bien. Mantenerlo se vuelve cada vez más difícil.
Una idea con mucha historia
La especialización no es una idea nueva:
- Adam Smith, en La riqueza de las naciones (1776), explicó con el ejemplo de una fábrica de alfileres cómo la división del trabajo multiplica la productividad.
- Marvin Minsky, en La sociedad de la mente (1986), propuso que la inteligencia surge de la colaboración de muchos procesos sencillos y especializados, no de un único procesador central.
En la IA aplicada ocurre algo parecido. Un conjunto de agentes pequeños, con funciones bien delimitadas y formas claras de pasarse la información, suele funcionar mejor que un único asistente generalista.
El principio de responsabilidad única aplicado a los agentes
En ingeniería de software existe el principio de responsabilidad única (Single Responsibility Principle), uno de los principios SOLID que popularizó Robert C. Martin. Adaptado a la IA, dice lo siguiente:
Cada agente debe tener un único objetivo y un único motivo para cambiar.
Para conseguirlo, delimita cuatro dimensiones de cada agente:
Dimensión
Qué significa
Ejemplo
1. Una sola función
El agente extrae, revisa o redacta, pero no todo a la vez
«Extrae los datos de facturas»
2. Un Brain propio
Solo la documentación que necesita para su función
Manual de facturación, no el argumentario comercial
3. Las herramientas justas
Solo las funciones o conexiones que de verdad usa
Lectura de PDF, sin acceso al correo
4. Una salida cerrada
Un formato fijo en JSON o Markdown
Una ficha con campos predefinidos
Al quitarle al agente las tareas secundarias, toda su ventana de contexto se dedica al problema concreto. Además, reduces riesgos: un agente que no tiene acceso al correo no puede enviar un correo por error.
Cuatro tipos de agentes que funcionan
En lugar de crear un agente por departamento («el agente de marketing», «el agente legal»), suele ser más eficaz diseñar agentes según el tipo de trabajo mental que hacen. Estos cuatro tipos cubren la mayoría de los procesos:
CLASIFICADOR → EXTRACTOR → AUDITOR → REDACTOR
1. Clasificador o enrutador
- Qué hace: analiza la entrada, identifica de qué tipo de caso se trata y decide qué agente o flujo debe encargarse.
- Modelo adecuado: un modelo ligero (SLM), rápido y barato.
- Qué entrega: un código de categoría o una llamada a una función.
Ejemplo: recibe un correo y lo clasifica como «consulta comercial», «incidencia técnica» o «reclamación».
2. Extractor o investigador
- Qué hace: lee documentos sin estructura (facturas, contratos, correos, transcripciones) y extrae solo los datos clave en un formato normalizado.
- Instrucción clave: cero creatividad y máxima fidelidad al documento. Si un dato no aparece, lo indica en lugar de deducirlo.
Ejemplo de salida:
json
{
"cliente": "Talleres Ruiz S.L.",
"servicio_solicitado": "Mantenimiento anual",
"num_empleados": 25,
"fecha_inicio_deseada": "2027-01-15",
"datos_faltantes": ["sector de actividad"]
}
3. Auditor o crítico
- Qué hace: no crea contenido nuevo. Revisa el trabajo de otro agente o de una persona y busca incoherencias, incumplimientos de las políticas internas o posibles problemas normativos, como los que vimos al hablar del Reglamento de IA.
- Postura: escéptica, metódica y centrada en encontrar errores de partida.
Es el papel de «adversario» que vimos en el capítulo 5, ahora convertido en una pieza fija del sistema.
4. Redactor o maquetador
- Qué hace: toma los datos ya validados y las observaciones del auditor, y redacta el entregable final con el tono, el formato y la estructura de tu marca.
- Por qué va al final: cuando llega a este paso, los datos ya están comprobados. Así puede centrarse en comunicar bien, no en verificar.
Caso práctico: preparar una propuesta comercial
Enfoque con un solo agente
Le das a un agente el historial de un cliente y le pides:
«Lee el caso, busca en los manuales si encaja en el servicio, calcula el presupuesto, evalúa los riesgos y redacta la propuesta comercial para enviarla por correo».
Resultado habitual: el presupuesto tiene errores de cálculo, el agente olvida comprobar una política de riesgo importante y la propuesta es genérica y poco convincente.
Enfoque con agentes especializados
- Agente extractor: procesa los datos del cliente y genera una ficha estructurada en JSON.
- Agente auditor, con el Brain de políticas: comprueba si la ficha cumple los requisitos para acceder al servicio. Si falta información, detiene el proceso y pide los datos que faltan.
- Herramienta determinista: calcula el precio exacto con una función de cálculo conectada. El modelo no hace cuentas.
- Agente redactor, con el Brain de argumentarios: recibe la ficha validada y el presupuesto, y redacta una propuesta adaptada al cliente.
- Revisión humana: una persona revisa la propuesta y autoriza el envío.
Un apunte normativo: este caso trata de si una empresa encaja en un servicio comercial, lo que normalmente es un uso de riesgo mínimo. Si el mismo esquema se usara para evaluar a personas en ámbitos como el empleo, la educación, el crédito o los seguros de vida y salud, podría entrar en el alto riesgo del Reglamento de IA. Revisa los capítulos anteriores antes de aplicarlo en esos casos.
Ventajas económicas y operativas
Menos coste de inferencia
Puedes usar modelos pequeños y rápidos en los pasos intermedios, como clasificar y extraer, que en muchos procesos son la mayoría. Los modelos avanzados, más caros, se reservan para las fases que de verdad lo necesitan, como la revisión crítica o la redacción compleja.
Mantenimiento por piezas
Si cambia el formato de tus propuestas, solo actualizas la instrucción del agente redactor. La extracción y la revisión siguen funcionando igual.
Errores más fáciles de localizar
Cuando un entregable sale mal, puedes revisar la salida de cada agente y ver en qué paso se produjo el fallo. Si además registras las entradas y salidas de cada paso, como vimos al hablar de la trazabilidad, el diagnóstico es mucho más rápido.
Cuándo no conviene dividir más
La especialización también tiene costes. Cada agente añadido supone más latencia, más puntos de conexión y más instrucciones que mantener. Algunas pautas:
- No dividas una tarea sencilla que un solo agente resuelve bien de forma constante.
- Divide cuando haya posturas distintas, como crear frente a criticar, o cuando cambien las fuentes o las herramientas necesarias.
- Define bien qué se pasan los agentes. Un formato de salida claro en cada paso evita que los errores se propaguen por la cadena.
- Empieza con pocos agentes y añade más solo cuando detectes un cuello de botella concreto.
Conclusión
Un asistente que intenta hacerlo todo acaba haciéndolo todo de forma irregular. Si divides el trabajo entre agentes con una sola función, una base de conocimiento propia, las herramientas justas y una salida clara, consigues sistemas más precisos, más baratos y mucho más fáciles de mantener. La clave no está en tener el agente más potente, sino en que cada pieza haga bien su parte y una persona supervise lo importante.
¿Quieres empezar a diseñar tus propios agentes especializados? Visita libertadia.com y regístrate en la aplicación.