🤖 AI

In-Context Prompting Obsoletes Agent Orchestration for Procedural Tasks

Este artículo sostiene que, para tareas procedimentales de múltiples turnos, un prompting en contexto más sencillo en el que el modelo se autoorquestra supera a los marcos complejos de orquestación de agentes externos, volviendo a estos últimos obsoletos para los modelos de vanguardia.

Autores originales: Simon Dennis, Michael Diamond, Rivaan Patil, Kevin Shabahang, Hao Guo

Publicado 2026-05-01

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Simon Dennis, Michael Diamond, Rivaan Patil, Kevin Shabahang, Hao Guo

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando completar una tarea compleja, como reservar unas vacaciones familiares complicadas, solucionar una llamada de Zoom rota o presentar un reclamo de seguro. En el mundo de la Inteligencia Artificial (IA), hay dos formas principales de indicarle a una computadora inteligente cómo hacer esto.

Este artículo sostiene que la forma "elegante y complicada" en realidad está empeorando las cosas, y que la forma "simple y directa" es mucho mejor.

Aquí está el desglose usando analogías simples:

Los Dos Enfoques

1. El Enfoque "Gerente" (Orquestación de Agentes)
Piensa en esto como un piso de fábrica estricto. Tienes un trabajador muy inteligente (la IA), pero también tienes un Gerente parado sobre su hombro.

El Gerente tiene un diagrama de flujo (un mapa de pasos).
El Gerente le dice al trabajador exactamente qué decir para el Paso 1.
Una vez que el trabajador termina el Paso 1, el Gerente revisa el trabajo, decide si deben pasar al Paso 2 o al Paso 3, y luego susurra las instrucciones para el siguiente paso.
El trabajador nunca ve el mapa completo; solo ve la pequeña instrucción para el momento actual.
El Problema: El Gerente es lento, comete errores al decidir el siguiente paso y a veces olvida lo que el trabajador dijo tres pasos atrás porque solo se enfoca en la instrucción actual.

2. El Enfoque "Autoguiado" (Prompting en Contexto)
Piensa en esto como darle al mismo trabajador inteligente un manual de instrucciones completo y un mapa de todo el viaje antes de que comience.

El trabajador lee todo el manual.
Sabe exactamente dónde está, a dónde necesita ir y qué hacer a continuación.
No necesita un Gerente que le diga qué hacer; se guía a sí mismo.
El Beneficio: Ve el panorama general, recuerda toda la conversación y fluye naturalmente sin detenerse a pedir permiso en cada giro.

Lo Que Hicieron los Investigadores

Los autores probaron estos dos enfoques utilizando una IA muy inteligente (llamada "Claude Sonnet") en tres escenarios del mundo real diferentes:

Reserva de Viajes: Planificar un viaje para un grupo con un presupuesto e intereses específicos.
Soporte Técnico: Solucionar un problema de audio en Zoom.
Reclamos de Seguro: Presentar un reclamo después de atropellar a un ciervo con un automóvil.

Ejecutaron 200 simulaciones para cada escenario utilizando tanto el estilo "Gerente" como el estilo "Autoguiado". Luego, hicieron que otra IA actuara como juez para calificar las conversaciones en aspectos como:

¿Completaron la tarea?
¿Era la información precisa?
¿La conversación se sintió natural o robótica?
¿La IA se confundió o se repitió?

Los Resultados: El Trabajador "Autoguiado" Gana

Los resultados fueron claros y consistentes en los tres escenarios:

Mejor Calidad: La IA "Autoguiada" (En Contexto) obtuvo puntuaciones más altas en cada métrica individual. Completó las tareas con más frecuencia, recordó mejor los detalles y sonó más como un humano servicial.
Menos Errores: El enfoque "Gerente" falló mucho más a menudo.
- En la reserva de viajes, el Gerente falló el 24% de las veces. La IA Autoguiada solo falló el 11.5%.
- En el soporte técnico, el Gerente falló el 9% de las veces. La IA Autoguiada falló solo el 0.5% (casi nunca).
- En seguros, el Gerente falló el 17% de las veces. La IA Autoguiada falló el 5%.
Por Qué Falló el Gerente: Porque el Gerente solo miraba un paso a la vez, la IA a menudo olvidaba detalles importantes que el usuario mencionó antes (como que el presupuesto era "por persona" en lugar de "total"). También se quedó atrapada en bucles, haciendo la misma pregunta una y otra vez porque perdió el rastro de dónde estaba en el proceso.
Velocidad y Costo: El enfoque "Gerente" en realidad requirió más potencia de computación y tiempo porque el Gerente tuvo que detenerse y pensar en cada punto de decisión. El enfoque "Autoguiado" fue más rápido y fluido, aunque requirió cargar un "manual" ligeramente más largo en la memoria de la IA al inicio.

