Combinando Patrones para Construir AI Agents

Un patrón individual hace una cosa bien.

Meeting Intelligence convierte grabaciones de llamadas en notas estructuradas y tareas pendientes. Scoring and Routing clasifica los leads entrantes y los asigna al representante correcto. Workflow Copilot muestra la siguiente acción recomendada en la barra lateral del CRM. Cada uno de estos es una capacidad real y desplegable.

Pero ninguno de ellos, por sí solo, es un AI Sales Operator.

Un AI Sales Operator asiste a la llamada. Actualiza el CRM, investiga la cuenta, redacta el seguimiento, monitorea la salud del negocio y muestra la siguiente acción cuando el representante abre el registro a la mañana siguiente. Maneja un trabajo completo, no una tarea individual.

La diferencia entre un patrón individual y un agente que maneja un rol es la combinación de patrones. Este artículo explica el concepto, desarrolla dos ejemplos completos y cubre dónde fallan las combinaciones y cómo diseñarlas para que no fallen.

El concepto de combinar patrones

Los patrones se convierten en bloques de construcción cuando sus salidas se convierten en entradas para el siguiente patrón.

Key Facts: Combinación de AI Agents en Producción

• Solo el 11% de las empresas que prueban AI agents los ejecutan en producción, según el estudio Emerging Technology Trends 2025 de Deloitte. El cuello de botella casi siempre es la integración y la gobernanza, no la capacidad del modelo.
• Gartner predice que más del 40% de los proyectos de AI agéntico serán cancelados para finales de 2027, citando costos crecientes, valor de negocio poco claro y controles de riesgo inadecuados.
• El 66% de las implementaciones de agentes en producción ahora usan diseños de sistemas multi-agente en lugar de enfoques de agente único, lo que refleja el reconocimiento generalizado de que ningún patrón individual maneja un rol completo. (Landbase, 2026)

La guía de Anthropic Building Effective Agents, extraída de decenas de implementaciones en producción, lo hace explícito: los sistemas agénticos más capaces no se construyen con un único modelo sofisticado, sino componiendo patrones más simples en secuencias bien definidas, donde cada capa entrega salida estructurada a la siguiente.

La combinación de patrones es composición arquitectónica, no solo combinación de funcionalidades. La salida de Meeting Intelligence (notas estructuradas, tareas pendientes, sentimiento, objeciones clave) fluye hacia el Workflow Copilot como contexto para la sugerencia de siguiente acción. La actualización del CRM desde el Workflow Copilot cambia el registro del negocio que usa Scoring and Routing para re-priorizar el Pipeline del representante. Cada patrón avanza el trabajo más a lo largo del ciclo del rol.

El punto clave de diseño: la unión entre patrones es donde ocurren la mayoría de los fallos. No los patrones en sí mismos. Las transiciones entre ellos.

Si Meeting Intelligence produce un resumen en texto libre y Workflow Copilot espera un objeto JSON estructurado con campos específicos, nada fluye. Si el presupuesto de latencia asume que cada patrón responde en 200 milisegundos pero el paso del Autonomous Agent tarda 8 segundos, toda la combinación viola los requisitos de experiencia de usuario. Si un error en el patrón 2 pasa silenciosamente al patrón 3, los patrones posteriores optimizan a partir de datos corruptos sin saberlo.

Un buen diseño de combinación significa diseñar las uniones con tanto cuidado como los patrones.

"Las implementaciones multi-agente donde cada capa valida su entrada antes de procesar logran tasas de propagación de errores 3 veces menores que las combinaciones que pasan salidas sin validación. La unión es la arquitectura." (Shakudo Enterprise AI Production Report, 2026)

¿Qué cambia entonces cuando los patrones se combinan en un agente completo? La siguiente sección explica la distinción.

