Contexto Técnico
No me centro en el debate en sí, sino en una brecha en la arquitectura: el orquestador genera un subagente y este arrastra el modelo del padre sin un conmutador nativo. Para la automatización de IA, eso es una mala noticia, porque incluso una herramienta simple empieza de repente a ejecutarse en un modelo caro donde bastaría con uno de clase mini.
Aquí suelo detener el proyecto y examinar la mecánica. Si una herramienta carece de parámetros de selección de modelo, ninguna instrucción bonita en el prompt se convierte en enrutamiento real. Un agente puede «saber» que debe ahorrar, pero técnicamente no hay nada que elegir.
Por lo que se ve en la discusión, el problema no es la calidad del modelo en sí, sino la ausencia de una capa de gestión de configuración al generar subagentes. Es una diferencia importante. Cuando la selección de modelo solo existe a nivel del padre, el hijo se convierte en una copia cara, no en un ejecutor especializado.
Yo suelo probar estas cosas de manera muy práctica: tomo un mismo escenario donde el orquestador decide si se necesita investigación, resumen o formato, y observo qué llamadas llegan realmente a la API. Si cada paso hijo va al modelo pesado, los tokens se queman no por la complejidad de la tarea, sino porque la integración de IA se hizo sin un enrutamiento adecuado.
Buscar en materiales abiertos, sinceramente, ayuda poco: las revisiones generales de LangChain, AutoGen y CrewAI hablan mucho de flexibilidad, pero apenas dan una respuesta sólida sobre cómo evitar esta herencia en producción real. Así que hay que mirar no el marketing del framework, sino el código de inicialización del agente, el enlace de modelo a nivel de nodo y las fábricas de subagentes.
Qué cambia para el negocio y la automatización
El primer golpe es obvio: el presupuesto. Si el soporte, la investigación y la validación se ejecutan a través de un mismo modelo pesado, el coste del pipeline crece sin beneficio.
El segundo golpe es más silencioso pero más doloroso: se pierde previsibilidad. No se puede calcular correctamente la economía unitaria si los subagentes no saben alternar entre el modo barato y el potente según la tarea.
Ganarán quienes construyan soluciones de IA para empresas con un control explícito de modelos en cada nodo. Perderán los equipos que confían en que el orquestador «de alguna manera lo entenderá» y optimizará el coste sin parámetros.
En Nahornyi AI Lab, precisamente limpiamos estos cuellos de botella: descomponemos la orquestación por roles, establecemos un enrutamiento explícito de modelos y eliminamos los devoradores ocultos de tokens. Si ya tiene una implementación de IA pero las facturas crecen más rápido que los beneficios, revisemos el grafo de llamadas y construyamos una automatización de IA donde el sistema piense donde es necesario, no en cada estornudo.