Si estás construyendo una aplicación con agentes de IA, la solución por defecto siempre es la misma: métele un chat. Y funciona, al principio. El usuario escribe, el agente responde, edita, genera contenido, se siente como magia. Pero en cuanto la tarea se vuelve larga y estructurada (redactar un documento completo con muchas partes, por ejemplo) el chat empieza a hacer aguas. Y el problema no es del modelo, es de la interfaz.
El problema real del chat
Por muy fino que sea el agente, cuando redacta algo completo de una sentada no tiene todo en cuenta a la vez. Se le olvida algo en una parte y ese olvido se arrastra durante el resto del documento. Hay que corregir a mano, revisar alucinaciones (eso da para otro post) y, sobre todo, el chat obliga a trabajar en serie: un prompt, una respuesta, el siguiente prompt. Si quieres que varias partes avancen a la vez, o eres tú quien las va lanzando una por una, o mantienes una conversación kilométrica que va generando todo poco a poco.
Y ahí está el punto clave: paralelizar bien con agentes es una habilidad. Un usuario experto sabe hacerlo, y para ese usuario el chat sigue siendo perfecto para revisar y ajustar al final. Pero si tu producto es para gente que no es experta en IA, ese usuario no va a saber paralelizar, y no debería tener que aprender. Va a acabar con quince prompts sueltos o una conversación eterna, y la sensación de que la IA le da más trabajo del que le quita.
La alternativa: la matriz de agentes
Empresas como Harvey y Legora, en el mundo legal, usan un patrón que resuelve esto: una tabla en vez de un chat. Las filas son las partes del documento que hay que generar. Las columnas son variables de estado: en qué fase está cada parte, qué fuentes le corresponden, qué detalles y análisis tiene asociados.
El proceso tiene tres fases:
Matching. Antes de escribir nada, un barrido de agentes conecta fuentes con partes del documento. Y aquí el orden importa: si le preguntas a un agente "¿qué fuentes hacen falta para esta parte?", tiene que leerse todas las fuentes, y eso sale caro. Si en cambio le das una única fuente a un agente y le preguntas "¿a qué partes hace referencia esto?", tienes un agente por fuente trabajando en paralelo, mucho más barato y mucho más rápido.
Verificación. Con la tabla ya rellena, el usuario revisa de un vistazo si el matching tiene sentido: si sobra algo, si falta algo, si algo está mal asignado. Todo con clics, sin escribir nada.
Redacción. Un solo clic invoca un subagente por fila, que redacta esa parte con la información que tiene asignada. El usuario puede dejar un comentario corto en cada fila si quiere matizar algo, pero cada vez depende menos de eso: con una capa de memoria y contexto compartido (otro tema para otro post) el sistema aprende cada vez más de tus inputs y menos de tus prompts.
Por qué esto es mejor que un documento largo
Ir por partes en vez de generar todo de una sentada resuelve tres problemas a la vez: no hay un único agente haciendo todo el trabajo, no hay un único agente cargando con todo el contexto, y al paralelizar todo el sistema, el proceso es mucho más rápido.
Pero el motivo real por el que la matriz gana es de producto, no solo de arquitectura: fuerza la paralelización y la especialización sin que el usuario tenga que pensar en ello. Ve toda la matriz de un vistazo, entiende en qué estado está cada parte, y dirige el proceso en vez de ejecutarlo. Eso es exactamente lo que alguien que no sabe manejar agentes en paralelo necesita: un sistema que le paraleliza el trabajo sin pedírselo.
El chat no desaparece
Sigue teniendo su sitio, como capa final, no como motor principal. Una vez la matriz ha redactado cada parte, el chat sirve para conectar mejor dos secciones a mano o pedir una revisión general. También puede haber un agente que repase el documento entero como paso extra, a nivel global, una vez todo está redactado.
La diferencia es que ahora el chat es el ajuste fino, no el proceso completo. Y ese cambio, de motor a ajuste fino, es el que de verdad hace que un producto deje de sentirse como un chatbot con esteroides y empiece a sentirse como una herramienta de trabajo real.
Dónde lo estoy aplicando
Todo esto lo he construido para Fórmular, el producto en el que estoy trabajando: una plataforma para que firmas inmobiliarias institucionales generen informes técnicos de due diligence y monitorización con agentes de IA. La matriz de agentes es justo la pieza que reemplazó al chat como forma principal de redactar un informe, y el chat pasó a ser la capa de ajuste fino que comentaba arriba. Si te interesa ver cómo funciona en un caso real, ahí lo tienes.