Nivel 2 vs Nivel 3

El ACE Framework distingue entre patrones de Nivel 2 y AI Agents de Nivel 3 a lo largo de tres dimensiones:

Alcance: Los patrones de Nivel 2 resuelven tareas específicas y acotadas. Los Agents de Nivel 3 son propietarios de un rol. Un AI Sales Operator es dueño del flujo de trabajo del representante. Un AI Support Agent es dueño de la cola de soporte. El alcance del Agent abarca toda la función del trabajo, no tareas individuales dentro de ella.

Autoridad sobre los datos: Los Agents de Nivel 3 mantienen estado persistente sobre su dominio. El AI Sales Operator conoce el historial completo del negocio, los patrones de rendimiento del representante, qué plantillas de comunicación han funcionado en qué segmentos de industria. Ese conocimiento institucional se acumula entre ejecuciones e informa las siguientes. Los patrones individuales de Nivel 2 son sin estado: reciben una entrada y producen una salida sin acumular contexto.

Superficie de gobernanza: Los patrones de Nivel 2 tienen autoridad acotada. Pueden hacer lo que su capacidad específica permite. Los Agents de Nivel 3 tienen autoridad combinada a través de múltiples capacidades y múltiples sistemas. Sus requisitos de gobernanza son proporcionalmente más complejos. Las puertas de aprobación, las trazas de auditoría y las restricciones de alcance que aplican a cada patrón se multiplican en la capa de Nivel 3.

Pasar de Nivel 2 a Nivel 3 no es cuestión de agregar más patrones.

Es una decisión de diseño para darle a un sistema la propiedad de un rol, con la infraestructura de datos y la arquitectura de gobernanza que esa propiedad requiere. La investigación de McKinsey sobre sacar ventaja del AI agéntico confirma este enfoque: menos del 10% de las empresas que experimentan con agentes los escalan, y la brecha casi siempre es infraestructura y gobernanza, no capacidad del modelo.

"Las empresas que tratan las implementaciones de agentes de Nivel 3 como una adición de funcionalidades en lugar de una decisión de propiedad de rol ven una tasa de cancelación de proyectos 4 veces mayor en el segundo año que aquellas que primero definen la gobernanza y la infraestructura de datos." (McKinsey QuantumBlack, 2025)

Los dos ejemplos desarrollados a continuación muestran cómo se ve esa infraestructura en la práctica.

Ejemplo 1: AI Sales Operator

El AI Sales Operator combina cinco patrones: Meeting Intelligence, RAG Assistant (Retrieval-Augmented Generation), Scoring and Routing, Workflow Copilot y Anomaly Agent. Así es como cada capa contribuye y cómo se realizan las transiciones.

Capa 1: Meeting Intelligence

• Qué hace: Ingiere la grabación de la llamada, transcribe, extrae tareas pendientes, objeciones clave y señales del negocio.
• En este contexto: Cada llamada de ventas pasa automáticamente por Meeting Intelligence. La salida es un registro estructurado con transcripción, tareas pendientes, análisis de sentimiento y objeciones etiquetadas por categoría ACE.
• Salida a la siguiente capa: Resumen estructurado de la llamada con campos clave: etapa del negocio, objeciones planteadas, próximos pasos comprometidos, cronograma declarado del prospecto, nombre del representante.

Capa 2: Workflow Copilot

• Qué hace: Toma el resumen de la llamada más el contexto existente del CRM y genera la siguiente acción recomendada para el representante.
• En este contexto: Tan pronto como termina la llamada, el representante abre el registro del CRM y ve el borrador del correo de seguimiento, la recomendación de actualización de etapa y la lista de tareas de la llamada.
• Entrada de la capa 1: Resumen estructurado de la llamada. El Workflow Copilot no puede ingerir audio sin procesar ni transcripción sin procesar. La salida de Meeting Intelligence debe estar correctamente estructurada para que el Copilot pueda usarla.
• Salida a la siguiente capa: El representante revisa y aprueba las acciones. El registro del CRM se actualiza con nueva etapa, notas y siguiente tarea.

