Artículo argumentativo sobre arquitectura de agentes de inteligencia artificial que sostiene una tesis central: no toda tarea debe resolverse mediante un modelo de lenguaje. La pieza describe el patrón común de tratar el LLM como una utilidad universal —el razonador, el programador, la base de datos y el cron en uno solo— y los tres problemas que arrastra: no determinismo, lentitud y coste por token. Cuando un equipo enruta por el modelo tareas mecánicas repetitivas (extraer JSON de una API, reformatear datos, almacenar registros), paga por cada ejecución, degrada la calidad de las respuestas porque la ventana de contexto se satura de información sin valor de razonamiento y, además, introduce fallos en procesos que deberían ser exactos y repetibles. La regla propuesta es binaria: si la tarea exige juicio, va al agente; si exige repetición exacta, va a una aplicación determinista (funciones programadas, endpoints, bases de datos reales). El autor argumenta que las notas o la memoria del agente no deben usarse como base de datos para datos estructurados de alto volumen: carecen de esquema, obligan a leer todo el contenido cada vez y degradan el razonamiento. Sí son útiles, en cambio, para preferencias, tono, patrones y contexto interpretativo sin esquema fijo. Como caso de estudio se presenta Vybe, plataforma que permite a los agentes construir y operar aplicaciones reales: el trabajo recurrente (extracción de datos, transformaciones, almacenamiento) vive en la capa de aplicación como código determinista; el agente solo consume tokens en la parte que requiere interpretación. Se mencionan dos ejemplos: Competitor Radar, sistema interno de seguimiento competitivo, y Falcon, analista de inteligencia competitiva disponible en la galería de Vybe que monitoriza cambios de competidores y envía briefs por correo. La conclusión operativa es que la inteligencia se invierte una vez en construir la máquina y la máquina luego corre sin coste por token.
Noticias agregadas con IA