Tener varios agentes especializados no significa que exista un proceso confiable. Uno puede escribir código y otro revisarlo, pero todavía faltan decisiones: ¿quién recibe el resultado?, ¿qué ocurre cuando falla una prueba?, ¿cuántas veces se permite intentar una corrección?, ¿quién autoriza la integración?
Los AI Workflows permiten describir y coordinar ese proceso. No consisten únicamente en conectar agentes: también combinan pasos deterministas, condiciones, herramientas y decisiones humanas.
1. Qué es un AI Workflow
Un workflow es una secuencia o red de pasos que transforma una entrada en un resultado. Cuando incorpora IA, uno o varios pasos utilizan modelos o agentes para interpretar, generar, clasificar o actuar.
Ejemplo: una solicitud de nueva funcionalidad inicia un análisis, genera un cambio, lo revisa, ejecuta pruebas y solicita aprobación antes de integrarlo. Las reglas definen las transiciones; la IA no tiene por qué decidirlas todas.
2. Automatización no equivale a autonomía
Hay pasos que conviene delegar a un agente y otros que es mejor mantener explícitos.
- Determinista: compilar el proyecto y verificar el código de salida.
- Asistido por IA: proponer casos de prueba basados en cambios.
- Humano: aceptar una decisión de arquitectura o aprobar una operación de alto impacto.
No necesitas un agente autónomo para toda la cadena. Un workflow mixto suele ser más fácil de entender y auditar.
3. Coordinar agentes especializados
Un caso habitual utiliza un Developer Agent, un Reviewer Agent y un QA Agent. Cada uno recibe una responsabilidad concreta y produce un resultado utilizable por el siguiente paso.
La coordinación requiere contratos claros: archivos modificados, observaciones del revisor, resultado de pruebas y estados como approved, changes_requested o failed. Sin resultados estructurados, el siguiente paso puede interpretar incorrectamente lo ocurrido.
4. Condiciones, reintentos y rutas alternativas
Un workflow no siempre avanza en línea recta. Si la revisión encuentra un defecto, el cambio regresa al desarrollo. Si una prueba falla, vuelve a corregirse y debe verificarse nuevamente.
Los bucles necesitan límites. Por ejemplo, después de dos o tres intentos fallidos, detener la ejecución, guardar evidencia y solicitar intervención humana. Es más seguro que insistir indefinidamente.
5. Control y observabilidad
Un workflow serio debe permitir responder:
- ¿Cuál fue la solicitud original?
- ¿Qué agente o componente realizó cada paso?
- ¿Qué herramientas se utilizaron?
- ¿Qué pruebas se ejecutaron realmente?
- ¿Por qué se aprobó, rechazó o interrumpió el proceso?
Registra estados, duraciones, resultados y errores. Evita guardar secretos o información sensible innecesaria en los logs.
Diagrama: workflow de una funcionalidad
El diagrama describe un escenario conceptual. En una solución real, añadiríamos contador de reintentos, estados de falla, límites de tiempo y trazabilidad de cada transición.
Cómo funciona: del requerimiento al resultado
- Entrada: se registra la solicitud y sus criterios de aceptación.
- Implementación: el Developer Agent propone y modifica archivos en un entorno controlado.
- Revisión: el Reviewer analiza el diff y registra hallazgos verificables.
- Decisión: si hay defectos, se devuelve la tarea; si no, continúa.
- Validación: QA ejecuta las pruebas disponibles y adjunta resultados reales.
- Aprobación humana: una persona evalúa riesgos y acepta o devuelve el cambio.
- Cierre: quedan registrados artefactos, decisiones y estado final.
Ejemplo práctico con .NET
Supongamos que debes añadir una regla de validación a un endpoint ASP.NET Core. Puedes definir estas salidas mínimas:
| Paso | Salida necesaria |
|---|---|
| Developer | Lista de archivos modificados y resumen del cambio |
| Reviewer | Hallazgos con severidad, archivo y explicación |
| QA | Comando ejecutado, estado de salida y pruebas fallidas |
| Aprobación | Decisión y observaciones del responsable |
La regla de negocio para avanzar puede ser sencilla: solo pasar a revisión humana cuando no existan hallazgos bloqueantes y las pruebas obligatorias se hayan ejecutado satisfactoriamente.
Esto no exige un framework específico. Puede implementarse primero con scripts y llamadas controladas a agentes; herramientas de orquestación serán útiles cuando la complejidad lo justifique.
Beneficios y trade-offs
| Beneficio | Trade-off |
|---|---|
| Proceso repetible | Diseño y mantenimiento de estados |
| Responsabilidades delimitadas | Coordinación entre componentes |
| Seguimiento de errores | Costo de logs y observabilidad |
| Aprobaciones explícitas | Menor velocidad en pasos sensibles |
Errores comunes
Encadenar agentes sin definir contratos. Una respuesta de texto libre no siempre contiene información suficiente para el siguiente paso.
Olvidar las rutas de error. Diseña qué hacer cuando hay timeouts, pruebas incompletas y respuestas inválidas.
Crear bucles infinitos. Establece reintentos máximos, presupuesto de ejecución y criterios de escalamiento.
Eliminar las aprobaciones humanas. Automatizar una tarea no significa que deba tener permisos para desplegar o modificar producción.
Confundir workflow con harness. El workflow define etapas y transiciones; un harness proporciona mecanismos para que un agente utilice contexto y herramientas dentro de su entorno. Pueden complementarse.
Conclusión
Los AI Workflows transforman tareas aisladas en procesos comprensibles y medibles. Empieza con pocas etapas, entradas y salidas claras, límites de ejecución y una revisión humana donde exista riesgo.
En el siguiente episodio repasaremos cinco errores al programar con IA y cómo evitarlos antes de que lleguen a producción.