Agentes de IA vs Workflows: cuándo usar cada uno
Tu "agente de IA" probablemente es un if/else disfrazado. Reconocerlo es el primer paso para elegir la herramienta correcta.
Todo el mundo quiere construir "agentes" en 2026. Abres X, LinkedIn, cualquier newsletter de tech: agentes por aquí, agentes por allá. Cada startup tiene un "AI agent", cada tutorial te enseña a construir uno, y cada conferencia tiene un track dedicado.
Y la presión es real. Si no estás construyendo agentes, sientes que te estás quedando atrás, que la programación tradicional es obsoleta, que tu
for loop y tu Step Functions son reliquias del pasado.Spoiler: no lo son. Y confundir cuándo necesitas un agente vs cuándo necesitas un workflow está costando tiempo y dinero.
La confusión de fondo
El término "agente" se volvió un catch-all para cualquier cosa que use un LLM.
Veamos qué NO es un agente:
- Un script que llama a un LLM, parsea la respuesta y hace algo con ella → es un script
- Un cron job que genera un resumen con GPT cada mañana → es un cron job
- Un formulario que valida datos con AI → es un formulario con una validación inteligente
- Una Lambda que clasifica tickets de soporte → es una función
Estamos renombrando programación tradicional como "agentic" para que suene moderno. Le ponemos el label de "agente" a workflows determinísticos que tienen un paso con un LLM.
No está mal usar un LLM en tu pipeline. Lo que está mal es creer que eso requiere toda la complejidad de un agente real.
Definiciones honestas
Un workflow es un flujo de pasos predefinidos donde tú controlas el orden de ejecución. Puede incluir un LLM en algún paso, pero tú decides cuándo y cómo se usa. Siempre ejecuta los mismos pasos dado el mismo input.
Un agente de IA es un sistema donde el modelo decide qué hacer. Elige herramientas, planifica pasos, e itera. Tú defines el objetivo, no el camino.
La prueba ácida:
¿Puedes dibujar el diagrama de flujo completo antes de ejecutar?
Si sí, es un workflow. Si no puedes, probablemente necesitas un agente.
El árbol de decisión
Antes de elegir tecnología, pasa tu caso de uso por este árbol:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
¿El flujo de pasos es predecible antes de ejecutar?
│
├── SÍ → Workflow
│ └── ¿Algún paso necesita "inteligencia"?
│ │ (clasificar, extraer, generar, resumir)
│ ├── SÍ → Workflow con un paso que usa LLM
│ └── NO → Código puro. No necesitas AI aquí.
│
└── NO → ¿Quién decide el siguiente paso?
│
├── El usuario (conversación libre) → Agente conversacional
│
└── El modelo (razonamiento autónomo) → Agente autónomo
└── ¿El costo y riesgo son aceptables?
├── SÍ → Agente con guardrails
└── NO → Sub-workflows + decisión humanaLa mayoría de los casos de uso caen en la rama izquierda. Y eso está bien.
Ejemplos reales
Casos de uso que veo todo el tiempo en equipos de LATAM:
| Caso de uso | ¿Agente? | Solución real |
|---|---|---|
| Facturación electrónica (CFDI, factura-e) | ❌ | Workflow determinístico. Regulado, secuencial, cero ambigüedad. |
| Generar resumen diario de métricas | ❌ | Cron + llamada a LLM + template. Es un script. |
| Clasificar tickets de soporte | ❌ | Lambda con un prompt fijo. Es una función. |
| Onboarding con validación de documentos | ❌ | Pipeline con un paso de extracción AI. Sigue siendo un pipeline. |
| Asistente que responde preguntas libres sobre tu producto | ✅ | El input es libre, el agente decide qué buscar y cómo responder. |
| Investigación autónoma de un tema complejo | ✅ | No sabes cuántos pasos tomará ni qué fuentes necesitará. |
| Coding assistant que navega tu codebase | ✅ | El contexto cambia la estrategia completa en cada interacción. |
El patrón es claro: los ❌ son flujos que puedes diagramar de antemano. Los ✅ no, porque el input es genuinamente impredecible.
El costo de elegir mal
Tokens desperdiciados. Un agente "pensando" 4 pasos para algo que siempre son 4 pasos fijos quema tokens sin razón. Cada iteración del agent loop es una llamada al modelo.
Debugging imposible. ¿Qué prefieres debuggear? Un Step Functions con logs claros, o un agente que "decidió" hacer algo raro en la iteración 3 y no sabes por qué.
Confiabilidad perdida. Workflows determinísticos siempre hacen lo mismo dado el mismo input. Un agente puede tomar caminos inesperados, interpretar mal el objetivo, o alucinar una herramienta que no existe.
Velocidad sacrificada. Un workflow lo shipeas en días. Un agente robusto toma semanas de prompt engineering, guardrails y testing de edge cases.
La señal más reveladora
Hay una pregunta que lo aclara todo:
Si le quitas el LLM del loop de decisión y pones lógica determinista, ¿el sistema sigue funcionando igual?
Si sí, no necesitabas un agente. Tenías un workflow disfrazado.
Otras señales:
- Tu "agente" siempre ejecuta los mismos pasos en el mismo orden
- Nunca falla por "mala decisión del modelo", solo por errores de infra
- El system prompt dice "siempre haz A, luego B, luego C"
Eso último no es un prompt. Es un workflow escrito en prosa.
Cuándo SÍ necesitas un agente
Yo uso agentes y los construyo, pero solo en casos donde tienen sentido:
- Input genuinamente impredecible: no sabes qué va a pedir el usuario
- El número de pasos varía: puede ser 2 o puede ser 12
- Se requiere razonamiento: evaluación de contexto para decidir qué hacer, no un
if/else - El contexto cambia la estrategia completa: la misma pregunta puede requerir caminos totalmente diferentes
Si tu caso de uso cumple al menos 3 de estos criterios, invierte en hacerlo bien: guardrails, observabilidad, testing, límites de iteración.
El patrón que funciona
Los mejores sistemas de producción que he visto combinan ambos mundos:
- Lógica determinística donde puedes (el 80% del sistema)
- AI donde la necesitas (clasificación, generación, extracción)
- Agente solo donde hay ambigüedad real (el 5% de los casos)
Workflow orquesta, LLM asiste en pasos específicos, agente solo donde hay ambigüedad genuina.
- Código puro: lo más simple, donde cae la mayoría de tu sistema (~80%)
- Workflow con paso de AI: cuando un paso necesita clasificar, extraer o generar (~15%)
- Agente autónomo: solo si el camino no se puede predefinir (~5%)
La pregunta no es "¿cuál es más avanzado?" sino "¿cuál necesito para este problema específico?"
¿Te resultó útil este artículo? Compártelo con tu equipo, especialmente si están en esa conversación de "¿deberíamos usar agentes para X?". Y si ya pasaste por la experiencia de sobrediseñar algo con un agente que terminó siendo un workflow, me encantaría escuchar tu historia.
Enjoyed reading this content? Let the author know!
Your likes, comments, shares, and saves help creators reach more builders.
Loading recommendations
Loading article