Workflows agénticos (Agentic workflows)

Los workflows agénticos (del inglés Agentic Workflows) son procesos dinámicos de múltiples pasos en los que agentes de IA autónomos basados en modelos de lenguaje grandes (LLM) toman decisiones, realizan acciones y coordinan tareas de forma independiente con una mínima intervención humana. En estos sistemas, un LLM no solo se utiliza para generar una respuesta a una única consulta, sino también para planificar una secuencia de acciones, interactuar con herramientas externas y mejorar iterativamente el resultado.

A diferencia de la automatización tradicional, basada en reglas estrictamente programadas, los enfoques agénticos poseen flexibilidad: pueden adaptarse a nuevos datos y a condiciones imprevistas. Un workflow agéntico se diferencia de una simple llamada a un LLM (por ejemplo, para resumir un texto) en que al agente se le otorga autonomía para elegir sus acciones, lo que incluye la planificación, el uso de herramientas y la autocorrección.

Componentes y arquitectura de un workflow agéntico

Un workflow agéntico combina varios componentes clave para alcanzar un objetivo.

Agente de IA y LLM

En el centro del proceso se encuentra el agente de IA, un programa autónomo que actúa en nombre de un usuario o sistema. El componente clave del agente es un modelo de lenguaje grande, que proporciona la comprensión de instrucciones en lenguaje natural y la generación del razonamiento necesario. La calidad del trabajo del agente depende significativamente de la ingeniería de prompts: diferentes esquemas de indicaciones (por ejemplo, Chain-of-Thought) ayudan a configurar el LLM para el estilo de trabajo requerido.

Herramientas (acceso a acciones externas)

Dado que el conocimiento de un LLM está limitado por sus datos de entrenamiento, al agente se le proporcionan herramientas externas que amplían sus capacidades. Las herramientas pueden incluir acceso a bases de conocimiento, motores de búsqueda, API, intérpretes de código y otras aplicaciones. Con su ayuda, el agente obtiene información actualizada o realiza acciones reales fuera del propio modelo.

Memoria y contexto

Una característica distintiva de los workflows agénticos es la presencia de un mecanismo de memoria, que permite al agente tener en cuenta la experiencia y el contexto previos.

• La memoria a corto plazo retiene información reciente (por ejemplo, el historial de un diálogo) dentro de la sesión actual.
• La memoria a largo plazo almacena conocimientos y resultados acumulados a lo largo de muchas ejecuciones, a menudo utilizando almacenamiento externo (por ejemplo, bases de datos vectoriales).

Retroalimentación y corrección

Los mecanismos de retroalimentación juegan un papel importante en el aumento de la fiabilidad. El agente puede recibir feedback del entorno de ejecución de la tarea, de un modelo auxiliar "crítico" o de un humano (modo human-in-the-loop). Por ejemplo, el sistema Reflexion implementa una autorretroalimentación interna: el agente analiza sus propios errores y guarda "reflexiones" en la memoria para mejorar los intentos posteriores.

Configuraciones multiagente

En escenarios complejos, se utiliza una arquitectura multiagente donde varios agentes especializados interactúan entre sí. Por ejemplo, un agente "planificador" establece subtareas, mientras que varios agentes "ejecutores" resuelven sus tareas específicas (búsqueda de datos, cálculos, etc.).

Patrones y algoritmos típicos de los agentes

Aunque todavía no se ha desarrollado una arquitectura universal estandarizada para los sistemas de LLM agénticos, en 2023-2024 comenzaron a surgir patrones recurrentes.

• Planificación paso a paso (Encadenamiento de prompts). La tarea se divide en una secuencia de etapas mediante una cadena de llamadas al LLM. Cada paso recibe como entrada el resultado del anterior y realiza una parte de la tarea general. Este enfoque mejora la interpretabilidad, pero es menos flexible.
• Enrutamiento y selección de herramientas (Patrón de enrutador). El agente primero clasifica el tipo de tarea de entrada y luego selecciona un proceso o herramienta especializada para resolverla, actuando como un despachador.
• Búsqueda paralela de soluciones. En lugar de seguir un único hilo de pensamiento lineal, se exploran varias opciones de solución simultáneamente. Un ejemplo es el enfoque Tree-of-Thoughts, donde el agente ramifica la cadena de razonamiento como un árbol, generando en cada paso varios "pensamientos" candidatos y seleccionando los más prometedores.
• Reflexión y autocorrección. El agente evalúa críticamente sus propias decisiones y aprende de sus errores. En el método Reflexion, el agente analiza el resultado después de cada intento y guarda las conclusiones, que utiliza en ciclos posteriores.

