Guía de campo · octubre de 2026

Agentes en producción

Cómo lanzar agentes de IA que sobrevivan al lunes por la mañana
por Mat Siems
Parte I

La planta baja

Qué es un agente: un modelo, unas herramientas y un bucle.

Capítulo 1 · Parte I

La demo miente

Todo proyecto de agentes empieza con una demo, y toda demo es una pequeña mentira bienintencionada. Alguien teclea una petición cuidadosamente escogida en un portátil al fondo de la sala, el agente busca, razona, llama a tres herramientas y produce algo que hace que la directora de operaciones se incorpore en la silla. Aplausos. Aparece una partida presupuestaria. Y entonces alguien formula la pregunta razonable: ¿podemos tenerlo en producción el próximo trimestre? Este libro es para la persona que tiene que responder a esa pregunta con honestidad.

La demo no es deshonesta porque nadie haya hecho trampa. Es deshonesta por lo que omite. Se ejecutó una sola vez, sobre una entrada que su autor había probado una docena de veces. Los datos estaban limpios, las API funcionaban, la petición no admitía dudas y quien miraba quería que saliera bien. Nadie le pidió que atendiera a un cliente que escribe en tres idiomas, a una base de datos que se cuelga a las nueve de la mañana, a una herramienta que devuelve una página de error en HTML en lugar de JSON, o a una petición técnicamente permitida y a todas luces imprudente. Nadie la ejecutó diez mil veces y se puso a contar.

La producción hace exactamente esas preguntas, y las hace el lunes por la mañana, con la cola llena y la persona que construyó el invento metida en un tren. La distancia entre la demo y la producción no es una distancia de inteligencia del modelo. El modelo de la demo es el mismo que vas a desplegar. La distancia es todo lo que lo rodea: cómo recibe el agente sus herramientas, qué ve, qué recuerda, qué ocurre cuando falla un paso, quién puede detenerlo, cuánto puede gastar, cómo te enteras de lo que ha hecho y cómo sabes si la versión de esta semana es mejor que la de la anterior.

Una demo demuestra que algo puede pasar. La producción necesita saber con qué frecuencia.

Ese salto del puede al con qué frecuencia es toda la disciplina. Un agente que acierta cuatro de cada cinco veces es una maravilla sobre el escenario y un peligro en un departamento de siniestros. El quinto caso es donde viven tus clientes, junto con tus auditores y, tarde o temprano, tus abogados. Tu trabajo consiste en averiguar qué aspecto tiene ese quinto caso, hacerlo más raro, abaratarlo cuando ocurra y asegurarte de que alguien se dé cuenta.

Aquí va algo para hacer esta semana. Coge el prototipo de agente que más entusiasma a tu organización y escribe, en frases sencillas, las diez entradas con más probabilidades de dejarlo en evidencia. Nada de genialidades maliciosas, solo el desorden de siempre: la petición vaga, el adjunto gigantesco, el campo que falta, el cliente enfadado, la petición que necesita a un humano. Ejecuta cada una. Aprenderás más en esa hora que con la demo original, y tendrás el primer borrador de un conjunto de evaluación sin haberte propuesto escribirlo. La demo era el tráiler. La producción es la película, y nadie se queda hasta el final porque el tráiler fuera bueno.

Lo que la demo omite ASPECTO La demo Producción Veces Una vez con una entrada ensayada 10.000 veces y alguien las cuenta Entradas Limpias y claras elegidas por su autor Caos corriente vagas, enormes, incompletas, airadas Sistemas Todo en marcha datos limpios, APIs bien Lunes 9:00 timeouts, HTML, no JSON Pregunta ¿Puede pasar? el tráiler ¿Cada cuánto? la película Cuatro de cinco es una maravilla en el escenario y un riesgo en reclamaciones. Diez entradas incómodas Ejecuta cada una Primer conjunto de evaluación
Fig. 1 · La demo miente. Lo que oculta una demo, y cómo diez entradas incómodas se vuelven un primer conjunto de evaluación.
Capítulo 2 · Parte I

Modelo, herramientas, bucle

Las definiciones en este campo son resbaladizas, y las definiciones resbaladizas producen sistemas resbaladizos, así que fijemos una cuanto antes. Un agente es un modelo, un conjunto de herramientas y un bucle. El modelo lee la situación y decide qué hacer a continuación. Las herramientas le permiten hacer cosas más allá de producir texto: buscar, leer un registro, ejecutar código, enviar un mensaje. El bucle devuelve al modelo el resultado de cada acción y vuelve a preguntarle, hasta que el modelo dice que ha terminado o algo ajeno a él dice basta.