La Conclusión

El artículo concluye que para las tareas que siguen un conjunto claro de reglas (como reservar un viaje o presentar un reclamo), ya no necesitamos un Gerente.

En el pasado, los modelos de IA eran "más tontos" y necesitaban un Gerente que les tomara de la mano en cada paso. Pero los modelos de IA de hoy son tan inteligentes que, si simplemente les das todo el libro de reglas al principio, pueden resolver el resto por sí mismos. Agregar un Gerente en realidad estorba, causando confusión y errores.

La conclusión simple: Si tienes un procedimiento claro, simplemente pon todo el procedimiento en las instrucciones de la IA y déjala hacer el trabajo. No construyas un sistema complejo para gestionarlo.

1. Planteamiento del Problema

El artículo aborda la creciente complejidad y los problemas de fiabilidad asociados a los Marcos de Orquestación de Agentes (por ejemplo, LangGraph, CrewAI, Google ADK, OpenAI Agents SDK). Estos marcos suelen emplear un controlador externo (orquestador) que se sitúa por encima del Modelo de Lenguaje Grande (LLM). El orquestador rastrea el estado de la conversación, gestiona un grafo dirigido de pasos del flujo de trabajo e inyecta instrucciones de enrutamiento específicas o prompts específicos de nodo en cada turno.

Los autores argumentan que esta arquitectura introduce una sobrecarga de ingeniería significativa, errores en cascada, fallos de enrutamiento y una pobre consistencia entre pruebas. Hipotetizan que, para tareas procedimentales (conversaciones que siguen un flujo de trabajo definido desde la recepción hasta la resolución), los LLMs de vanguardia modernos poseen capacidades de razonamiento suficientes para auto-orquestarse cuando se les proporciona todo el procedimiento en su contexto, haciendo innecesaria y potencialmente perjudicial la orquestación externa.

2. Metodología

El estudio emplea una comparación empírica controlada entre dos condiciones utilizando el mismo modelo de vanguardia (Claude Sonnet 4.5) en tres dominios distintos con complejidad variable:

Reserva de Viajes: 14 nodos, 3 centros de decisión.
Soporte Técnico de Zoom: 14 nodos, 3 centros de decisión (requiere precisión técnica).
Procesamiento de Reclamaciones de Seguros: 55 nodos, 6 centros de decisión (alta complejidad con bucles anidados).

Condiciones Experimentales:

Condición A (Orquestada por LangGraph): El flujo de trabajo se implementa como un grafo dirigido en LangGraph. El orquestador gestiona el estado, toma decisiones de enrutamiento mediante llamadas adicionales al LLM en los centros de decisión e inyecta plantillas de prompts específicas de nodo en el prompt del sistema para cada turno.
Condición B (Línea Base en Contexto): El modelo recibe el diagrama de flujo completo serializado (todos los nodos, aristas, condiciones y estados terminales) en su prompt del sistema. El modelo se auto-orquesta, determinando el siguiente paso y el enrutamiento internamente, sin seguimiento de estado externo ni llamadas de enrutamiento.

Configuración de Evaluación:

Datos: 200 conversaciones simuladas por condición y por dominio ( $N=1,200$ en total).
Simulador: Un simulador de usuario (potenciado por Claude Sonnet) genera respuestas dinámicas basadas en el historial de la conversación, sin conocimiento del diagrama de flujo subyacente.
Juicio: Las conversaciones fueron evaluadas por un LLM como Juez (inicialmente Claude Sonnet, replicado con GPT-4.1) según cinco criterios:
1. Éxito de la Tarea (Completitud procedimental)
2. Precisión de la Información
3. Consistencia (Coherencia del estado)
4. Manejo Elegante (Adaptabilidad a ambigüedades/casos extremos)
5. Naturalidad (Interacción humana)

3. Contribuciones Clave

Evidencia Empírica de Obsolescencia: Demuestra que, para tareas procedimentales, un enfoque simple de instrucción en contexto supera consistentemente a los marcos de orquestación complejos en todas las métricas de calidad.
Análisis de Modos de Fallo: Identifica que la orquestación introduce modos de fallo estructurales específicos (errores de enrutamiento, razonamiento fragmentado, conflictos de plantillas) que no existen en el enfoque en contexto.
Análisis de Eficiencia: Cuantifica la compensación entre el uso de tokens (mayor en contexto debido a la inclusión del procedimiento) y la eficiencia de las llamadas a la API (menor en contexto debido a la falta de sobrecarga de enrutamiento).
Verificación de Robustez: Valida los hallazgos utilizando un juez independiente (GPT-4.1) para descartar el sesgo de auto-preferencia en el juez principal.

