Para decidir cuándo dividir un problema entre varios agentes, mira primero sus dependencias: si cada paso necesita el resultado anterior, mantén una ruta simple; si hay partes independientes o que requieren criterios distintos, considera delegarlas y reunirlas con un responsable claro. Más agentes no significan automáticamente un mejor proceso: la recomendación es sumar coordinación solo cuando resuelva una necesidad concreta.
Mantén un flujo simple cuando hay una sola ruta
Hecho: Anthropic recomienda empezar por la solución más sencilla posible y aumentar la complejidad solo cuando haga falta. Distingue los workflows, que coordinan modelos y herramientas mediante pasos predefinidos y ofrecen previsibilidad en tareas bien delimitadas, de los agentes que deciden dinámicamente cómo avanzar. (Anthropic, 19 de diciembre de 2024, “Building effective agents”, https://www.anthropic.com/engineering/building-effective-agents.)
Interpretación práctica: si el trabajo tiene un objetivo acotado, una sola especialidad y una secuencia conocida, un flujo simple —incluso con una sola llamada a un agente— evita abrir traspasos que no aportan una función diferente. Esto aplica cuando cada paso depende de una respuesta anterior: primero se confirma un dato; con esa respuesta se redacta una recomendación; luego una persona la revisa. No hay una tarea verdaderamente simultánea que justifique repartirla.
Por ejemplo hipotético, una pyme que prepara el cierre de un local para hacer mantenimiento puede necesitar confirmar la fecha y después coordinar el acceso de los técnicos. Si el acceso solo se define una vez acordada la fecha, repartir ambos pasos como tareas paralelas no elimina la dependencia. Primero se resuelve el dato que falta; después sigue el paso que depende de él.
Divide solo lo que puede avanzar en paralelo
Hecho: Anthropic describe la paralelización como la ejecución simultánea de subtareas independientes, cuyos resultados luego se agregan. Google Cloud muestra en un tutorial oficial un flujo que ejecuta en paralelo la búsqueda de vuelos y hoteles, y antes coloca una tarea secuencial; su criterio es que los pasos que no dependen entre sí pueden correr a la vez. (Anthropic, 19 de diciembre de 2024, “Building effective agents”, https://www.anthropic.com/engineering/building-effective-agents; Google Cloud, 2 de julio de 2025, “How to build a simple multi-agentic system using Google’s ADK”, https://cloud.google.com/blog/products/ai-machine-learning/build-multi-agentic-systems-using-google-adk.)
Interpretación práctica: divide cuando puedas describir qué entrega cada agente sin esperar el trabajo de los demás. Un ejemplo hipotético sería preparar un plan para una jornada de capacitación: una persona o agente revisa requisitos de accesibilidad del espacio y otro organiza una agenda preliminar a partir de objetivos ya aprobados. Después, alguien comprueba que agenda, horario y condiciones del lugar sean compatibles. Si la agenda cambia según la capacidad del espacio, esa parte no se puede cerrar antes de recibir ese dato.
La prueba útil no es “¿puedo crear otro agente?”, sino “¿qué parte concreta puede avanzar con las mismas instrucciones y datos aunque otra parte aún no esté lista?”. Si la respuesta es ninguna, conserva la secuencia. Si hay tareas independientes, define desde el inicio cómo se integrarán y qué hará el flujo cuando los resultados discrepen.
La coordinación también cuesta trabajo
Hecho: la documentación de OpenAI diferencia entre transferir el control a un especialista y mantener un agente coordinador que usa especialistas como herramientas. También recomienda dividir solo cuando la siguiente rama realmente requiera instrucciones, herramientas o políticas distintas; advierte que dividir temprano añade prompts, trazas y puntos de aprobación sin garantía de mejora. La página consultada no muestra fecha de publicación. (OpenAI, sin fecha; consultada el 3 de octubre de 2026, “Orchestration and handoffs”, https://developers.openai.com/api/docs/guides/agents/orchestration.)
Interpretación práctica: cada delegación crea preguntas que alguien debe resolver: qué contexto recibe el agente, en qué formato devuelve su resultado, quién detecta una respuesta incompleta y quién une las piezas. Si dos agentes pueden interpretar de manera distinta una instrucción, o si el coordinador debe reescribir mucho para combinar sus entregas, el diseño puede terminar siendo más difícil de supervisar que el problema original.
Antes de dividir, escribe una frase por función: qué recibe, qué produce y qué no debe hacer cada agente. Acuerda un formato de entrega breve y una sola persona o agente responsable de la conclusión final. Si no puedes especificar esas fronteras sin ambigüedad, conviene simplificar el flujo o aclarar el proceso primero.
Errores y responsabilidad necesitan dueño claro
Un resultado paralelo no es una respuesta lista para usar. Puede omitir un supuesto, apoyarse en datos incompatibles o no cubrir una excepción. El coordinador debe comparar las entregas con la misma pregunta y las mismas reglas; no basta con unirlas en un resumen fluido. Cuando falta un dato o aparece una contradicción, lo prudente es detener ese tramo, pedir verificación y señalar qué parte requiere criterio humano.
La división tampoco reparte la responsabilidad hasta hacerla desaparecer. Como recomendación de diseño, nombra a una persona responsable del resultado y especifica quién revisa cada salida antes de avanzar. En acciones con consecuencias para clientes, dinero, personal o continuidad del negocio, separa la recomendación automática de la aprobación humana y de la ejecución autorizada. Puedes ampliar ese principio en la guía de Jarvis sobre aprobación humana en IA: https://www.jarvisrd.com.do/blog/aprobacion-humana-ia-no-decide-sola.
Para empezar, toma un proceso repetido y dibuja sus pasos con flechas. Marca cuáles esperan un resultado anterior y cuáles podrían producir entregas independientes con información ya disponible. Prueba una sola división pequeña, registra quién integra y revisa las excepciones; si la coordinación no queda más clara, vuelve al flujo simple. La meta no es tener más agentes, sino que cada traspaso tenga una razón y un responsable.