Eso es todo. Merece la pena decirlo sin adornos, porque la literatura de los proveedores y las charlas de congreso te ofrecerán agentes con personalidad, agentes con metas, agentes con carrera profesional. Quita los adjetivos y encontrarás las mismas tres piezas. Si un sistema tiene modelo pero no herramientas, es un chatbot. Si tiene herramientas pero el camino está fijado en el código, es un flujo de trabajo que resulta que llama a un modelo. Si el modelo elige qué herramienta llamar después, en función de lo que devolvió la anterior, tienes un agente, y has asumido las responsabilidades particulares que conlleva dejar que el software decida su siguiente paso.

Cada pieza falla de un modo distinto, y esa es la razón práctica para mantenerlas separadas en la cabeza. El modelo falla por malentendido: elige la herramienta equivocada, se inventa un parámetro o canta victoria antes de tiempo. Las herramientas fallan como cualquier software: tiempos de espera agotados, permisos, datos malformados, efectos secundarios que no se pueden deshacer. El bucle falla por no terminar nunca, o por terminar en el momento equivocado, o por repetir el mismo paso cuarenta veces mientras el taxímetro corre. Cuando algo sale mal en producción, tu primera pregunta de diagnóstico es cuál de las tres ha sido. La mayoría de los equipos culpa instintivamente al modelo. La mayoría de las veces fueron las herramientas o el bucle.

El modelo es la parte que alquilas. Las herramientas y el bucle son las partes que posees.

Esa frase va a cargar mucho peso en los capítulos que vienen. Puedes elegir un modelo mejor, y de vez en cuando deberías hacerlo. Pero no puedes volver más fiable el modelo de un proveedor a base de desearlo. Lo que sí puedes hacer es diseñar herramientas difíciles de usar mal, escribir un bucle que conozca sus límites y construir el andamiaje que sujete al modelo cuando tropiece. Son problemas de ingeniería con respuestas de ingeniería, y ahí es donde tu esfuerzo rinde intereses compuestos.

Un ejercicio útil es dibujar cualquier agente en el que estés trabajando como tres cajas. Debajo de la caja del modelo, escribe qué se le pide decidir. Debajo de la de herramientas, enumera cada acción que puede realizar y marca las que cambian algo en el mundo. Debajo de la del bucle, escribe las condiciones que ponen fin a una ejecución. Si alguna caja cuesta rellenarla, ahí es donde el próximo incidente aguarda en silencio. Las definiciones sencillas no son señal de un asunto sencillo. Son la manera de evitar que un asunto difícil se vuelva un asunto difuso.

Tres partes, tres formas de fallar Modelo decide el siguiente paso FALLA POR Herramienta errónea Parámetro inventado Victoria prematura Herramientas actúan en el mundo FALLA POR Timeouts Datos malformados Efectos secundarios Bucle devuelve los resultados FALLA POR Nunca acaba Acaba pronto Mismo paso 40 veces vuelve el resultado, el modelo pide otra vez La parte que alquilas Las partes que posees Chatbot modelo, sin herramientas Flujo de trabajo ruta fijada en código Agente el modelo elige la herramienta La mayoría de los incidentes vienen de las herramientas o del bucle, no del modelo.
Fig. 2 · Modelo, herramientas, bucle. Modelo, herramientas y bucle fallan cada uno a su manera; alquilas uno y posees dos.
Capítulo 3 · Parte I

El bucle tiene cuerpo

Ayuda ralentizar un agente hasta un único turno y mirarlo de cerca, como un mecánico observa una sola revolución del motor. Casi todo el mundo se imagina el modelo como el motor. En la práctica, el modelo es un solo cilindro. El resto del motor es un programa que escribes tú, normalmente llamado el arnés, y hace mucho más trabajo del que sugieren los diagramas.

Un turno empieza con el arnés montando una petición. Reúne el prompt de sistema, la conversación hasta el momento, las definiciones de las herramientas disponibles y cualquier contexto recuperado, y lo envía todo al modelo. El modelo responde con texto o con una petición de llamar a una herramienta, expresada como un nombre y un conjunto de argumentos. El modelo no llama a la herramienta. No puede. No tiene manos. El arnés lee esa petición, la comprueba, decide si está permitida, ejecuta la función real, captura el resultado y lo añade a la conversación. Después lo envía todo de vuelta al modelo y empieza el siguiente turno.

Fíjate en cuántas decisiones recaen sobre el arnés en esa descripción. Si la llamada a la herramienta es válida. Si este agente tiene permiso para hacerla. Si necesita antes la aprobación de un humano. Cuánto esperar. Qué hacer si falla. Qué parte de un resultado enorme devolver. Si la ejecución ha superado su presupuesto. Si la respuesta final que el modelo proclama cumple la definición de terminado. Todo eso es código que controlas tú, y en cada uno de esos puntos se gana o se pierde la fiabilidad en producción.

El modelo propone. El arnés dispone.

