RAG basado en agentes: cómo automatizar flujos de trabajo complejos

Respuesta rápida:

El RAG clásico recupera información una sola vez y responde con ella: funciona bien para preguntas directas sobre documentos. El RAG basado en agentes, o agentic RAG, convierte el modelo en un agente que planifica la tarea en pasos, decide en cada paso qué fuente consultar, sean documentos, bases de datos o APIs, verifica si la información obtenida es suficiente y fiable antes de continuar, y ejecuta acciones sobre otros sistemas mediante herramientas.

Eso permite automatizar flujos de trabajo completos, como tramitar una reclamación o preparar una propuesta, que antes exigían que una persona consultara varios sistemas y tomara decisiones intermedias.

La autonomía tiene que ir acompañada de control: límites en el número de pasos, permisos por herramienta, aprobación humana en las acciones sensibles y registro de cada decisión.

Un RAG clásico contesta con lo primero que encuentra. Un agente comprueba si lo que ha encontrado basta antes de contestar o de actuar.

Pensemos en una pregunta habitual en una aseguradora o en un fabricante: «¿podemos aceptar esta reclamación de garantía?». Responderla exige consultar las condiciones del contrato, que están en documentos; la fecha de compra y el modelo, que están en el ERP; el historial de incidencias del cliente, que está en el CRM; y, si procede, abrir un expediente en el sistema de gestión. Un RAG clásico puede resumir las condiciones de garantía, pero no puede cruzarlas con los datos del cliente ni actuar en consecuencia.

Hoy, ese trabajo lo hace una persona saltando entre cinco pantallas. Es exactamente el tipo de flujo que el RAG basado en agentes puede automatizar.

El salto no está en que el modelo sepa más. Está en que pueda decidir qué le falta y cómo conseguirlo.

Del RAG pasivo al RAG basado en agentes

Un sistema RAG clásico sigue siempre el mismo camino: convierte la pregunta en una búsqueda, recupera los fragmentos más parecidos y genera una respuesta con ellos. Explicamos su arquitectura al hablar de chatbots con datos empresariales. Ese camino fijo tiene cuatro límites:

• Una sola recuperación: si la primera búsqueda no trae lo necesario, la respuesta se construye igualmente con lo que haya.
• Una sola fuente: no sabe combinar un documento con una consulta a una base de datos o a una API.
• Sin verificación: no comprueba si la información recuperada responde de verdad a la pregunta o si es contradictoria.
• Sin acción: puede explicar qué habría que hacer, pero no hacerlo.

El RAG basado en agentes rompe esos límites sustituyendo el camino fijo por un ciclo de decisión.

Cómo funciona un sistema de RAG basado en agentes

Planificación: dividir la tarea en pasos

Ante una tarea compleja, el agente primero la descompone: qué necesita saber, en qué orden y qué debe hacer con ello. En el ejemplo de la garantía, el plan sería obtener las condiciones del contrato, confirmar la fecha de compra, revisar el historial y decidir.

Recuperación: elegir la fuente adecuada en cada paso

Para cada paso, el agente decide dónde buscar: el índice de documentos para las condiciones, una consulta SQL al ERP para la fecha de compra, una llamada a la API del CRM para el historial. Esa capacidad de enrutar entre fuentes es lo que le permite combinar información que ningún índice contiene por sí solo.

Verificación: comprobar si la evidencia basta

Antes de avanzar, el agente evalúa lo que ha obtenido: si responde a lo que necesitaba, si es coherente con lo anterior y si procede de una fuente fiable. Si no basta, reformula la búsqueda o prueba otra fuente. Enfoques publicados como Self-RAG o Corrective RAG formalizan esta autocrítica, y es la diferencia práctica entre un sistema que improvisa y uno que se corrige.

Acción: ejecutar llamadas a herramientas y APIs

Cuando tiene lo necesario, el agente actúa mediante herramientas: funciones con una descripción y unos parámetros definidos que le permiten, por ejemplo, abrir un expediente, registrar una decisión o enviar una notificación. Estándares abiertos como el Model Context Protocol (MCP) simplifican conectar esas herramientas de forma homogénea.

