Usa el mismo modelo, el mismo prompt base, las mismas herramientas. Un equipo construye un chatbot que responde preguntas una tras otra sin recordar nada de la conversación anterior. Otro equipo construye un agente que planifica, ejecuta herramientas, verifica resultados, y corrige errores por sí mismo. La diferencia no está en el cerebro — está en el esqueleto.
Durante los últimos dos años, la industria enfrenta una constatación incómoda: los modelos de lenguaje mejoran a un ritmo vertiginoso, pero el rendimiento de un sistema de IA no depende exclusivamente de qué modelo corre debajo. Depende de cómo ese modelo se conecta con el mundo — qué recuerda, cómo decide sus pasos, cuándo llama a una herramienta, y cómo detecta que se equivocó. Esa capa invisible es la arquitectura de agente, y se ha convertido en el verdadero campo de batalla de la ingeniería de IA.
El punto de inflexión llegó en diciembre de 2024, cuando Anthropic publicó su guía Building effective agents. Lejos de proponer una arquitectura única, el equipo identificó cinco patrones de orquestación que cualquier desarrollador puede implementar. El detalle revelador es que ninguno de estos patrones requiere un modelo más grande o más inteligente. Exigen mejor arquitectura.
El primero es el prompt chaining: descomponer una tarea compleja en pasos secuenciales, donde la salida de un paso alimenta al siguiente. Es el equivalente a escribir una función que llama a otra. El segundo, routing, clasifica la entrada del usuario y la dirige al especialista adecuado — útil cuando un solo sistema debe manejar solicitudes tan dispares como atención al cliente y análisis técnico. El tercero, parallelization, ejecuta múltiples llamadas al modelo simultáneamente y combina los resultados; ideal para tareas como revisar un documento desde distintos criterios a la vez.
El cuarto patrón, orchestrator-workers, merece atención especial. Un agente orquestador recibe una tarea, la analiza, y delega subtareas a agentes worker especializados. Cada worker devuelve su resultado, y el orquestador sintetiza la respuesta final. Este diseño es la piedra angular de los sistemas multi-agente que están proliferando en producción. El quinto patrón, evaluator-optimizer, introduce un bucle de calidad: un agente genera una respuesta, otro la evalúa, y si no pasa el umbral, el primero lo intenta de nuevo con la retroalimentación recibida.
Esta taxonomía de Anthropic no es académica. LangGraph, el framework de orquestación de LangChain, implementa exactamente estos patrones mediante su StateGraph, un grafo dirigido donde los nodos son llamadas al modelo y las aristas representan transiciones de estado. La clave está en la palabra estado: un agente orquestado con StateGraph no pierde el hilo de la conversación ni ignora herramientas que ya ejecutó. Recuerda, itera, y puede retroceder si algo sale mal.
Este salto de lo stateless a lo stateful es probablemente el cambio más subestimado en el desarrollo de agentes. Un chatbot sin estado puede encadenar respuestas coherentes durante un turno, pero un agente stateful mantiene un contexto vivo — sabe qué herramientas invocó, qué resultados obtuvo, y qué pasos faltan. Esa memoria operativa es lo que separa una demo de un sistema productivo. Y no es un detalle menor: sin estado, no hay iteración; sin iteración, no hay corrección de errores; sin corrección, un agente no es más que un prompt glorificado.
La investigación académica respalda esta dirección. AgentVerse (arXiv:2308.10848) demostró que grupos de agentes superan sistemáticamente a agentes individuales en tareas complejas, aunque también reveló que la colaboración entre agentes no es automática: surgen comportamientos sociales emergentes como cooperación y conflicto que deben gestionarse explícitamente. Los agentes individuales son predecibles; los sistemas multi-agente son vivos, y lo vivo requiere orquestación cuidadosa. Un survey más reciente sobre sistemas multi-agente (arXiv:2605.14892) propone el marco LIFE — Layer capability, Integrate, Find faults, Evolve — y señala que la propagación de errores entre agentes sigue siendo un problema abierto.
Esto plantea una pregunta práctica: ¿cuándo tiene sentido orquestar múltiples agentes y cuándo basta con uno solo? La respuesta de Anthropic es sorprendentemente conservadora: empiece con lo simple. Un agente único con buenas herramientas, memoria y verificación puede resolver la mayoría de los casos de uso. La arquitectura multi-agente debería ser una respuesta a una limitación concreta — un cuello de botella en la toma de decisiones, la necesidad de especialización, o la imposibilidad de que un solo agente maneje todos los formatos de salida.
Microsoft Copilot Studio ilustra bien esta filosofía. La plataforma permite construir agentes child especializados que heredan configuración de un agente padre, se integran con MCP (Model Context Protocol) y ejecutan código de forma segura. No es una arquitectura radicalmente nueva — es una implementación industrial de los patrones que Anthropic describió.
La tentación de sobrediseñar es real. Cuando un ingeniero descubre LangGraph y los patrones de Anthropic, el impulso natural es modelar cada tarea como un grafo con siete nodos y tres loops de verificación. La disciplina, en cambio, consiste en empezar con un solo nodo, medir dónde falla, y añadir complejidad solo donde aporte valor. Un state machine de tres estados que funciona confiablemente vale más que un grafo de veinte nodos que nadie sabe depurar.
La arquitectura de agentes está madurando. Ya no se trata de qué modelo corre más rápido o contesta con más matices. Se trata de cómo el sistema recuerda, decide, verifica y se corrige. Y eso, para los desarrolladores que construyen productos de IA hoy, es una noticia alentadora: el modelo importa, pero la arquitectura define los límites de lo que realmente se puede construir. En un ecosistema donde los modelos se vuelven cada vez más comoditizados, la ventaja competitiva no está en elegir el LLM más reciente, sino en diseñar el sistema que lo usa mejor. Esa es la tesis que la ingeniería de agentes recién está empezando a demostrar en producción.
Fuente principal: Building effective agents