Este es el hecho arquitectónico más importante del libro, y además es un alivio. Significa que no estás a merced del humor de un modelo. Un modelo que quiere borrar una tabla de producción no puede hacerlo, a menos que tu arnés le dé una herramienta que borra tablas y luego ejecute la llamada sin rechistar. Un modelo que entra en un bucle infinito no puede hacerlo, a menos que tu arnés se olvide de contar. La libertad del modelo es exactamente tan grande como el arnés permite, y el arnés es software corriente con pruebas corrientes.

Hay una segunda consecuencia. Cuando alguien dice que un agente «decidió» hacer algo raro, traduce la frase. El modelo sugirió algo raro y el arnés lo dejó pasar. Esa traducción no exculpa al modelo, pero sí señala dónde suele estar el arreglo. Rara vez conseguirás, a fuerza de prompts, que nunca sugiera algo raro. Casi siempre podrás, a fuerza de código, conseguir que no se actúe en consecuencia.

Esta semana, busca en tu propio sistema el lugar donde se ejecutan las llamadas a herramientas y léelo línea a línea. Pregúntate qué pasa si los argumentos vienen malformados, si la herramienta se queda colgada, si el resultado es un megabyte de HTML, si la misma llamada llega dos veces. Si la respuesta a cualquiera de esas preguntas es «no estoy seguro», has encontrado tu próxima tarea pequeña y valiosa. Los motores son fiables gracias a las piezas que nadie fotografía.

Un turno, a cámara lenta El modelo propone. El arnés dispone. Arnés tu código Modelo alquilado Herramienta función real 1 Enviar contexto prompt, historial, herramientas 2 Pedir herramienta un nombre y argumentos El arnés decide ¿argumentos válidos? ¿permitido a este agente? ¿requiere aprobación humana? ¿queda presupuesto? timeout, reintentos 3 Ejecutar con un timeout 4 Resultado recortado, añadido 5 Siguiente turno hasta acabar o parar el modelo no tiene manos
Fig. 3 · El bucle tiene cuerpo. Un turno en detalle: el modelo pide, el arnés comprueba, ejecuta y devuelve.
Capítulo 4 · Parte I

La autonomía es un dial

Pregunta a una sala llena de ingenieros si su sistema es «de verdad» un agente y desatarás una discusión que durará más que el café. La discusión es casi siempre inútil, porque la autonomía no es una propiedad que un sistema tenga o no tenga. Es un dial, y se ajusta por tarea, por riesgo y por grado de madurez.

En la posición más baja, el modelo sugiere y un humano lo hace todo. Un poco más arriba, el modelo redacta y un humano edita antes de que nada salga del edificio. Más arriba aún, el modelo actúa sobre lo reversible y pregunta antes de lo irreversible. Un escalón más, y actúa sobre todo lo que cae dentro de un ámbito definido e informa después. En lo más alto, funciona sin supervisión durante horas, eligiendo sus propios pasos, y los humanos solo miran resúmenes y excepciones. Cada posición es un diseño legítimo. Ninguna es más avanzada en ningún sentido moral. La única pregunta es qué posición encaja con esta tarea, esta semana.

Tres cosas deberían mover el dial. La primera es la reversibilidad. Un agente que redacta respuestas de correo para que un humano las envíe puede equivocarse a menudo y salir barato; uno que emite reembolsos, no. La segunda es la verificabilidad. Si el resultado puede comprobarse automáticamente, con pruebas, con un validador o comparándolo con una respuesta conocida, puedes dejar que el agente llegue más lejos, porque lo pillarás. Si la única comprobación es un humano leyendo con atención, mantenlo más cerca. La tercera es el historial. Un agente nuevo se gana la autonomía igual que una compañera nueva: acertando delante de testigos durante una temporada.

La confianza no se concede en el documento de diseño. Se acumula en los logs.

El error práctico es elegir una sola posición para todo un sistema. Los agentes reales hacen muchas clases de cosas en una misma ejecución. Un agente de soporte puede consultar un pedido, resumir una política y ofrecer un abono de cortesía. Las dos primeras pueden funcionar con plena autonomía. La tercera probablemente pide un umbral por encima del cual firme un humano. Diseña el dial al nivel de cada acción, no del agente entero, y descubrirás que puedes lanzar mucho antes, porque la parte arriesgada queda acotada y la parte útil queda libre para trabajar.

También compensa que el dial sea explícito en la configuración y no implícito en el código. Cuando un ajuste vive en un fichero que dice, en esencia, los reembolsos por debajo de esta cantidad son automáticos; por encima, esperan aprobación, el negocio puede leerlo, los auditores pueden comprobarlo y tú puedes girarlo durante un incidente sin desplegar nada. Cuando la misma regla está enterrada en un prompt, nadie la encuentra, y el modelo puede decidir un martes cualquiera que no se aplica.

