Un agente de IA no es un workflow: está vivo, opera de forma continua y toma decisiones por su cuenta. Si quieres construir agentes que trabajen 24/7 junto a tu equipo, necesitas entender por qué un flujo paso a paso se queda corto y cómo herramientas como Qwen 3.6 cambian las reglas del juego.

¿Qué diferencia hay entre un workflow y un agente de IA?

Un workflow sigue pasos predefinidos, se ejecuta una vez y termina. Un agente persigue una meta, decide qué hacer a continuación y se mantiene activo. Esa es la frontera real entre un prototipo bonito y un colega digital que opera tu negocio.

La anécdota que abre esta idea viene de un fundador que pidió construir agentes capaces de encontrar problemas online, generar landing pages, conectar pagos y conseguir clientes de forma autónoma [01:36]. Con ese prototipo levantaron 5.2 millones de dólares en su seed round [02:13]. Pero cuando volvió con la pregunta clave ("¿qué hace el agente un martes?"), quedó claro que el primer build era un workflow disfrazado: ejecutaba pasos, no resolvía imprevistos como una landing rota o un competidor lanzando.

¿Qué es un agente de IA? Es un sistema con metas, herramientas y memoria que opera de forma continua, toma decisiones propias y se adapta sin que le dictes los pasos.

¿Cuándo conviene un workflow y cuándo un agente?

Ambos enfoques tienen lugar. Un workflow es ideal para problemas simples y predecibles. Un agente brilla cuando necesitas adaptación, memoria y mejora continua [04:30].

• Workflow: pasos fijos, una sola corrida, fácil de demostrar.
• Agente: meta abierta, decisiones autónomas, ejecución 24/7.
• Híbrido: workflows orquestados por un agente que supervisa.

La pregunta que separa un prototipo de cinco millones de un negocio potencial de mil millones es justamente esta: ¿quieres que tu sistema genere una startup una vez, o que la opere todos los días? [05:32]

¿Cómo organizar agentes dentro de tu equipo con un work chart?

La primera lección práctica es tratar a tus agentes como miembros del equipo dentro de un org chart. Zach, del equipo de Do Wipes, popularizó la idea del work chart: la evolución del organigrama tradicional [06:35].

La regla es simple: cada agente debe tener un nombre, un responsable, inputs, outputs y guardrails claros. En Imaginary Space tienen una project manager llamada Floor que reporta directamente al fundador y conversa con otros agentes [07:25].

• Define a quién reporta cada agente (humano u otro agente).
• Especifica sus inputs y outputs.
• Establece guardrails y límites de decisión.
• Si no cabe en el organigrama, probablemente es un workflow, no un agente.

¿Cómo sé si construí un agente o un workflow? Si no puedes ubicarlo en un organigrama con responsabilidades claras, inputs y outputs, lo que tienes es un workflow disfrazado.

¿Por qué dejar de escribir el paso a paso y empezar a delegar?

La segunda lección rompe con tu instinto de ingeniero. Tu reflejo es encadenar pasos y escribir un prompt larguísimo, pero un workflow se rompe cuando el mundo cambia: una herramienta se actualiza, un proceso varía, y todo se cae [08:50].

Un agente real recibe metas, herramientas y memoria. Tú no le dices cómo, le dices qué quieres. Y el camino que elige suele sorprenderte. Aquí entra el human in the loop: refinas sus herramientas y su memoria, no sus pasos.

Cuando dejas de escribir el guion y empiezas a delegar, los agentes dejan de ser demos y se vuelven colegas.

¿Cómo cambia todo cuando la inferencia es gratis?

La tercera lección es la más reciente y disruptiva. Durante dos años, construir agentes implicó pagar llamadas a Anthropic, Google u OpenAI, con dos costos: latencia de segundos por cada decisión y facturas de tokens que se disparan al experimentar [10:30].

Todo cambió con Qwen 3.6, un modelo open source de Alibaba que corre localmente en una MacBook sin problemas [11:35]. Las implicaciones son enormes:

• Decisiones en milisegundos en lugar de segundos.
• Cero costo por token: solo pagas electricidad.
• Personalización total al ser código abierto.
• Más experimentos posibles sin pedir presupuesto extra.

La librarian que abre la charla, una agente que vive en un mundo 3D, organiza notas y decide tareas por su cuenta, corre íntegramente en una MacBook con Qwen 3.6 [12:55]. Hace un año eso era impensable por costo y velocidad.

¿Por qué importa que un modelo corra local? Porque elimina latencia y costo por token, lo que permite agentes que toman decisiones cada pocos segundos sin facturas inesperadas.

¿Por dónde empezar a construir agentes en 2026?

Si quieres dar el salto, la recomendación es directa: instala Qwen 3.6, construye algo pequeño que corra de forma continua y olvídate del costo porque no existe [14:10]. Vas a aprender más en un fin de semana experimentando localmente que en un año pagando tokens.

La visión de fondo es clara. Las empresas del futuro tendrán humanos y agentes en el mismo organigrama, ejecutando trabajo en paralelo. Las que adopten esta fuerza laboral digital ganarán ventajas reales de productividad. El resto seguirá haciendo demos.

Un agente vive, trabaja y crece a tu lado. No es una feature que abres con un botón ni un script que disparas cuando lo necesitas. Está ahí mañana, y pasado mañana también. ¿Qué agente vas a poner a vivir en tu organigrama esta semana? Cuéntalo en los comentarios.