Agentes vs workflows: la distinción clave que casi todo el mundo confunde
En 2026 todo se llama "agente". Un script que llama a OpenAI tres veces seguidas. Un n8n con cuatro pasos y una llamada a GPT-5. Un sistema con LangGraph que orquesta cinco LLMs. Todos lo venden como "agente" — y la mayoría no lo son.
Anthropic publicó en diciembre de 2024 Building Effective Agents, un paper que estableció una distinción que el resto de la industria ha adoptado: workflows ≠ agents. Entender esta diferencia ahorra dinero, complejidad y sustos en producción. Forma parte del cluster Agentes de IA.
La definición de Anthropic
Workflows: sistemas donde LLMs y herramientas se orquestan a través de rutas de código predefinidas.
Agents: sistemas donde el LLM dirige dinámicamente sus propios procesos y uso de herramientas, manteniendo control sobre cómo realizar las tareas.
La diferencia es quién decide el flujo: tú (workflow) o el modelo (agent).
Tres ejemplos para verlo claro
Ejemplo 1: clasificador de tickets
Como workflow:
ticket → LLM (categoriza) → if categoria == "bug" → asignar a engineering
→ if categoria == "billing" → asignar a finance
→ else → asignar a soporteTú decides el árbol. El LLM solo clasifica.
Como agent:
ticket → agente con tools (categorizar, asignar, escalar, contactar_cliente)
agente decide: leer ticket → buscar info similar → categorizar →
si dudas, preguntar al cliente → asignar al equipo correcto.El modelo decide el orden y qué tools usar. Tú solo das objetivo y herramientas.
¿Cuál es mejor? Para clasificación pura, workflow gana. Más rápido, más barato, predecible. Si tu sistema es 90% clasificar y 10% casos raros, no construyas un agente.
Ejemplo 2: research para un informe
Como workflow:
1. LLM genera 5 queries de búsqueda
2. Para cada query: scraper saca top 5 resultados
3. LLM resume cada resultado
4. LLM agrega los 25 resúmenes
5. LLM redacta informePasos fijos. Cada query, cada resumen es predecible.
Como agent:
agente con tools (web_search, fetch_url, save_note, write_section)
objetivo: "investiga el mercado de X y devuelve informe estructurado"
agente: busca, descarta lo malo, profundiza en lo bueno, anota,
detecta gaps, busca otra vez, redacta secciones.El agente decide cuántas búsquedas, cuándo profundizar, cuándo es suficiente.
¿Cuál es mejor? Depende de la complejidad. Si los temas son muy variados → agent gana porque adapta el plan. Si son todos del mismo tipo → workflow es más barato y consistente.
Ejemplo 3: editar código
Como workflow:
1. LLM identifica archivos a tocar
2. LLM genera diff por archivo
3. Aplicar diffs
4. LLM corre tests
5. Si fallan, mostrar error al humanoComo agent:
agente con tools (Read, Edit, Bash)
objetivo: "añade autenticación al endpoint /users"
agente: explora repo, lee tests existentes, edita código, corre tests,
si fallan investiga y arregla, itera hasta verde.¿Cuál es mejor? En tareas no triviales, agent gana claramente. La razón: el modelo necesita explorar, retroceder, decidir basándose en feedback (test results). Es exactamente lo que hace Claude Code.
La regla de oro
Anthropic lo resume así:
Find the simplest solution possible, and only increase complexity when needed.
Traducción: no construyas un agente si un workflow basta. La razón:
Workflows son predecibles, baratos, debuggables.
Agents son flexibles, capaces, caros, y a veces impredecibles.
Reglas prácticas:
¿La tarea tiene un flujo claro y repetible? → workflow.
¿El flujo cambia según los inputs y necesita decisiones intermedias? → considera agent.
¿Empiezas? → workflow primero. Mide. Si el resultado es flojo, prueba agent.
Patrones de workflow (Anthropic los nombra)
Antes de saltar a agent, considera estos cinco patrones:
1. Prompt chaining
LLM 1 → output → LLM 2 → output → LLM 3.
Útil cuando puedes descomponer la tarea en pasos secuenciales claros (ej: "genera outline → expande cada sección → pule estilo").
2. Routing
Un LLM clasifica el input y enruta a otro LLM o sub-flujo.
Útil cuando hay tipos de input distintos que merecen tratamientos distintos (ej: triage de soporte).
3. Parallelization
Misma input, varios LLMs en paralelo, agregación al final.
Dos formas: sectioning (cada LLM hace una parte distinta) y voting (varios LLMs hacen lo mismo, eliges mayoría).
4. Orchestrator-workers
Un LLM "orquestador" planifica subtareas y las delega a "workers" (otros LLMs). Cada worker hace su parte, el orquestador agrega.
