Cuando un equipo prueba un asistente de IA y funciona a medias, la reacción habitual es sumar piezas: un agente que investiga, otro que redacta, un tercero que revisa. El diagrama queda prolijo. La pregunta que casi nunca se hace antes es si el problema pedía esa arquitectura.
En síntesis
- Un workflow y un agente no son lo mismo: en el primero el código fija el recorrido, en el segundo lo decide el modelo.
- Muchas veces alcanza con una sola llamada bien armada, con recuperación de información y ejemplos.
- Los sistemas multiagente tienen cuatro formas conocidas de organizarse: secuencial, en red, con supervisor y jerárquica.
- Tienen sentido cuando el trabajo se puede repartir o paralelizar, y cuestan más tokens y más supervisión.
- Cada agente que se suma agrega superficie de riesgo, y eso es también un problema de gobernanza.
Workflow o agente: la distinción que ordena todo
Anthropic, en su guía Building effective agents, agrupa todas estas variantes bajo el nombre de sistemas agénticos, pero marca una diferencia de arquitectura. Los workflows son sistemas donde los modelos y las herramientas se orquestan a través de caminos de código predefinidos. Los agentes, en cambio, son sistemas donde el propio modelo dirige su proceso y el uso de herramientas.
La consecuencia práctica es de diseño. Un workflow ofrece previsibilidad y consistencia para tareas bien definidas. Un agente es mejor opción cuando hace falta flexibilidad y decisiones guiadas por el modelo a escala. Para un estudio que revisa contratos con una lista fija de cláusulas, un recorrido fijo suele ser más fácil de auditar que un agente que improvisa el orden.
Antes de sumar agentes: probar con menos
La misma guía advierte que, para muchas aplicaciones, optimizar una sola llamada al modelo con recuperación de información y ejemplos en contexto suele ser suficiente. Es una advertencia incómoda, porque contradice la intuición de que más piezas equivalen a más capacidad.
Un orden razonable de prueba es empezar por una llamada bien armada, pasar a un workflow si el recorrido es conocido y reservar los agentes para cuando el recorrido no se puede escribir de antemano.
Cuatro formas de organizar varios agentes
Un material de curso de un posgrado de IA generativa y agentes (IALAB, UBA), cuya autoría no pudimos identificar en el archivo, describe una taxonomía: un agente base multitarea, agentes derivados especialistas y agentes orquestadores. Sobre esa base, distingue arquitecturas multiagente:
- Secuencial: cada agente recibe el resultado del anterior.
- Red de múltiples agentes: los agentes se comunican entre sí sin un centro único.
- Supervisor u orquestador: un agente reparte el trabajo y reúne los resultados.
- Equipos jerárquicos: supervisores de nivel medio coordinan a su vez a agentes especializados.
La elección depende del nivel de autonomía requerido, de la infraestructura disponible y de cuánta coordinación necesita el proceso. No hay una forma superior a las demás.
Cuándo sí tiene sentido
La documentación de orquestación multiagente de Anthropic describe el caso típico: trabajo con muchas piezas, trabajo en paralelo o una tarea larga que conviene terminar antes. Ejemplos que menciona: auditorías, migraciones, investigación profunda y verificación cruzada.
Esa última se parece mucho a una práctica legal. Un agente que redacta y otro, independiente, que verifica las citas, reproduce con software la lógica de la doble revisión.
La misma documentación recuerda el costo: cada agente de una ejecución consume tokens, por lo que conviene fijar un presupuesto de sesión que ponga un tope al gasto. La propia documentación aclara que el tope puede superarse, porque las solicitudes en curso se completan.
El otro costo: entender qué está pasando
Anthropic reconoce, en su texto sobre agentes confiables, que cuando un agente delega en subagentes que trabajan en paralelo, el flujo deja de ser un único hilo de acciones visible. Surgen preguntas nuevas sobre cómo una persona puede entender y dirigir ese trabajo.
Desde el derecho hay lecturas en la misma dirección. Un trabajo sobre IA agéntica y el Reglamento de IA de la Unión Europea, que consultamos como material de ese mismo curso y cuya autoría tampoco pudimos identificar, sostiene que un sistema multiagente, una red coordinada de agentes especializados, presenta un perfil de riesgo y gobernanza fundamentalmente diferente al de un agente único. Más agentes significan más puntos donde puede fallar una decisión y menos claridad sobre quién respondió por qué.
Qué hacer con esto
- Definir primero el problema y probar con una sola llamada antes de diseñar una arquitectura.
- Si el recorrido se conoce, escribirlo como workflow.
- Sumar agentes solo cuando el trabajo se reparte o se paraleliza de verdad.
- Registrar qué hizo cada agente y dejar una persona a cargo de la decisión final.
AgenticHub, la plataforma de Arteclaw, orquesta agentes especializados, con verificación de fuentes y revisión humana en los resultados de mayor riesgo. Esa combinación existe porque coordinar varios agentes sin controles es más fácil de construir que de defender.
Fuentes
- Anthropic, Building effective agents, anthropic.com/engineering/building-effective-agents (consultado el 10/11/2026).
- Anthropic, documentación de orquestación multiagente (Managed Agents), platform.claude.com/docs/en/managed-agents/multiagent-orchestration (consultado el 10/11/2026).
- Anthropic, Trustworthy agents in practice, 9 de abril de 2026, anthropic.com/research/trustworthy-agents.
- Material de curso del Posgrado en IA Generativa, Agentes, Prompting y Derecho (IALAB, UBA) sobre agentes y workflows agénticos, y sobre IA agéntica y Reglamento de IA de la UE. Son documentos de cursada sin autoría identificable en el archivo consultado; se citan como lectura de contexto, no como fuente normativa.