Empieza esta semana enumerando cada acción que puede realizar tu agente y asignándole una posición en el dial. Luego busca la distancia entre donde está cada acción y donde podría estar sin riesgo. Normalmente unas cuantas pueden subir y una o dos deberían bajar. La autonomía no es un destino. Es un ajuste que revisas, preferiblemente antes de que algo lo revise por ti.

Ajusta el dial por acción, no por agente Consultar pedido Resumir Abono pequeño Abono grande MÁS AUTONOMÍA Desatendido solo excepciones Acotado actúa, informa después Reversible pregunta antes del resto Borrador edita un humano Sugerir lo hace un humano abono bajo el límite: automático por encima: espera firma humana abono < 50: automático abono >= 50: aprobación Qué mueve el dial reversibilidad · verificabilidad historial
Fig. 4 · La autonomía es un dial. Autonomía fijada por acción, de sugerir a desatendido, con abonos limitados por importe.
Capítulo 5 · Parte I

Cuándo no construir un agente

La decisión arquitectónica más valiosa de este libro es la que elimina el agente por completo. Suena a herejía en una guía titulada Agentes en producción, pero todo profesional con experiencia tiene la misma historia: un equipo pasó un trimestre construyendo un sistema autónomo para un problema que una función bien escrita y una sola llamada al modelo habrían resuelto en una semana.

Los agentes son caros en todas las monedas que importan. Cada paso es una llamada al modelo, así que cuestan más y tardan más que una cadena fija. Son no deterministas, así que cuesta más probarlos. Eligen su propio camino, así que cuesta más explicarlos, auditarlos y depurarlos. Necesitan salvaguardas, presupuestos, trazas e infraestructura de evaluación que un sistema más sencillo no necesitaría. Merece la pena pagar esos costes cuando el problema de verdad los exige. Son puro lastre cuando no.

Así que, antes de construir, pregúntate: ¿este problema requiere que el modelo decida qué hacer a continuación? Si los pasos se conocen de antemano, lo que quieres es un flujo de trabajo, donde el código decide el camino y los modelos se ocupan de las partes difusas dentro de cada paso. Si solo hay una parte difusa, quieres una única llamada al modelo bien construida, con salida estructurada. Si no hay ninguna parte difusa, quieres software de toda la vida, y deberías alegrarte. Clasificar, extraer, resumir un documento conocido, encaminar un ticket a una de seis colas: nada de eso necesita un bucle.

El mejor agente es a veces una función con buenos modales.

Los agentes se ganan el sueldo cuando el camino está de verdad abierto. Investigar en fuentes cuyo número y forma no puedes prever. Depurar, donde cada observación cambia lo siguiente que hay que probar. Conversaciones con clientes que se van por las ramas. Operaciones de varios pasos sobre sistemas cuyo estado hay que inspeccionar antes de actuar. En esos casos, escribir cada rama a mano sería imposible o absurdo, y dejar que elija un modelo es la solución honesta.

Hay además una opción intermedia que los equipos pasan por alto: construir primero el flujo de trabajo y dejar que el agente surja de él. Empieza con pasos fijos. Observa dónde las entradas reales obligan a ramificar de forma incómoda, dónde el código se llena de casos especiales, dónde el camino fijo se equivoca una y otra vez. Esos son los lugares que piden el criterio de un modelo. Cédele la decisión ahí y solo ahí. Acabarás con un sistema mayormente predecible, con criterio aplicado donde compensa, que es exactamente la forma que sobrevive al contacto con los equipos de operaciones.

Pruébalo esta semana. Coge tu diseño actual de agente y, para cada paso, pregúntate si una persona experta necesitaría pensar qué viene después o simplemente seguiría el procedimiento. Allí donde la respuesta honesta sea «seguir el procedimiento», escribe el procedimiento en código. Perderás algo de elegancia en la pizarra y ganarás muchas horas de sueño. La pregunta nunca es si los agentes impresionan. Es si este problema necesitaba que lo impresionaran.

¿Necesitas siquiera un agente? ¿Ruta abierta? ¿debe elegir el modelo? Agente investigación, depuración, chats ¿Algo difuso? criterio dentro de un paso sí no Código normal y alégrate ninguna Una llamada salida estructurada una Flujo de trabajo el código elige la ruta varias hazlo crecer donde se acumulen casos coste de un agente: una llamada por paso, no determinismo, salvaguardas, presupuestos, trazas El mejor agente es a veces una función con buenos modales.
Fig. 5 · Cuándo no construir un agente. Un árbol de decisión para elegir código normal, una llamada, un flujo de trabajo o un agente.
Capítulo 6 · Parte I

Definir «terminado»

Un agente sin definición de terminado funciona hasta que se aburre, se arruina o se equivoca, y no se aburre. Es uno de los fallos más antiguos del campo y todavía uno de los más comunes: el bucle tiene una condición de inicio y, donde debería ir la condición de fin, una vaga esperanza.

