Feb 11, 2026 | 6 minutes
Artículo histórico de Make (la fuente indica el 11 de febrero de 2026). Este texto reproduce un artículo de Make publicado en esa fecha. El «nosotros» y las recomendaciones, herramientas, funciones y capturas son del autor de Make en esa fecha; no son una afirmación de este sitio ni una garantía de que esas apps, funciones o precios sigan igual hoy. Para el estado actual de la plataforma, consulta las fuentes oficiales de Make.
Por qué reconstruimos Make AI Agents dentro del scenario builder, y cómo usarlos correctamente.
Cuando lanzamos los agentes de IA el año pasado, aprendimos algo: los builders no querían otra herramienta de IA que añadir a su stack. Querían una IA que coexistiera junto a su automatización.
Así que llevamos nuestra capacidad de agentes al lienzo que la gente conoce y quiere.
Los nuevos Make AI Agents ya no están aislados. Se construyen, se ejecutan y se depuran dentro del mismo lienzo que tus escenarios. Eliminamos el cambio de contexto en favor de un único modelo de ejecución. El razonamiento de la IA pasa a formar parte de tu sistema, no a ser un añadido.
Esto significa que es más fácil configurar tu agente y las herramientas y el conocimiento que utiliza, y que es más fácil ver lo que hizo un agente. Además, el nuevo panel «Reasoning» te permite ver cómo decidió el agente qué pasos dar. Junto a este enfoque en la visualización, otro desarrollo clave es que ahora podemos compartir agentes de IA preconstruidos y permitir que los usuarios compartan entre sí sus casos de uso valiosos como inspiración. Este fue un comentario clave de nuestros usuarios y un gran paso adelante con esta nueva generación de Agents. Para facilitar aún más las cosas, también lanzamos una Library of Agents. Creemos que construir agentes de IA no debería significar empezar desde cero ni adivinar cómo es «lo bueno». La Library of Agents es una colección creciente de ejemplos de agentes de IA listos para producción, diseñados para resolver problemas de negocio reales. Cada agente muestra cómo estructurar prompts, herramientas, conocimiento y barreras de seguridad de una manera transparente, fiable y fácil de adaptar. La Library existe para ayudar a los equipos que entienden qué quieren automatizar, pero tienen dificultades para diseñar agentes que funcionen de forma consistente en flujos de trabajo reales.
Aquí va por qué importan estos cambios, y cómo sacarles el máximo partido.
La siguiente generación
Un comentario clave de los usuarios era que querían un agente de IA que existiera dentro del lienzo de automatización. Lo tuvimos en cuenta y extendimos los beneficios visuales de los agentes para facilitar todos los procesos centrales, desde la construcción hasta la depuración.
De «herramienta de agente» a «constructor de agentes»
El gran cambio es arquitectónico. Los agentes ya no se gestionan por separado de tu lógica de automatización. Ahora se construyen, se ejecutan y se depuran dentro del mismo lienzo donde construyes los escenarios.
Puedes combinar pasos deterministas con razonamiento agéntico en un solo flujo de trabajo. Un módulo HTTP extrae datos, un router gestiona los casos simples y un agente gestiona los casos matizados que de otro modo requerirían docenas de condiciones.
El razonamiento visual hace observables las decisiones de la IA
¿Una de las mayores quejas sobre la IA en flujos de trabajo de producción? La falta de transparencia. Cuando algo sale mal, te quedas adivinando qué decidió el modelo y por qué.
El panel Reasoning en los nuevos Make AI Agents, construido sobre el lienzo
La nueva arquitectura de agentes expone cada decisión. Cuando un agente se ejecuta, ves qué decidió, por qué lo decidió y qué herramientas usó. Las trazas visuales sustituyen a la búsqueda en los logs y a las suposiciones.
Esto cambia la depuración. En lugar de intentar aplicar ingeniería inversa a lo ocurrido a partir de los resultados, puedes ver el proceso de razonamiento del agente desplegado visualmente. Puedes detectar dónde se desvió la lógica, ajustar tu prompt o tu conjunto de herramientas y volver a ejecutarlo con confianza.
Es la diferencia entre esperar que tu agente funcione y saber por qué funciona.
Determinista frente a agéntico: cuándo usar cada uno
No todo necesita IA. De hecho, muchas cosas no la necesitan.
Usa módulos estándar cuando las reglas son fijas y predecibles, los datos están estructurados y la velocidad es lo más importante. Usa agentes cuando las entradas no están estructuradas (texto, documentos, mensajes), la lógica cambia a menudo o las decisiones de enrutamiento son demasiado complejas para codificarlas manualmente.
Usa ambos juntos. Deja que los pasos deterministas gestionen el flujo de control. Deja que los agentes gestionen el juicio y la selección.
Ejemplo: un escenario de atención al cliente podría usar un webhook para recibir mensajes, un router para gestionar las preguntas habituales con respuestas prefijadas y un agente para analizar los problemas complejos y determinar a qué equipo dirigirlos. El agente no pierde el tiempo con las cosas sencillas. Se centra en aquello en lo que es especialmente bueno.
