Organice agentes, tareas y decisiones en grafos para crear sistemas de IA más coordinados, trazables y escalables
La evolución de la Inteligencia Artificial
aplicada al desarrollo de software está cambiando rápidamente la forma en que pensamos sobre sistemas, automatizaciones
e incluso sobre equipos digitales. Primero, aprendimos a conversar mejor con los modelos por medio del Prompt Engineering. Después, comprendimos que no bastaba con escribir buenos comandos: era necesario ofrecer
el contexto correcto, dando impulso al Context Engineering. Luego surgieron enfoques
como Harness Engineering y Loop Engineering,
orientados a proporcionar herramientas a los agentes y crear ciclos capaces de planificar, ejecutar, verificar e intentarlo
nuevamente. Ahora, una nueva capa comienza a ganar fuerza: Graph Engineering.
La idea parte de un problema cada vez más
común. A medida que los sistemas basados en agentes de IA se vuelven más sofisticados, esperar que un único
agente comprenda todo el problema, ejecute todas las etapas, valide su propio trabajo y mantenga todo el estado necesario
empieza a generar limitaciones.
Del
agente aislado a la inteligencia del sistema
Un artículo académico publicado
en agosto de 2026 describe Graph Engineering como un paradigma emergente para
sistemas basados en agentes de LLMs. Su propuesta consiste en dejar atrás la optimización exclusiva de la inteligencia
individual de un agente y avanzar hacia lo que los autores denominan System Intelligence,
o Inteligencia del Sistema.
Esto ocurre porque las tareas reales no siempre
pueden resolverse de manera eficiente mediante una única inteligencia. Desarrollar una aplicación empresarial,
por ejemplo, puede exigir interpretación de requisitos, análisis de la arquitectura existente, desarrollo de
diferentes componentes, integración con APIs, pruebas automatizadas, evaluación de seguridad, revisión
de código y aprobación antes de la publicación.
Un agente extremadamente potente podría
intentar encargarse de todo. Graph Engineering propone otro enfoque: transformar
esas responsabilidades en una estructura explícita de trabajo. En este escenario, la inteligencia no está solamente
dentro de cada agente. También está en la forma en que todos ellos están organizados.
¿Qué
es Graph Engineering?
De manera simplificada, Graph Engineering es la práctica de estructurar un sistema de agentes, tareas y decisiones en forma de
grafo. Un grafo está constituido principalmente por nodos y conexiones. Los nodos representan unidades de trabajo.
Un nodo puede ser un agente de IA especializado, una función tradicional de software, un mecanismo de validación,
una herramienta externa o incluso una etapa que requiere aprobación humana. Las conexiones, llamadas aristas, determinan
cómo pasa el trabajo de un nodo a otro.
Imagine un nodo responsable de interpretar una
solicitud del cliente. Después de él, el flujo puede continuar hacia un agente de arquitectura. A partir de
allí, diferentes caminos pueden activarse simultáneamente para Back-End,
Front-End, base de datos e integraciones. Cuando estas tareas finalizan, otro
nodo puede ejecutar pruebas. Si se detectan fallas, el flujo puede regresar automáticamente al responsable de la implementación.
La aplicación deja, por lo tanto, de
depender únicamente de una secuencia rígida de instrucciones. Pasa a contar con una topología de ejecución.
En enfoques recientes, esta estructura suele involucrar nodos especializados, aristas que definen rutas condicionales, secuenciales
o paralelas y algún mecanismo de estado compartido que mantiene la información necesaria durante la ejecución.
De
Prompt Engineering a Graph Engineering
Es importante comprender que Graph Engineering no necesariamente sustituye todo lo que vino antes. Un buen sistema basado en agentes seguirá
necesitando buenas instrucciones. También deberá controlar
cuidadosamente qué contexto recibe cada agente. Las herramientas, la memoria, las integraciones y los mecanismos de
validación siguen siendo fundamentales. Lo que cambia es la escala del problema.
Prompt
Engineering se ocupa de la instrucción que se dará
al modelo. Context Engineering busca garantizar que el modelo tenga acceso a la
información correcta en el momento adecuado. Harness Engineering organiza
herramientas, recursos e infraestructura que permiten al agente trabajar de manera efectiva. Loop Engineering permite que un determinado agente ejecute, observe resultados, verifique errores y repita su
trabajo hasta alcanzar un objetivo.