Es lo que Claude Code hace con subagentes.
5. Evaluator-optimizer
Un LLM genera, otro evalúa, el primero refina. Loop hasta que pasa la evaluación.
Útil para outputs creativos (ej: generar copy y validar contra brand guidelines).
Importante: estos cinco son workflows, no agents. Tú defines la estructura. El LLM decide solo dentro de cada nodo.
Cuándo el agente vale la pena
Pasa a agent cuando:
El número de pasos es desconocido o varía mucho por input.
El modelo necesita explorar y decidir basándose en feedback intermedio.
Las tools son muchas (>5) y el orden de uso depende del contexto.
El humano no puede prever todas las ramas posibles.
Casos típicos en producción 2026 donde agent gana:
Coding assistants (Claude Code, Cursor agent mode).
Research agents (Deep Research de OpenAI, Claude research).
Computer use (Claude controlando navegador, Playwright + LLM).
Customer support con resolución autónoma (no solo clasificación).
El coste oculto del agent
Construir un workflow con 5 nodos: 1 día.
Construir un agent con esas mismas 5 tools: 1 semana — para hacerlo bien.
Por qué:
Loops sin fin: tienes que limitar
max_turns, agregar timeouts, detectar bucles infinitos.Coste impredecible: un mismo input puede consumir 10K o 200K tokens según lo que el modelo decida hacer.
Debugging duro: el modelo decide; reproducir el fallo exige replay con el mismo seed.
Eval complejo: ¿cómo mides "el agente lo hizo bien" cuando el camino que tomó no es el que tú habrías tomado?
Por eso Anthropic recomienda invertir primero en context engineering y en evaluación antes de soltar agents en producción.
Híbridos: lo más común en producción real
Los sistemas serios casi nunca son 100% workflow ni 100% agent. Son híbridos:
[workflow]
ticket entrante → routing → ¿caso simple? → workflow rápido → respuesta
→ ¿caso complejo? → [agent] → resolución → respuestaEl workflow filtra y enruta. El agent solo entra cuando hace falta. Resultado: 90% del tráfico atendido barato, 10% complejo atendido bien.
Otro patrón: agent dentro de workflow.
1. [workflow] preparar datos
2. [agent] análisis adaptativo de los datos
3. [workflow] formatear y enviar resultadoEl agent solo se usa donde aporta valor. Los pasos predecibles se quedan como workflow.
Errores comunes al elegir
"Vamos a hacer todo agent porque es lo moderno"
Resultado: latencia 10x, coste 5x, debugging imposible. La mayoría de tareas reales son workflows con 1 nodo LLM bien diseñado.
"Empezamos con un workflow simple y nunca migramos"
Si tu workflow tiene 30 if-else y cada caso especial es otro nodo, es señal de que un agent te ahorraría código. La complejidad de mantenimiento es real.
"Agent y workflow son lo mismo"
No. Cambian profundamente las garantías:
Workflow garantiza el flujo. El LLM solo decide dentro de cada paso.
Agent garantiza el objetivo. El LLM decide el flujo entero.
Diseñar un agent como workflow cancela las ventajas de ambos.
"Cuanto más tools mejor"
Un agente con 30 tools confunde al modelo. Si necesitas 30, agrúpalas en 5 tools de mayor nivel, o particiona en subagentes especializados.
Cómo decidir hoy
Pregúntate, en orden:
¿Puedo dibujar el flujo en una pizarra? Si sí → workflow.
¿Sé qué tools usar y en qué orden? Si sí → workflow (a lo sumo, prompt chaining).
¿Hay 2-3 ramas y vuelve a converger? → routing.
¿Hay paralelismo evidente? → parallelization.
¿El número de pasos depende del input y no puedo dibujarlo? → agent.
Resultado típico: 70% del tiempo es workflow. 30% del tiempo se justifica agent.
Conclusión
La distinción agent/workflow no es académica: cambia tu stack, tu coste, tu debugging y tu garantía de servicio. Quien construye sistemas con LLMs en 2026 sin esta distinción quema dinero y entrega calidad inestable. La regla de Anthropic — start simple, escala a agent solo cuando lo necesites — sigue siendo el mejor consejo del año.
Para profundizar:
Agentes de IA en 2026: guía completa — pillar del cluster.
Context engineering explicado — disciplina central.
LangGraph vs Claude Agent SDK — frameworks comparados.
Cómo crear un agente con Claude — tutorial.
Fuentes verificadas
Building Effective Agents — Anthropic, diciembre 2024.
Building Effective AI Agents (architecture patterns) — guía Anthropic con ejemplos.
Effective context engineering for AI agents — paper Anthropic, septiembre 2025.
Datos verificados el 28 de abril de 2026.