Así es como se escala. Los flujos de trabajo puramente de agentes pueden introducir variabilidad innecesaria. Los flujos de trabajo puramente deterministas se vuelven inmanejables cuando se multiplican las excepciones. El enfoque híbrido te da control donde lo necesitas y flexibilidad donde importa.
Cinco patrones de agentes desde los que construir
Las construcciones de agentes aleatorias producen resultados aleatorios. Los patrones crean sistemas reutilizables y escalables. Estos son los cinco patrones que hemos visto funcionar en producción:
- Agente conversacional: responde preguntas, recupera conocimiento y formatea respuestas. Ideal para atención al cliente, help desks internos y consultas a bases de conocimiento.
- Agente sintetizador: extrae de múltiples fuentes y produce un resumen estructurado. Bueno para tareas de investigación, análisis competitivo y generación de informes.
- Agente enrutador: analiza la entrada y selecciona dinámicamente el flujo de trabajo correcto. Úsalo cuando tu árbol de lógica condicional se vuelve inmanejable.
- Agente calificador: evalúa las entradas frente a unos criterios y toma una decisión. Funciona bien para lead scoring, filtrado de solicitudes y moderación de contenido.
- Agente orquestador: coordina múltiples herramientas o agentes para completar una tarea mayor. Es tu marco de referencia para procesos de varios pasos que requieren juicio en cada etapa.
Empieza con un patrón. Domínalo. Luego expande. Verás que la mayoría de los casos de uso encajan limpiamente en uno de estos cinco arquetipos. Y si quieres más ayuda, también puedes acceder a nuestra Library of Agents, que te da ejemplos de agentes de IA listos para usar, construidos para flujos de trabajo reales, no para demos.
Compartir, no duplicar: escalar los sistemas de agentes
El modelo antiguo fomentaba la duplicación. Cada equipo construía su propia versión de agentes similares porque compartir era difícil. La nueva arquitectura trata a los agentes como componentes que se pueden compartir.
Transparencia y control de costes
Los costes de la IA pueden dispararse si no sabes qué se ejecuta y cuándo. La nueva arquitectura de agentes hace visible cada llamada.
El historial de ejecución del agente muestra qué se llamó, con qué frecuencia y dónde se incurre en el coste. Puedes ajustar los prompts para reducir el uso de tokens, anclar las decisiones de la IA con lógica determinista para evitar llamadas innecesarias y usar tus propias claves de modelo donde la sensibilidad al coste sea alta.
Deberías saber por lo que estás pagando y por qué.
Soporte de archivos: más allá del texto
Los agentes que solo manejan texto son útiles. Los agentes que pueden leer documentos, procesar imágenes y generar resultados desbloquean nuevos flujos de trabajo.
Los nuevos agentes admiten entradas y salidas de archivos. Puedes construir escenarios que lean facturas, extraigan datos, los validen frente a criterios y generen informes de resumen como PDF o CSV.
Antes, estos flujos de trabajo requerían combinaciones frágiles de herramientas de terceros, módulos de transformación de datos y pasos de validación manuales. Ahora, un agente gestiona todo el pipeline.
Los flujos de trabajo que antes eran manuales o se improvisaban a partir de integraciones frágiles ahora pueden ejecutarse de forma fiable a escala.
Primeros pasos: cómo adoptar y construir agentes de IA sin el riesgo
No intentes reemplazarlo todo de una vez. Empieza con un patrón. Combina pasos de agente y deterministas. Mantén a las personas en el bucle.
Un buen primer proyecto: toma un flujo de trabajo con un árbol de decisiones complejo y sustituye la lógica condicional frágil por un agente calificador. Ejecútalos en paralelo durante una semana. Compara los resultados. Ajusta el agente. Haz el cambio cuando tengas confianza.
Reutiliza antes de reconstruir. Si alguien de tu equipo ya ha construido un agente que hace el 80 % de lo que necesitas, modifica la infraestructura existente en lugar de empezar desde cero.
Y recuerda: los agentes no son magia. Son módulos de decisión potentes que funcionan mejor cuando se combinan con prompts claros, datos bien estructurados y un flujo de control determinista.
Agentes con los que puedes construir
Los nuevos Make AI Agents están aquí para ayudarte a construir sistemas de decisión claros, inspeccionables y reutilizables directamente en el lienzo de tus escenarios. Todo ocurre en un solo lugar. Puedes ver lo que está pasando, entender por qué se toman las decisiones y ajustar las cosas sin saltar entre distintas herramientas o interfaces. Cuando los agentes forman parte de tu lienzo en lugar de estar separados de él, dejan de parecer un caso especial que tienes que sortear y empiezan a sentirse como una parte natural de tu forma de construir. Si ya usas Make, los nuevos agentes de IA están disponibles ahora en tu Scenario Builder. Si eres nuevo por aquí, puedes empezar a construir con ellos hoy mismo.