- Durante el desarrollo de los proyectos, se repite el proceso de evolucionar de la simple escritura de scripts a la construcción de agentes de IA autónomos
- Al otorgar acceso a herramientas a los sistemas en desarrollo, un simple modelo conversacional se transforma en un agente capaz de planificar, ejecutar e iterar
- La lógica basada en clasificadores o condicionales termina siendo reemplazada por una arquitectura de agentes, y una estructura simple centrada en llamadas a herramientas elegidas por el modelo resulta más flexible y potente
- El rol humano pasa de Human-in-the-Loop a Human-on-the-Loop, y la tarea clave se vuelve definir objetivos y guardrails
- Más que la complejidad del código, lo importante es gestionar la confianza y el criterio, y los agentes se consolidan como sistemas que crecen junto con los desarrolladores
De scripts simples a la convergencia hacia agentes
- La mayoría de los proyectos de IA desarrollados durante 2025 terminaron convergiendo en forma de agente
- Un script sencillo con estructura de entrada, procesamiento y salida evoluciona hacia un agente al añadir bucles de iteración, conjuntos de herramientas y parsing de JSON
- La definición de agente según el autor: un modelo que se ejecuta en un bucle con acceso a herramientas
- Es decir, si se le da suficiente tiempo, todo proyecto de IA converge hacia un agente
La gravedad que empuja hacia la autonomía
- Más allá de una automatización simple, el software avanza hacia una etapa en la que decide y actúa por sí mismo, como un “becario digital”
- Gemini Scribe empezó como un simple plugin de chat para Obsidian, pero al permitir acceso a la herramienta
read_file, comenzó a gestionar el contexto y ejecutar acciones por cuenta propia
- El usuario ya no administra manualmente la entrada del modelo, sino que solo da instrucciones de alto nivel como “lee las notas de la reunión y haz un resumen”
- Este cambio implica pasar de la conversación a la delegación, evolucionando hacia una estructura donde el agente se encarga de planificar, ejecutar e iterar
De scripts a sudoers
- También en el desarrollo de Gemini CLI, cuando el modelo empezó a usar una herramienta de ejecución de comandos, dejó de ser un simple generador de código para convertirse en un ejecutor autónomo
- El modelo arma un bucle donde ejecuta pruebas, detecta fallas, corrige por su cuenta y vuelve a ejecutar
- En este proceso, los temas de seguridad y confianza se volvieron más visibles, haciendo necesario un sistema de políticas de separación de permisos, similar al archivo
sudoers
- Un script simple no necesita un motor de políticas, pero un agente sí requiere guardrails para evitar errores de criterio
El agente que quería ser clasificador
- En el proyecto Podcast RAG, se creó un clasificador de IA que decidía qué fuente buscar según la consulta del usuario, pero pronto aparecieron sus límites
- La lógica de clasificación no lograba reflejar por completo la intención del usuario y restringía con código decisiones que el modelo ya podía tomar bien por sí mismo
- La solución fue eliminar el clasificador y darle al agente dos herramientas:
search_descriptions y search_episodes
- El agente selecciona y combina herramientas según la situación, logrando búsquedas más flexibles
- En Gemini Scribe también se eliminó la lógica compleja de predicción de contexto y se simplificó a una estructura de llamadas a herramientas que leen archivos cuando hace falta
- Se propone un criterio de desarrollo: “si estás decidiendo con if/else qué debe hacer la IA, entonces ya estás construyendo un agente”
La transición hacia Human-on-the-Loop
- El papel humano pasa de una estructura en la que aprueba cada paso a un rol de supervisor que solo define objetivos y límites
- Como el agente trabaja sin intervención humana constante, se vuelve indispensable definir con claridad objetivos, límites y manejo de excepciones
- Sin guardrails adecuados, existe el riesgo de que el agente quede esperando entradas o caiga en caminos improductivos
- El humano ya no actúa como ejecutor, sino como supervisor y definidor de límites, gestionando la dirección del sistema
Aceptar la complejidad
- Construir agentes no es tan difícil como parece y, de hecho, puede simplificarse al eliminar lógica de bifurcaciones condicionales y manejo de excepciones
- Como el modelo decide según el contexto, deja de hacer falta gran parte de la lógica predictiva previa
- La verdadera complejidad no está en el código, sino en delegar confianza y criterio
- Los desarrolladores deben enfocarse menos en errores sintácticos y más en diseñar sistemas que prevengan errores de juicio
- A diferencia de los scripts fijos, los agentes son sistemas que evolucionan según las solicitudes del usuario y encuentran mejores formas de trabajar
- Cuando sientes la tentación de añadir definiciones de herramientas a un script simple, eso significa que ya entraste en la etapa de construir un agente
Aún no hay comentarios.