El modelo, por supuesto, te dirá cuándo cree que ha terminado. Es una señal útil y una garantía pobre. Los modelos tienden a declarar el éxito, sobre todo al final de una tarea larga, cuando el contexto está abarrotado y las pruebas escasean. Te dirán que los tests pasan cuando ejecutaron un subconjunto, que el registro se actualizó cuando la llamada devolvió un error que leyeron en diagonal, que la investigación está completa cuando encontraron dos fuentes y dejaron de buscar. Nada de esto es malicia. Es lo que obtienes cuando preguntas a un sistema optimizado para producir finales verosímiles si ha finalizado algo.

Así que pon por escrito qué es terminado, de forma que el arnés pueda comprobarlo sin pedir la opinión del modelo. Para un agente de programación, terminado puede significar que la batería de pruebas pasa, ejecutada por el arnés, no relatada por el modelo. Para un agente de introducción de datos, que el registro de destino existe con todos los campos obligatorios rellenos y válidos. Para un agente de investigación, un informe con una estructura definida y al menos un número fijado de fuentes citadas, cada una de las cuales resuelve. Para un agente de soporte, que el ticket está en uno de un pequeño conjunto de estados finales, cada uno con un código de motivo.

Si solo el agente puede decirte que ha terminado, no has definido «terminado».

Terminado tiene también una forma negativa, que importa igual. Define las condiciones en que el agente debe parar sin haber tenido éxito: un límite de pasos, de tiempo, de gasto, un fallo repetido, una petición que no tiene permitido atender. Esas paradas deberían producir un desenlace honesto, del tipo no he podido completarlo, lo he escalado, esto es lo que he intentado, y no un tiempo de espera silencioso ni una invención alegre. Un agente que falla con claridad es muchísimo más útil que uno que acierta de forma ambigua.

Dos hábitos prácticos ayudan. Primero, haz que el agente produzca una salida final estructurada, no prosa, para que el arnés pueda validarla como validaría cualquier respuesta de una API. Segundo, añade un paso de verificación después de que el modelo proclame que ha acabado, ejecutado por código o por un evaluador independiente, antes de aceptar el resultado. Cuesta un poco de latencia y ahorra mucha vergüenza.

Esta semana, abre el bucle de tu agente y busca la línea que lo termina. Si la única salida es que el modelo diga he terminado, añade una comprobación que no dependa de su autoevaluación y al menos dos maneras de que la ejecución acabe en un fracaso limpio y etiquetado. Te parecerá que estás siendo cruel con el modelo. Estás siendo amable con quien lee el resultado. La línea de meta es tuya, no del corredor.

El arnés comprueba el «terminado»; el modelo no lo declara En curso el bucle gira Dice que acabó lo dice el modelo Control del arnés código o evaluador Aceptado salida válida falla el control: sigue Fallo etiquetado escalado + lo intentado límite de pasos · tiempo límite de gasto · fallo repetido petición no permitida Terminado, por escrito Código los tests pasan, los ejecuta el arnés Entrada de datos el registro existe, campos válidos Investigación N fuentes citadas que resuelven Soporte estado final + código de motivo Si solo el agente puede decirte que ha terminado, no has definido «terminado».
Fig. 6 · Definir «terminado». Una ejecución acaba cuando el arnés verifica que está terminada, o en un fallo limpio y etiquetado.
Capítulo 7 · Parte I

El no determinismo es el clima

Ejecuta el mismo agente sobre la misma entrada dos veces y puede que obtengas dos viajes distintos. Una ejecución busca primero y luego lee; la otra lee primero y nunca busca. Una termina en cuatro pasos, la otra en once. Las dos pueden ser correctas, o una puede estar mal. No es un error que haya que arreglar. Es el clima, y la ingeniería de producción consiste en construir casas a las que les dé igual que llueva.

La variabilidad viene de varios sitios a la vez. El muestreo introduce aleatoriedad, aunque reducirla ayuda menos de lo que se espera, porque pequeñas diferencias en el contexto siguen empujando al modelo por caminos distintos. Los resultados de las herramientas varían de un momento a otro: una búsqueda devuelve páginas nuevas, una base de datos tiene filas nuevas, una API va lenta. Y como cada paso depende del anterior, las pequeñas diferencias se acumulan. En el paso ocho, dos ejecuciones que empezaron idénticas pueden estar en barrios distintos.

La primera consecuencia es que una sola ejecución exitosa no te dice casi nada. Necesitas conocer la distribución: con qué frecuencia acierta el agente con este tipo de entrada, con qué frecuencia da un rodeo, con qué frecuencia fracasa sin más y con qué gravedad. Eso significa ejecutar los casos muchas veces y dar tasas en lugar de anécdotas. Una prueba que pasó una vez es un rumor. Una prueba que pasó noventa y cuatro veces de cien es información.

No preguntes si funciona. Pregunta con qué frecuencia, y qué pasa el resto del tiempo.