4. Resultados

A. Rendimiento de Calidad

La línea base en contexto superó significativamente al orquestador LangGraph en 15 de 15 comparaciones (3 dominios × 5 métricas) bajo el juez Claude, con todas las diferencias estadísticamente significativas ( $p < 0.005$ ).

Puntuaciones: Las puntuaciones en contexto oscilaron entre 4.53 y 5.00, mientras que las puntuaciones de LangGraph oscilaron entre 4.17 y 4.84.
Consistencia y Manejo Elegante: La brecha fue más pronunciada aquí. El modelo en contexto mantuvo una coherencia casi perfecta (4.83–4.99) y adaptabilidad (4.96–5.00), mientras que el sistema orquestado luchó (4.32–4.55 y 4.38–4.62, respectivamente).
Replicación: Utilizar GPT-4.1 como juez confirmó los hallazgos centrales: 11 de 15 comparaciones favorecieron la instrucción en contexto, con cero a favor de la orquestación. La brecha de "Naturalidad" disminuyó en la evaluación de GPT-4.1, lo que sugiere que el juez Claude podría tener un sesgo hacia el texto sin restricciones.

B. Tasas de Fallo

El sistema orquestado falló significativamente más a menudo (definido como Éxito de Tarea ≤ 3):

Viajes: 24.0% de fallos (LangGraph) vs. 11.5% (En Contexto).
Zoom: 9.0% de fallos (LangGraph) vs. 0.5% (En Contexto).
Seguros: 17.0% de fallos (LangGraph) vs. 5.0% (En Contexto).
Causas Raíz: Los fallos orquestados se atribuyeron a errores de enrutamiento (clasificación incorrecta del estado de la conversación en los centros de decisión), pérdida de información a través de los límites de los nodos y bucles infinitos causados por que el agente perdiera el rastro de las fases completadas.

C. Eficiencia y Costo

Llamadas a la API: La orquestación requirió 1.2x a 1.7x más llamadas al LLM por conversación debido a las decisiones de enrutamiento en los centros de decisión.
Uso de Tokens: La instrucción en contexto consumió más tokens por conversación (por ejemplo, 68K vs. 43K para Seguros) porque el procedimiento serializado se incluía en cada llamada a la API.
Costo: A pesar del mayor uso de tokens, el enfoque en contexto fue solo 1.3x–1.4x más costoso por conversación. La prima de costo es modesta en comparación con las ganancias significativas en calidad y fiabilidad.

5. Significado e Implicaciones

Cambio de Paradigma: El artículo sugiere que, para tareas procedimentales bien definidas, el "andamiaje" proporcionado por los marcos de orquestación ya no es necesario para los modelos de vanguardia. De hecho, este andamiaje degrada activamente el rendimiento al fragmentar el razonamiento del modelo e introducir puntos de fallo.
Recomendación de Ingeniería: Los profesionales deben priorizar colocar todo el procedimiento en el prompt del sistema antes de recurrir a marcos de orquestación complejos. Esto simplifica la pila tecnológica, reduce la latencia (menos llamadas a la API) y mejora la fiabilidad.
Limitaciones y Trabajo Futuro:
- Los hallazgos se aplican específicamente a tareas procedimentales con flujos de trabajo definidos. Las tareas no procedimentales (creativas, abiertas) o las tuberías de múltiples modelos podrían seguir beneficiándose de la orquestación.
- El enfoque requiere que el procedimiento quepa dentro de la ventana de contexto del modelo (aunque los procedimientos de 55 nodos utilizaron solo ~2% de una ventana de 200K tokens).
- Para producción de alto volumen, el mayor costo de tokens de la instrucción en contexto podría motivar el ajuste fino del procedimiento en modelos más pequeños como una alternativa rentable.

Conclusión: Los autores concluyen que a medida que los modelos de vanguardia mejoran, el valor de la orquestación externa para tareas procedimentales disminuye. El "cuello de botella" no es una mejor orquestación; la propia orquestación es el cuello de botella.