Ejemplos de enfoques conocidos

• ReAct (Reasoning and Acting) — un método fundamental (2022) que combina el razonamiento y la acción. El LLM genera de forma intercalada inferencias lógicas (thoughts) y pasos de acción concretos (actions) que se ejecutan con la ayuda de herramientas.
• Reflexion (2023) — un marco de autorreflexión que permite a los agentes aprender de sus propios errores a través de retroalimentación textual, sin actualizar los pesos del modelo.
• Tree-of-Thoughts (ToT) (2023) — un marco que generaliza la idea de Chain-of-Thought para organizar la búsqueda de soluciones en forma de árbol, lo que permite al modelo considerar varias líneas de desarrollo de eventos.
• Auto-GPT (2023) — uno de los primeros proyectos de código abierto ampliamente conocidos que demuestra un workflow agéntico completamente autónomo. El sistema genera un grupo de agentes especializados basados en GPT-4 que planifican y ejecutan conjuntamente los pasos para alcanzar un objetivo de alto nivel establecido por el usuario.

Aplicaciones e impacto

Los enfoques agénticos se aplican en una multitud de áreas que requieren automatización inteligente y flexibilidad.

• Procesos de negocio: Los sistemas agénticos amplían las capacidades de los chatbots de soporte técnico, que pueden diagnosticar problemas y encontrar soluciones de forma autónoma. También se utilizan en finanzas, gestión de recursos humanos y marketing.
• Simulaciones generativas: Los agentes de LLM autónomos pueden modelar el comportamiento complejo de comunidades o personajes. En el trabajo «Generative Agents» (Park et al., 2023), docenas de agentes GPT, dotados de diferentes personalidades, simularon de manera creíble la vida social en una ciudad simulada.

Según los analistas de Gartner, la IA agéntica (Agentic AI) está incluida entre las tendencias tecnológicas estratégicas para el año 2025.

Problemas y perspectivas de desarrollo

_A pesar de los avances, los sistemas de LLM agénticos siguen siendo una tecnología nueva y compleja.

• Costo de recursos: Cada paso adicional de planificación, búsqueda o autoanálisis es una llamada separada al LLM, lo que aumenta el tiempo de ejecución y el costo.
• Comportamiento impredecible: Cuanta más libertad tiene el agente, más difícil es garantizar qué ruta elegirá. Esto requiere la implementación de restricciones y mecanismos de protección (guardrails).
• Evaluación de calidad y depuración: Analizar extensos registros de sistemas de múltiples pasos para encontrar errores es una tarea no trivial.
• Seguridad y ética: Con el aumento de la autonomía de la IA, surge la necesidad de garantizar que los agentes actúen en interés del usuario y de la sociedad.

Las investigaciones futuras se centran en la creación de medios universales para el uso de herramientas, el desarrollo de flujos de trabajo unificados de extremo a extremo y la optimización de la eficiencia de los sistemas agénticos.

Enlaces externos

• Resumen de workflows agénticos por IBM
• Guía para construir agentes de IA eficaces por Anthropic

Bibliografía

• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Schick, T. et al. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools. arXiv:2302.04761.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
• Wang, G. et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. arXiv:2305.16291.
• Bakhtin, A. et al. (2022). Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning. Science. DOI:10.1126/science.ade9097.
• Wang, L. et al. (2025). A Survey on Large Language Model based Autonomous Agents. arXiv:2308.11432.
• Li, X. (2024). A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components. arXiv:2406.05804.
• Jung, J. et al. (2024). Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement. arXiv:2407.18370.
• Xu, W. et al. (2025). A-MEM: Agentic Memory for LLM Agents. arXiv:2502.12110.
• He, G. et al. (2025). Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents as a Daily Assistant. arXiv:2502.01390.
• Huang, X. et al. (2024). Understanding the Planning of LLM Agents: A Survey. arXiv:2402.02716.
• Kuang, Z. et al. (2023). PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents. arXiv:2305.14564.