La segunda consecuencia es de diseño. Si no puedes hacer que todas las ejecuciones sigan el mismo camino, haz que todos los caminos sean seguros. Restringe las herramientas para que ninguna secuencia de llamadas pueda hacer algo inaceptable. Valida las salidas para que las respuestas erróneas se detecten con independencia de cómo se produjeron. Pon código determinista alrededor de lo que debe ser determinista: cálculos, dinero, permisos, formatos para los sistemas posteriores. Deja que el modelo sea creativo solo donde la creatividad es bienvenida, y cércalo con código en todo lo demás.

La tercera consecuencia es cultural. Los equipos nuevos en esto suelen reaccionar ante una ejecución extraña retocando el prompt hasta que la rareza desaparece. Desaparece, con esa entrada, por ahora. En otro sitio aparece una rareza nueva. Este juego de topos es agotador y poco científico. La alternativa disciplinada es reunir las ejecuciones extrañas en un conjunto, medir la tasa de fallo sobre ese conjunto, hacer un cambio y volver a medir. Es más lento por cambio y mucho más rápido por mes.

Así que esta semana elige una entrada importante y ejecuta tu agente sobre ella veinte veces. Lee las trazas una al lado de otra. Anota cuántos caminos distintos tomó y cuántos llegaron a la respuesta correcta. Casi todos los equipos que lo hacen se llevan una sorpresa, a veces agradable y a veces no. En cualquier caso, dejan de discutir si el agente funciona y empiezan a medir cuánto. No puedes detener el clima. Sí puedes dejar de sorprenderte con él.

Misma entrada, viajes distintos Misma entrada 20 ejecuciones Buscar primero Leer primero 4 pasos correcto 11 pasos correcto 6 pasos respuesta errónea Nunca busca respuesta errónea Toda ruta segura Herramientas acotadas Controles de salida Código para dinero Código para accesos Pasó una vez un rumor Pasó 94 de 100 información Pregunta cada cuánto.
Fig. 7 · El no determinismo es el clima. Una entrada toma muchas rutas; haz segura cada ruta y cuenta las tasas de acierto.
Capítulo 8 · Parte I

El arnés es el producto

Cuando un sistema de agentes es bueno, la gente elogia al modelo. Cuando es malo, la gente culpa al modelo. Normalmente se equivocan en ambos casos. En producción, la calidad de un agente es sobre todo la calidad de su arnés: el código que monta el contexto, define las herramientas, ejecuta las llamadas, impone los límites, gestiona los errores, registra las trazas y decide cuándo ha terminado la ejecución.

Piensa en dos equipos con acceso exactamente al mismo modelo. El primero le da quince herramientas descritas a la ligera, vuelca una base de conocimiento entera en cada prompt, ejecuta todo lo que pide y acepta su respuesta final sin más. El segundo le da cinco herramientas bien diseñadas con descripciones claras, recupera el contexto bajo demanda, valida cada llamada, reintenta los fallos transitorios, pone tope al gasto y comprueba la salida final contra un esquema y un evaluador. El segundo equipo tendrá un sistema varias veces más fiable, y sus colegas darán por hecho que han encontrado un modelo mejor.

Es una buena noticia, porque el arnés es la parte que de verdad puedes mejorar. Las actualizaciones de modelo llegan según el calendario del proveedor, cambian varios comportamientos a la vez y de vez en cuando rompen cosas de las que dependías. Las mejoras del arnés llegan según el tuyo. Una descripción de herramienta mejor sale el martes. Una política de reintentos, el miércoles. Una regla de validación nueva, el jueves, con una prueba que demuestra que atrapa el fallo que viste el lunes. Cada cambio es pequeño, comprobable y reversible, que es la forma de todo buen progreso en ingeniería.

Elige el modelo con cuidado. Luego dedica el resto del tiempo a todo lo demás.

También cambia cómo se dota de personal el trabajo. Construir un agente de producción no es principalmente un trabajo de escribir prompts, aunque los prompts importan. Es un trabajo de ingeniería de backend con una pieza inusualmente obstinada en medio. Las habilidades que cuentan son el diseño de API, los sistemas distribuidos, la observabilidad, las pruebas y la seguridad, las mismas que hacen fiable cualquier servicio, aplicadas entendiendo cómo se comportan los modelos. Los equipos que contratan solo por destreza con los prompts suelen producir sistemas encantadores que se caen en cuanto hay carga.

Un buen arnés, además, sobrevive a su modelo. Cuando llega un modelo nuevo, un arnés bien construido te permite cambiarlo, ejecutar la batería de evaluación, comparar trazas y costes y decidir con datos. Uno mal construido lleva las manías del modelo antiguo entretejidas en forma de apaños en el prompt y casos especiales, y la migración se convierte en un proyecto de arqueología. Mantén las concesiones específicas de cada modelo pequeñas, con nombre y documentadas, para poder encontrarlas después.