Graph
Engineering, en cambio, trabaja en la organización
de estas inteligencias y procesos como un sistema mayor. Un nodo del grafo puede ser, incluso, un agente operando dentro de
su propio loop. Por lo tanto, grafos y loops
no son necesariamente alternativas competidoras. En sistemas complejos, un grafo puede estar formado precisamente por varios
loops especializados que se comunican entre sí.
Un
ejemplo dentro de una Fábrica de Software e IA
Considere una empresa que desea desarrollar
una nueva funcionalidad en su sistema. En una arquitectura tradicional de agente único, la solicitud podría
enviarse a una IA con la expectativa de que analice el requisito, comprenda el sistema, programe la funcionalidad, ejecute
pruebas y realice las correcciones necesarias.
En Graph
Engineering, el proceso puede ser mucho más especializado. Un primer nodo interpreta la necesidad del negocio y
transforma la solicitud en requisitos técnicos. Otro evalúa la arquitectura existente. La implementación
puede entonces dividirse entre diferentes agentes especializados.
Cuando el código esté listo, un
agente independiente ejecuta pruebas. Otro realiza un análisis de seguridad. Otro verifica patrones de arquitectura
y calidad. Si una etapa falla, el grafo determina a qué nodo debe regresar el trabajo. Solo después de las verificaciones
necesarias el flujo puede alcanzar una etapa final de aprobación o implementación.
Esto crea una diferencia importante: el proceso
deja de depender exclusivamente de la capacidad de razonamiento de un único agente y pasa a contar también con
una arquitectura de coordinación. Es como transformar a un excelente profesional individual en un equipo digital organizado.
El
grafo también puede decidir caminos
Una de las características más
interesantes de este enfoque es que no todos los flujos necesitan ser lineales. Dependiendo del resultado producido por un
determinado agente, pueden elegirse caminos diferentes. Si un agente de análisis identifica que un cambio afecta solamente
a la interfaz, quizá no sea necesario activar etapas relacionadas con la base de datos. Si la modificación involucra
datos sensibles, un nodo adicional de seguridad puede volverse obligatorio. Si las pruebas fallan, el flujo regresa al desarrollo.
Si tienen éxito, el trabajo avanza.
También pueden existir procesos paralelos.
Mientras un agente desarrolla una determinada integración, otro puede preparar pruebas y un tercero puede actualizar
la documentación.
Graph Engineering y Knowledge Graphs no son lo mismo
Existe una distinción importante. El
término "grafo" también aparece en los Knowledge Graphs, o Grafos
de Conocimiento. En este caso, el objetivo principal es representar información y, sobre todo, las relaciones entre
sus elementos.
En un Knowledge
Graph, por ejemplo, un producto puede estar conectado con su fabricante, con los componentes que lo integran, con los
proveedores de esos componentes, con evaluaciones realizadas por clientes y con problemas identificados.
En Graph
Engineering aplicado a sistemas de agentes, en cambio, el grafo está mucho más relacionado con la organización
del trabajo, de los agentes, de las tareas y de los estados de ejecución. Sin embargo, ambos conceptos pueden trabajar
juntos.
Un curso de DeepLearning.AI sobre Agentic Knowledge Graph Construction, desarrollado en colaboración con Neo4j, muestra precisamente a agentes
especializados colaborando para analizar datos estructurados y no estructurados, proponer nodos y relaciones y construir un
Knowledge Graph. El ejemplo demuestra cómo los sistemas multiagente pueden
trabajar tanto mediante flujos coordinados como utilizando grafos como estructuras de conocimiento. Es una combinación
especialmente interesante para aplicaciones empresariales.
Más
contexto sin simplemente aumentar el contexto
Uno de los problemas de los grandes sistemas
de agentes es imaginar que la solución para tareas más complejas siempre consiste en proporcionar más
información a la IA. No necesariamente. Cuanto mayor sea el contexto enviado, más difícil puede resultar
identificar qué es realmente relevante para una etapa específica.
Una arquitectura orientada por grafos permite
que cada nodo reciba únicamente la información relevante para ejecutar su responsabilidad. El agente responsable
de las pruebas no necesita necesariamente recibir todo el historial de conversaciones ocurrido durante la elaboración
de los requisitos. Necesita comprender qué debería haberse implementado, qué criterios deben evaluarse
y cuál es el resultado producido. Esta separación crea fronteras de contexto. Proyectos recientes relacionados
con el concepto de Graph Engineering también destacan precisamente esta
capacidad de hacer que los flujos largos sean más observables, comprobables y recuperables, evitando que toda la lógica
quede escondida dentro de un contexto enorme o de instrucciones monolíticas.
