Audiencia: Ingenieros senior / AI builders
Formato: Opinión + patrones de arquitectura
Contexto: Sistemas simples, componibles y mantenibles
TL;DR
- Los agentes monolíticos están tocando un límite práctico
- La nueva dirección: skills pequeñas, específicas y reutilizables
- Menos “inteligencia centralizada”, más composición explícita
El problema con los agentes gigantes
El patrón dominante en 2024–2025 fue:
un agente que “hace todo”
- decide
- planifica
- ejecuta
- itera
En teoría suena potente.
En práctica:
- difícil de testear
- difícil de debuggear
- comportamiento impredecible
Señales de saturación
Equipos reales están viendo:
- workflows frágiles
- loops innecesarios
- dependencia de prompts complejos
- resultados inconsistentes
El problema no es el modelo.
Es la forma en que estamos encapsulando lógica.
La alternativa: skills
En lugar de un agente monolítico:
divide en capacidades pequeñas
Una skill es:
- específica
- testeable
- reutilizable
Ejemplo:
generate_summaryvalidate_schemarun_tests
Cambio de modelo mental
Antes:
“el agente decide qué hacer”
Ahora:
“el sistema compone capacidades”
Arquitectura recomendada
1. Skills como funciones
async function generateSummary(input: string) {
return llm.call({ prompt: `Resume: ${input}` });
}
2. Orquestación explícita
if (task === "summarize") {
return generateSummary(input);
}
3. Composición
const result = await runPipeline([
extractData,
validateData,
generateReport
]);
4. Observabilidad
Cada step:
- logs claros
- inputs/outputs visibles
Por qué esto funciona mejor
Control
Sabes exactamente qué está pasando.
Testabilidad
Cada skill se puede validar de forma aislada.
Reutilización
Mismo bloque → múltiples workflows.
Mantenibilidad
Cambios locales, no sistémicos.
Cuándo usar agentes (de verdad)
Los agentes siguen siendo útiles cuando:
- el problema es abierto
- no hay flujo claro
- exploración es necesaria
Pero incluso ahí:
limita su alcance
Anti-patterns comunes
- agente con acceso total
- lógica implícita en prompts
- loops autónomos sin límites
- falta de logs
Patrón híbrido
Una arquitectura práctica:
skills determinísticas + agente ligero
El agente:
- selecciona
- no ejecuta directamente
Implicaciones para equipos
Esto no es solo técnico.
Es organizacional.
- mejor onboarding
- menos dependencia de expertos
- más velocidad sin perder control
Veredicto
El problema no es que los agentes no funcionen.
Es que estamos intentando usarlos para todo.
Reflexión final
La próxima generación de sistemas de AI no será:
- más autónoma
Será:
- más modular
- más observable
- más componible
Porque en sistemas reales:
la simplicidad escala mejor que la “inteligencia”.