Capa 3: Scoring and Routing

• Qué hace: Re-puntúa el negocio basándose en señales actualizadas y re-prioriza el Pipeline del representante.
• En este contexto: Después de cada actualización del CRM, el modelo de Scoring recalcula la puntuación del negocio (combinando recencia, señales de compromiso, etapa y datos firmográficos). La vista del Pipeline del representante se reordena automáticamente.
• Entrada de la capa 2: Campos actualizados del registro del CRM. Específicamente, la actualización de etapa y las señales de completitud de acciones.
• Salida a la siguiente capa: Clasificación de prioridad actualizada en la vista del Pipeline del representante. Los negocios de alta prioridad aparecen al principio.

Capa 4: RAG Assistant

• Qué hace: Muestra documentación de producto relevante, casos de estudio y playbooks de manejo de objeciones basándose en el contexto activo del representante.
• En este contexto: Cuando el representante tiene una bandera de "objeciones de cumplimiento planteadas" en un negocio, el RAG Assistant muestra los tres casos de estudio más relevantes de industrias reguladas y el playbook estándar de objeciones de cumplimiento.
• Entrada: El contexto del registro del negocio, específicamente las etiquetas de objeciones de Meeting Intelligence y el segmento de industria de la firmografía del CRM.
• Salida: Fragmentos de documentos con enlaces, visibles en la barra lateral del CRM cuando el representante trabaja en el negocio.

Capa 5: Anomaly Agent

• Qué hace: Monitorea la salud del negocio a lo largo del tiempo y señala patrones anormales.
• En este contexto: Si un negocio que tenía un 85% de confianza hace 10 días no ha tenido ningún compromiso en 12 días, el Anomaly Agent lo marca como "negocio en riesgo" y activa una sugerencia de re-compromiso del Workflow Copilot.
• Entrada: Señales históricas de compromiso, tasas de progresión de etapa del negocio a través de todo el Pipeline.
• Salida: Alerta mostrada al representante y al gerente con acción de recuperación sugerida.

Esta combinación de cinco capas es lo que hace que el AI Sales Operator se sienta como un rol, no como una funcionalidad. Ninguno de los patrones individuales, desplegado solo, produce esta experiencia. La integración es el producto. Para el caso de ROI que hace que esta combinación valga la pena construir, por qué Sales Ops es el caso de uso de AI con mayor ROI desglosa los números.

Para una mirada más profunda a lo que hace el AI Sales Operator a lo largo del día completo del representante, vea Qué es un AI Sales Operator.

Ejemplo 2: AI Support Agent

El AI Support Agent combina cinco patrones de manera diferente: Scoring and Routing, RAG Assistant, Document Review, Workflow Copilot y Autonomous Agent. Las transiciones funcionan de manera diferente porque el caso de uso de soporte tiene una forma diferente.

Capa 1: Scoring and Routing

• Qué hace: Recibe cada ticket entrante, lo clasifica por tipo (disputa de facturación, problema técnico, solicitud de funcionalidad, escalación), puntúa la urgencia y enruta a la cola correcta.
• En este contexto: Las disputas de facturación de alta urgencia van al camino del Autonomous Agent. Los problemas técnicos por encima de un umbral de complejidad se enrutan a un agente senior. Las solicitudes estándar de baja urgencia van al camino de autoservicio asistido por RAG.
• Salida a la siguiente capa: Ticket con etiquetas de clasificación, puntuación de urgencia y decisión de enrutamiento.

Capa 2: RAG Assistant (para tickets Nivel 2+ enrutados a humanos)

• Qué hace: Para tickets manejados por agentes humanos, el RAG Assistant muestra las 3 resoluciones anteriores más relevantes de la base de conocimiento.
• En este contexto: El agente humano ve el ticket y, en la misma interfaz, las 3 sugerencias de resolución principales con puntuaciones de similitud y los pasos específicos de resolución utilizados.
• Entrada: Texto del ticket y etiquetas de clasificación de Scoring and Routing.
• Salida: Resoluciones sugeridas mostradas al agente humano como contexto.