Esta semana, dibuja tu arnés como un diagrama: cada etapa por la que pasa una petición entre que llega y produce un resultado. Marca qué etapas tienen pruebas, cuáles emiten trazas y cuáles pueden fallar sin que nadie se entere. La mayoría de los equipos descubre que la llamada al modelo es la parte mejor instrumentada del sistema y la ejecución de herramientas, la peor. Es al revés de como debería ser. El modelo es el invitado brillante. El arnés es la casa, y es la casa la que tiene que tenerse en pie.

Adónde va de verdad una petición INSTRUMENTACIÓN HABITUAL Llega la petición cola, usuario, horario Montaje del contexto recuperar a demanda Definiciones de herramientas cinco claras, no quince vagas Llamada al modelo la parte que alquilas Validar la llamada esquema, permiso Ejecución de herramienta timeouts, reintentos Límites pasos, gasto, tiempo Control de salida esquema más evaluador lo más medido: la llamada al modelo lo menos medido: la ejecución El modelo es el invitado listo. El arnés es la casa.
Fig. 8 · El arnés es el producto. Las etapas por las que pasa una petición, y lo desigual de su instrumentación.
Capítulo 9 · Parte I

El lunes por la mañana es un examen

El subtítulo de este libro es una broma con un filo serio. El lunes por la mañana es cuando los sistemas de producción se encuentran con el mundo en su versión menos indulgente. Llega de golpe todo lo acumulado durante el fin de semana. Los servicios de los que dependes se están reiniciando tras el mantenimiento. Los usuarios están cansados, secos y con prisa. La ingeniera que mejor entiende el agente está en una reunión. Si tu sistema sobrevive al lunes por la mañana, probablemente sobrevivirá al resto de la semana.

Piensa en lo que contiene esa mañana en realidad. Primero, volumen: las peticiones llegan en ráfaga, y tu agente, que en las pruebas atendía encantado una cada vez, ahora comparte límites de uso con cuatrocientos colegas. Después, entradas raras: el cliente que pegó un hilo de correos entero, la petición en un idioma que no probaste, el adjunto que es la foto de una pantalla. Después, estado rancio: la caché que era correcta el viernes, el registro que otro sistema actualizó de madrugada. Y después, caídas parciales: el servicio de búsqueda va lento, el CRM devuelve errores para una región, una API de terceros ha cambiado el nombre de un campo sin avisar a nadie.

Nada de esto es exótico. Es operación corriente, y el software corriente ha aprendido a lidiar con ella durante décadas. El problema de los agentes es que lidian con ella de formas novedosas y, a veces, creativas. Un servicio tradicional que topa con un registro malformado lanza un error y se para. Un agente puede decidir sortearlo: inventarse un valor verosímil, probar otra herramienta o dar al cliente una respuesta segurísima construida sobre una búsqueda vacía. La creatividad que hizo impresionante la demo se convierte en lo que más necesitas contener.

El software falla con estruendo. Los agentes pueden fallar con buenos modales, que es peor.

Así que pon a prueba el lunes deliberadamente. Antes del lanzamiento, ejecuta tu agente contra una reproducción de un periodo real de mucha actividad, o contra uno sintético con volumen y desorden realistas. Inyecta fallos en sus herramientas: tiempos de espera, errores, resultados vacíos, basura. Observa qué hace. Quieres verlo reintentar con sensatez, informar con honestidad y escalar cuando no puede seguir. No quieres verlo improvisar. Cada improvisación que encuentras en pruebas es una menos que encontrarás en la revisión de un incidente.

Planifica también la ausencia de la experta. Escribe el manual de operaciones que explica a otra persona cómo ver lo que está haciendo el agente, cómo frenarlo, cómo pararlo y cómo distinguir si una salida extraña es un caso aislado o un patrón. Si ese manual no existe, el agente no está listo, por buena que sea su tasa de acierto. Estar listo para producción incluye que un desconocido pueda operar el sistema en un mal momento.

Esta semana, reserva una hora para lo que algunos equipos llaman un simulacro. Elige una dependencia, hazla fallar en un entorno de pruebas y observa a tu agente mientras la atraviesa. Luego haz lo mismo con una ráfaga de entradas incómodas. Apunta lo que te sorprendió y arregla lo peor. El lunes llega todas las semanas. Ya puestos, recíbelo en tus términos.