El ciclo termina con una respuesta que incluye sus fuentes y la traza de cada paso, de forma que cualquier persona pueda revisar cómo se llegó a ella.

Casos de uso donde el RAG basado en agentes aporta valor

• Tramitación de reclamaciones y siniestros: cruzar condiciones contractuales, datos del cliente e historial para proponer una resolución.
• Atención técnica de segundo nivel: diagnosticar una incidencia consultando documentación, registros y el estado de los sistemas, y abrir o actualizar el ticket.
• Preparación de propuestas y licitaciones: reunir requisitos, casos anteriores, precios y disponibilidad para redactar un primer borrador.
• Informes regulatorios y de cumplimiento: recopilar datos de varias fuentes, comprobar su coherencia y señalar lo que falta.
• Análisis de proveedores: combinar documentación contractual, datos de compras y fuentes externas para evaluar un riesgo.

El patrón común es un proceso que hoy exige consultar varios sistemas, aplicar criterios conocidos y tomar decisiones intermedias.

Riesgos y controles: cómo mantener un agente bajo control

Un agente que puede actuar sobre sistemas reales necesita controles diseñados desde el principio:

• Ciclos acotados: un número máximo de pasos, de tiempo y de coste por tarea, para evitar bucles que consuman recursos sin avanzar.
• Permisos mínimos por herramienta: separar las herramientas de lectura de las de escritura, y dar a cada agente solo las que su tarea necesita, con los permisos del usuario al que sirve.
• Aprobación humana en las acciones sensibles: las acciones irreversibles o de impacto económico se proponen, pero las confirma una persona.
• Contenido recuperado como dato, nunca como instrucción: un documento o una página pueden contener texto que intente dar órdenes al agente; el sistema debe tratar lo recuperado como información, sin permitir que amplíe sus permisos ni cambie su tarea.
• Trazabilidad completa: registrar cada paso, cada consulta y cada llamada, para auditar decisiones y depurar errores.
• Evaluación de la tarea completa: medir si el agente resuelve bien el flujo, no solo si cada respuesta suena bien.

Muchos de estos controles son una extensión de lo que ya exige cualquier despliegue de RAG, como vimos al tratar la seguridad y soberanía en arquitecturas RAG.

Cómo empezar: de un flujo acotado a la automatización completa

• Elige un proceso con un criterio de éxito claro, frecuente y costoso, en el que hoy una persona consulte varios sistemas.
• Empieza en modo propuesta: el agente investiga y recomienda, y una persona ejecuta. Así se mide su calidad sin riesgo.
• Añade las acciones una a una, empezando por las reversibles, con aprobación humana en las demás.
• Asegura las fuentes antes que el agente: un agente que decide con datos desactualizados se equivoca con más confianza. Sus fuentes deben gestionarse como un Data Product.
• Mide y amplía: tasa de tareas resueltas, tiempo ahorrado, intervenciones humanas necesarias y errores detectados.

Cómo puede ayudar Galde a automatizar flujos complejos con agentes

Desde la IA generativa, diseñamos el ciclo del agente, las herramientas y sus permisos, la verificación de fuentes y la evaluación de tareas completas, desde un primer flujo en modo propuesta hasta la automatización con control.

Desde gobernanza de datos, definimos qué puede consultar y qué puede hacer cada agente, cómo se registran sus decisiones y cómo encaja en la gobernanza de la IA generativa de tu organización.

Y desde data platforms, exponemos las fuentes y los sistemas que el agente necesita a través de interfaces estables, seguras y monitorizadas.

Conclusión

El RAG basado en agentes cambia la pregunta de qué sabe la IA a qué puede resolver. Planificar, elegir la fuente adecuada, verificar la evidencia y actuar sobre los sistemas permite automatizar flujos que antes dependían de una persona saltando entre pantallas. El valor está en esa autonomía, y su viabilidad, en los controles que la acompañan: permisos mínimos, aprobación humana donde importa, trazabilidad completa y fuentes de datos fiables.