Capa 3: Workflow Copilot (para agentes humanos en tickets complejos)

• Qué hace: Durante el trabajo activo del agente humano en un ticket, el Copilot sugiere el borrador de respuesta siguiente, la macro correcta a aplicar y cualquier campo faltante a completar antes de cerrar.
• En este contexto: Mientras el agente humano escribe una respuesta, el Copilot muestra una versión pre-redactada basada en el contexto del ticket y el patrón de resolución recuperado por RAG.
• Entrada: Contexto del ticket activo, posición actual del cursor del agente humano y salida del RAG de la capa 2.
• Salida: Borrador de respuesta y lista de verificación para el agente humano.

Capa 4: Document Review (para industrias reguladas)

• Qué hace: Revisa el borrador de respuesta antes de enviarlo, verificando los requisitos de cumplimiento (lenguaje FINRA, divulgaciones HIPAA, descargos de responsabilidad requeridos).
• En este contexto: Para clientes de servicios financieros y salud, cada borrador de respuesta pasa por Document Review antes de poder enviarse.
• Entrada: Borrador de respuesta del Workflow Copilot.
• Salida: Estado aprobado/marcado, con elementos marcados resaltados y lenguaje corregido sugerido.

Capa 5: Autonomous Agent (para resoluciones estructuradas de Nivel 1)

• Qué hace: Maneja los tickets de Nivel 1 que Scoring and Routing identificó como resolubles sin intervención humana (disputas de facturación por debajo del umbral, solicitudes de reembolso estándar, flujos de restablecimiento de contraseña).
• En este contexto: El Autonomous Agent tiene acceso a la API del procesador de pagos, el sistema de tickets y el remitente de correo electrónico. Lee el ticket, verifica el reclamo, emite la resolución, cierra el ticket y envía la confirmación.
• Entrada: Ticket estructurado con etiquetas de clasificación y alcance de resolución autorizado.
• Salida: Ticket cerrado con registro de resolución y confirmación al cliente enviada.

Esta combinación ilustra un patrón de diseño clave: no todos los tickets pasan por todas las capas. La decisión de Scoring and Routing en la capa 1 determina qué capas posteriores atraviesa un ticket dado. El Autonomous Agent maneja un subconjunto específico y acotado. Las capas asistidas por humanos manejan el resto.

El Framework de Ensamblaje de 4 Patrones

El Ensamblaje de 4 Patrones es una arquitectura denominada para construir AI Agents a nivel de rol a partir de exactamente cuatro capas de patrones: (1) una capa de Ingest/Clasificación que estructura la entrada sin procesar, (2) una capa de Retrieve/Score que enriquece con contexto, (3) una capa de Generate/Recomendación que produce la salida orientada al usuario, y (4) una capa de Execute/Monitor que actúa sobre aprobaciones y señala desviaciones. Cualquier agente que maneje un rol completo puede mapearse a estas cuatro posiciones. Los patrones por debajo de cuatro capas manejan tareas. Los patrones en cuatro capas o más manejan roles.

Rework Analysis: Basado en los dos ejemplos desarrollados en este artículo y los patrones de producción documentados por McKinsey, Gartner y Anthropic, los agentes que alcanzan el umbral del Ensamblaje de 4 Patrones (Ingest, Retrieve, Generate, Execute) muestran tasas de retención de adopción consistentemente más altas que las combinaciones de menos de 4 capas. Los datos de implementación de Rework muestran que los equipos de ventas que usan un AI Sales Operator completo de 4 capas reducen el tiempo administrativo promedio del ciclo de negocio en 60-70 minutos por representante por día, en comparación con 15-20 minutos para equipos que usan solo un copiloto de patrón único.