La
trazabilidad puede convertirse en una ventaja decisiva
Cuando los agentes comienzan a ejecutar actividades
importantes dentro de una empresa, surge inevitablemente una pregunta: ¿Cómo saber por qué la IA tomó
una determinada decisión? En un gran flujo ejecutado por un único agente, reconstruir el camino recorrido puede
ser difícil.
Los grafos explícitos ayudan a crear
una estructura más observable. Es posible registrar qué nodos se ejecutaron, qué resultados produjeron,
qué condiciones hicieron que el sistema eligiera un determinado camino y dónde ocurrió una eventual falla.
Esto es especialmente valioso en sistemas empresariales, en los que la confiabilidad, la auditoría y el control pueden
ser tan importantes como la propia capacidad del modelo. El grafo transforma parte del comportamiento de la IA en una arquitectura
visible.
Agentes
especializados en lugar de un agente que lo hace todo
Existe además otra consecuencia importante.
Con una arquitectura basada en grafos, resulta más fácil utilizar diferentes agentes según su especialidad.
Un modelo puede ser excelente para programación. Otro puede ser más adecuado para la interpretación de
documentos. Otro puede actuar en la validación. Determinadas tareas pueden incluso no requerir un LLM y ejecutarse
con código convencional, más predecible y económico. Un nodo también puede representar una decisión
humana.
Este enfoque permite elegir la inteligencia
adecuada para cada etapa en lugar de utilizar el modelo más potente disponible para todo el proceso. Para las empresas,
esto puede significar sistemas potencialmente más controlables, eficientes y económicamente sostenibles.
No
todo problema necesita convertirse en un grafo
Graph
Engineering tampoco debe tratarse como una solución
obligatoria para cualquier aplicación de IA. Transformar un proceso simple en una gran red de agentes puede aumentar
la complejidad sin generar un beneficio real. Si una actividad
puede ejecutarse de manera confiable por un único agente, añadir diversos nodos, estados, rutas y mecanismos
de sincronización probablemente será innecesario.
El propio concepto todavía debe entenderse
como un paradigma emergente, y no como un protocolo universal o una tecnología única. Diferentes implementaciones
utilizan grafos de distintas maneras para coordinar agentes, estados y procesos. El valor aparece cuando la complejidad del
trabajo comienza a superar aquello que un único flujo puede gestionar adecuadamente.
De
la Inteligencia Artificial a la inteligencia organizacional
El cambio más interesante que trae Graph Engineering quizá no esté en los grafos propiamente dichos. Está
en la forma en que comenzamos a pensar sobre los agentes. Hasta hace poco, gran parte de la evolución de la IA estaba
concentrada en hacer que un único modelo fuera más inteligente, capaz de comprender más información
y ejecutar más actividades.
Los sistemas multiagente cambian esta lógica.
En lugar de preguntar únicamente "¿qué modelo es capaz de resolver este problema?", podemos empezar a
preguntar "¿cómo deben colaborar diferentes inteligencias para resolver este problema?"
Es una transformación semejante a lo
que ocurre en las organizaciones humanas. Una empresa no funciona porque una sola persona sepa hacerlo todo. Funciona porque
profesionales especializados colaboran dentro de procesos, responsabilidades, controles y flujos de información. Graph Engineering lleva esta lógica a sistemas de software formados por agentes.
Y, a medida que estos agentes ganan autonomía, herramientas, memoria y capacidad de ejecutar tareas reales, diseñar
correctamente las conexiones entre ellos puede volverse tan importante como elegir los propios modelos de IA.
El
siguiente paso para sistemas realmente agénticos
La tendencia de los próximos años
no debería ser únicamente la presencia de más agentes dentro de las empresas. El desafío será
lograr que estos agentes trabajen juntos de manera confiable. Esto exige arquitectura, reglas, contexto, estados, validación,
observabilidad y procesos capaces de manejar errores y cambios de ruta. Es precisamente ahí donde Graph Engineering gana relevancia.
En la práctica, desarrollar software
inteligente no significará solamente incorporar IA dentro de una aplicación. Significará diseñar
sistemas en los que diferentes componentes inteligentes puedan colaborar, verificar el trabajo de los demás y avanzar
por caminos definidos de acuerdo con cada situación.
Con 30 años de experiencia en el desarrollo
de software y siguiendo de cerca la evolución de la Inteligencia Artificial, Visionnaire ayuda a las empresas a transformar
estas nuevas posibilidades en soluciones reales, integrando arquitectura de software, automatización e IA para crear
aplicaciones preparadas para desafíos cada vez más complejos.