Lo que trae el lunes por la mañana Lunes 09:00 Picos de volumen límites de ritmo compartidos Entradas raras hilos pegados, fotos Estado caducado la caché del viernes Caídas parciales búsqueda lenta, campo renombrado Experto ausente runbook para un extraño El software falla con estruendo. Los agentes fallan con educación. Deseado: reintentar, informar, escalar No deseado: improvisar
Fig. 9 · El lunes por la mañana es un examen. Las cinco presiones del lunes por la mañana, y la respuesta que quieres de un agente.
Capítulo 10 · Parte I

La fiabilidad es trabajo de ingeniería

Este es el argumento del libro en miniatura, para que puedas decidir pronto si estás de acuerdo. El prompt moldea lo que un agente tiende a hacer. La ingeniería determina lo que puede hacer, qué pasa cuando se equivoca y cómo te enteras. La fiabilidad en producción vive casi por completo en la segunda categoría.

Esto no es un desprecio al arte del prompt. Un buen prompt de sistema, descripciones de herramientas claras y ejemplos bien elegidos marcan una diferencia enorme en la frecuencia con que un agente hace lo correcto, y los capítulos siguientes los tratan con respeto. Pero un prompt es una petición, no una garantía. Mueve probabilidades. No puede hacer imposible una acción peligrosa, recuperable un estado perdido, acotado un coste ni visible un incidente. Esas propiedades salen del código, la configuración y los procesos, y se mantienen tanto si el modelo tiene un buen día como si no.

Mira los fallos que de verdad hacen daño a los equipos. Un agente envió el mismo correo a un cliente once veces porque un reintento no era idempotente. Un agente filtró un documento porque leyó una instrucción escondida en una página web y tenía una herramienta capaz de enviar mensajes a cualquier sitio. Un agente pasó la noche en un bucle y se comió el presupuesto de un mes. La calidad de un agente fue cayendo poco a poco tras el cambio de una dependencia, y nadie lo notó en seis semanas porque nada lo medía. Ninguno de estos se arregla con un prompt mejor. Todos se arreglan con una práctica de ingeniería corriente aplicada a un componente poco corriente.

No puedes salir a fuerza de instrucciones de una salvaguarda que falta.

Las prácticas no son nuevas. Mínimo privilegio. Idempotencia. Tiempos de espera y reintentos con espera creciente. Estado duradero. Validación de entradas. Presupuestos y cuotas. Trazas estructuradas. Pruebas de regresión. Despliegues escalonados. Interruptores de emergencia. Postmortems sin culpables. Lo nuevo es aplicarlas a un componente que toma decisiones, lo que cambia algunos detalles y ninguno de los principios. El resto de este libro es un recorrido por esas prácticas, cada una traducida para agentes.

Merece la pena nombrar por qué los equipos se resisten. Escribir prompts es rápido y parece progreso. Cambias una frase, repites la demo, ves una respuesta mejor, la despliegas. La ingeniería es más lenta y sus victorias son invisibles: el incidente que no ocurrió, el coste que se mantuvo plano, la regresión que se detectó antes de publicar. Las organizaciones premian lo visible. Tu trabajo consiste, en parte, en hacer visible lo invisible, con paneles, puntuaciones de evaluación y recuentos de incidentes, para que el trabajo silencioso reciba el reconocimiento que merece.

Así que aquí va la primera prueba de tu sistema. Para cada daño serio que pueda causar tu agente, pregúntate qué lo impide. Si la respuesta es una frase en el prompt, apunta qué código, permiso o proceso podría impedirlo en su lugar, y mete ese trabajo en la lista. No terminarás la lista esta semana. Pero habrás convertido la esperanza en un backlog, que es como empezó todo sistema fiable. La fiabilidad no es un estado de ánimo del modelo. Es una propiedad que se construye.

Incidentes que un prompt mejor no habría arreglado INCIDENTE PROMPT Arreglo de ingeniería Email enviado 11 veces el reintento no era idempotente no Claves de idempotencia reintentar es seguro Documento filtrado instrucción oculta, envío no Mínimo privilegio enviar solo a lista blanca Presupuesto agotado bucle nocturno no Presupuestos y topes el gasto para la ejecución Declive silencioso de seis semanas nada lo medía no Evaluaciones continuas puntuaciones en un panel LAS PRÁCTICAS DE SIEMPRE, APLICADAS A UN COMPONENTE QUE DECIDE mínimo privilegio idempotencia timeouts estado duradero validación presupuestos trazas tests de regresión despliegue gradual interruptor de emergencia postmortems No puedes suplir con instrucciones una salvaguarda que falta.
Fig. 10 · La fiabilidad es trabajo de ingeniería. Cuatro incidentes reales que un prompt no podía arreglar, cada uno con su arreglo de ingeniería.
Avance gratuito · Parte I

Sigue leyendo

Has leído los primeros 10 de 100 capítulos de Agentes en producción. El libro completo incluye todos los capítulos y láminas, en PDF y EPUB, en inglés, francés, polaco y español.

El libro completo llegará pronto a la tienda.

¿Ya lo compraste? Lee la edición completa en línea

Agentes en producción · Primera edición, octubre de 2026
100 capítulos · 10 partes · cien diagramas
por Mat Siems · MS Books, No. 11 · 2026