AI agent frente a workflow: ¿cuándo debe un modelo elegir los pasos?
Traducción automática Este artículo se tradujo automáticamente a partir de la versión original en inglés.
Usa un workflow cuando puedas escribir de antemano los pasos y las bifurcaciones. Usa un agent cuando las reglas predefinidas no puedan cubrir de forma fiable la siguiente acción útil y un modelo tenga que interpretar los resultados para elegirla. Los workflows pueden bifurcarse según los tool results y llamar a modelos para clasificar solicitudes o redactar resúmenes. Por sí solas, esas funciones no requieren un agent loop.
Yo empezaría con un workflow fijo y añadiría pasos elegidos por el modelo únicamente donde falle con tareas reales. Esto sigue la distinción de Anthropic entre workflows predefinidos y agents dirigidos por el modelo. La pregunta útil es qué debe decidir el modelo, antes de elegir un framework.
Última revisión: 2026-09-08.
Compara dos solicitudes de soporte
«¿Dónde está el pedido 123?» tiene una ruta conocida: comprobar el acceso, obtener el pedido, consultar su estado de envío y devolver el resultado. Un modelo puede formular la respuesta, pero no necesita decidir qué sistema consultar después. Los pedidos inexistentes y los errores del servicio pueden tener bifurcaciones explícitas.
«¿Por qué falla este job únicamente después de un reinicio?» es menos predecible. El primer log puede apuntar a un archivo inexistente, a una credencial obsoleta o a un servicio que se inicia demasiado tarde. Un agent puede inspeccionar ese resultado y elegir la siguiente comprobación. La aplicación debe seguir restringiendo los archivos y las herramientas que puede utilizar.
Este segundo patrón es el núcleo de ReAct: acciones alternativas con observaciones que pueden cambiar la siguiente acción. Añade flexibilidad, pero también más oportunidades de elegir un paso poco útil.
Elige el mínimo control del modelo
| Qué necesita la tarea | Punto de partida | De qué sigues siendo responsable |
|---|---|---|
| Pasos y ramas de error conocidos | Workflow convencional | Validación, reintentos y gestión de errores |
| Una elección entre rutas conocidas | Classifier seguido de workflows fijos | Pruebas de routing y una ruta para casos inciertos |
| Un plan de herramientas que puede escribirse antes de ejecutar | Un grafo de herramientas planificado, como ReWOO | Validación del plan y recuperación cuando fallen las suposiciones |
| Las siguientes acciones requieren criterio del modelo | Un agent loop acotado, como ReAct | Permisos de las herramientas, reglas de parada y comprobaciones de finalización |
| Subtareas grandes con exploración local | Plan-and-execute | Estado compartido y reglas explícitas para cambiar el plan |
Un plan generado por un modelo también necesita validación antes de ejecutarse. ReWOO separa la planificación, la ejecución de herramientas y la síntesis de la respuesta; no proporciona las reglas de permisos o recuperación de tu aplicación. Si la secuencia de herramientas ya está definida en el código, un plan escrito por un modelo puede no aportar ningún valor.
Prueba la decisión antes de añadir más agents
Compara el workflow fijo y el agent con las mismas tareas, herramientas, datos y presupuesto total. Incluye un resultado inexistente, un timeout y un resultado que cambie la siguiente acción más probable. Cuenta los intentos fallidos e incompletos. Mide la finalización correcta, las acciones innecesarias, el tiempo transcurrido y el coste.
Para cualquier ruta que cambie el estado externo, verifica qué ha ocurrido antes de reintentar una llamada que haya sufrido un timeout. Una respuesta perdida puede ocultar que la acción se ha completado; la aplicación necesita un ID de operación estable o una consulta de estado fiable. Las recomendaciones de AWS sobre reintentos seguros explican el contrato de identidad de la solicitud.
Conserva el agent solo si las opciones adicionales resuelven suficientes fallos del workflow como para justificar su coste. Repartir el mismo trabajo entre varios agents es un experimento independiente.
Lecturas recomendadas
- Bucles de razonamiento de los AI agents compara ReAct, ReWOO y plan-and-execute mediante un único sistema desarrollado.
- Harness engineering explica quién comprueba las acciones y decide que el resultado está completo.
- Runtimes de agents de larga duración aborda la recuperación cuando el trabajo dura más que su worker.
- Comparativa de frameworks de agents ayuda a elegir una implementación cuando el flujo de control ya está claro.