Esta es una reflexión sobre la experiencia en el Google AI Agents Writing Challenge y la transformación de mi visión sobre los modelos de lenguaje a gran escala hacia sistemas agentivos diseñados para trabajar en flujos de tareas reales. Antes del intensivo pensaba en los LLM como modelos probabilistas que generan el siguiente token más probable en una sola pasada. El curso me enseñó a ver los agentes como orquestadores que combinan modelado, herramientas, memoria y estado para ejecutar trabajo a lo largo del tiempo.

Vine al curso como investigador cuantitativo UX con experiencia en diseño, observando cómo los equipos de experiencia de usuario integran herramientas con inteligencia artificial en sus flujos de trabajo, desde Figma hasta plataformas emergentes. Uno de los artefactos que sigue generando debate es el flujo de tareas. Equipos discuten qué sucede realmente, cuántos caminos existen y qué debe documentarse. Quise crear algo que reduzca ese punto de fricción: tomar descripciones verbales y caóticas y convertirlas en un flujo validado y visible para todos.

Conceptos clave que más me impactaron: herramientas y sesiones con estado como bloques fundamentales de sistemas agentivos. Las herramientas permiten encapsular lógica con contratos claros, pruebas independientes y trazabilidad. Por eso diseñé funciones de herramienta que reciben entradas estructuradas y devuelven salidas verificables, dejando al LLM relativamente delgado y centrado en orquestar llamadas y decisiones. La memoria de sesión hace posible que el agente mantenga contexto entre turnos, formule preguntas de aclaración y actualice el flujo de tareas cuando el usuario responde.

La observabilidad resultó crucial. Logging y trazas convirtieron este proyecto de una prueba interesante en algo que podía depurar seriamente. Cuando nombres de apps o sesiones estaban desalineados esos registros fueron la única forma de localizar fallos. Pensar en flujos multi paso donde el agente decide preguntar, llamar a una herramienta y luego mostrar resultados se asemeja mucho a cómo ocurre la colaboración en UX.

Mi modelo mental evolucionó del LLM que responde prompts a un sistema que coordina LLM, herramientas y estado para alcanzar objetivos. Pasé de optimizar un prompt único a diseñar diálogos por turnos: el agente puede decir necesito X antes de continuar. Cambió también el foco del modelo hacia la arquitectura: primero definir qué herramientas hacen falta, cómo representar un flujo para revisión y cuándo llamar a una herramienta versus preguntar al usuario. Además empecé a pensar en extensibilidad, viendo el proyecto como plataforma inicial para añadir agentes revisores o una interfaz tipo Streamlit sin soluciones parcheadas.

Proyecto desarrollado y aprendizajes: mi proyecto final es un Constructor de Flujos de Tareas UX impulsado por un agente, un sistema que convierte descripciones en lenguaje natural en diagramas Mermaid válidos y exporta archivos mmd y PNG. Construirlo me enseñó varias lecciones prácticas. El diseño defensivo es aliado: cuando el agente envió tipos de salida inesperados a una herramienta, en lugar de fallar implementé validaciones que devuelven diagramas de error informativos. Esa decisión refleja un principio UX: mejor mostrar un error útil que una pantalla en blanco.

La infraestructura del agente importa. Desalineaciones en APP_NAME, sesiones y runners generaron problemas que obligaron a entender a fondo cómo el ADK conecta agentes, apps y sesiones. Es conocimiento reutilizable para proyectos más complejos, y es especialmente valioso cuando se construyen aplicaciones a medida que integran agentes IA y servicios externos.

Implicaciones para empresas y servicios: en Q2BSTUDIO aprovechamos estos aprendizajes para ofrecer soluciones de software a medida y aplicaciones a medida que integran inteligencia artificial de forma segura y escalable. Nuestro enfoque combina experiencia en desarrollo de software con servicios de inteligencia artificial, ciberseguridad y arquitecturas cloud. Si buscas potenciar procesos con agentes IA o incorporar IA para empresas, contamos con experiencia para diseñar arquitecturas donde las herramientas, la memoria y la observabilidad están bien definidas. Conecta con nuestros servicios de inteligencia artificial para explorar cómo los agentes pueden mejorar tus flujos de trabajo.

Además de IA, nuestro equipo en Q2BSTUDIO desarrolla soluciones robustas de software a medida y aplicaciones multiplataforma, y ofrecemos integración con servicios cloud como AWS y Azure, ciberseguridad y análisis de datos con Power BI. Si necesitas una plataforma que genere diagramas, orqueste agentes y se integre en tus pipelines, podemos entregar una solución completa y segura. Conocemos la importancia de la automatización de procesos, la trazabilidad y la tolerancia a fallos en entornos productivos.

Observaciones finales: ver al agente preguntar cuestiones prácticas en diseño UX, por ejemplo permitir reintentos tras un login fallido o decidir ramas alternativas en un flujo, hizo evidente el valor de estos sistemas para coordinación y documentación. Los agentes permiten ir más allá de respuestas puntuales: pueden actuar, refinar y colaborar en múltiples turnos. En Q2BSTUDIO aplicamos este enfoque para crear experiencias que no solo responden sino que trabajan con equipos, mejoran procesos y se integran con servicios de inteligencia de negocio como Power BI y soluciones de ciberseguridad, aportando valor real y medible.

Si te interesa desarrollar una solución a medida que combine agentes IA, seguridad y despliegue en la nube, en Q2BSTUDIO diseñamos y construimos aplicaciones que abarcan desde la concepción del flujo de tareas hasta la implementación, pruebas y mantenimiento. Explora nuestras capacidades en desarrollo de aplicaciones y software a medida en servicios de desarrollo de aplicaciones y descubre cómo podemos ayudarte a llevar agentes IA a producción de forma segura y efectiva.