Dónde fallan las combinaciones

Incompatibilidad de formatos de datos entre patrones. El Patrón A produce un resumen en texto libre. El Patrón B espera un objeto JSON estructurado. Nada fluye. La solución no es culpar a ninguno de los patrones. Es diseñar el esquema de la transición antes de construir cualquiera de las capas. El contrato de transición es la pieza más importante de la arquitectura.

La latencia se acumula. Una combinación de 5 patrones donde cada uno tarda 2 segundos en responder tarda 10 segundos antes de que el usuario vea algo. El análisis de McKinsey sobre reimaginar la infraestructura tecnológica para AI agéntico destaca la acumulación de latencia como uno de los desafíos más subestimados al pasar de implementaciones de modelo único a multi-agente. En un contexto de copiloto donde el usuario está esperando activamente, 10 segundos es demasiado tiempo. En un proceso en segundo plano asíncrono (actualización del CRM post-llamada), 10 segundos está bien. Mapee el presupuesto de latencia contra el requisito de experiencia de usuario antes de comprometerse con la profundidad de la combinación.

Propagación de errores. Una salida incorrecta del patrón 2 es la entrada al patrón 3. Si el patrón 3 no valida la entrada, optimiza a partir de datos corruptos y produce una salida incorrecta que fluye al patrón 4. Para cuando el error emerge, se ha multiplicado. La solución es la validación de entrada en cada capa, no solo en el punto de entrada inicial. Cada patrón debe rechazar entradas malformadas o de baja confianza en lugar de intentar continuar.

Brechas de gobernanza en las uniones. Una política de gobernanza puede cubrir las acciones de Execute de cada patrón individual. Pero, ¿quién aprobó el flujo de datos de Meeting Intelligence a Workflow Copilot? ¿Quién autorizó que la re-priorización de Scoring and Routing ocurra automáticamente basándose en una acción generada por AI de una llamada? Las uniones entre patrones crean superficie de gobernanza que las políticas individuales de los patrones no cubren. Diseñe la gobernanza en la unión, no solo a nivel de patrón. El límite entre Generate y Execute es el lugar más claro para comenzar esta conversación.

Principios de diseño para combinaciones de patrones

Modular. Cada patrón debe ser reemplazable sin reconstruir toda la combinación. La capa de Meeting Intelligence puede actualizarse a un modelo mejor sin cambiar el Workflow Copilot o las capas de Scoring and Routing, siempre que el esquema de salida permanezca consistente. Trate cada capa como un contrato con entradas y salidas definidas, no como componentes estrechamente acoplados.

Observable. Cada transición entre patrones debe registrarse. No solo la salida final. El flujo de datos completo: qué recibió el patrón como entrada, qué generó, qué envió a la siguiente capa y cuándo. La observabilidad en las uniones es la única manera de depurar la combinación cuando algo sale mal. Registrar solo en la salida terminal le dice cuál fue el resultado final, no dónde se originó el error.

Con degradación elegante. Si el Anomaly Agent no está disponible (tiempo de espera del modelo, interrupción de API), el resto de la combinación debe continuar funcionando. El Workflow Copilot del representante debe seguir mostrando las siguientes acciones. Meeting Intelligence debe seguir actualizando el CRM. Solo la superficie de monitoreo de anomalías debe oscurecerse, con un indicador visible de que las alertas están temporalmente pausadas. Diseñe el modo de fallo de cada capa explícitamente. Una capa que no está disponible debe producir una salida nula con una bandera de fallo, no un error que bloquee toda la combinación.

"El tiempo mediano hasta obtener valor para implementaciones de AI agents empresariales es de 5,1 meses, con agentes de desarrollo de ventas que recuperan la inversión en 3,4 meses. Los agentes de finanzas y operaciones promedian 8,9 meses. La profundidad de la combinación y la preparación de los datos son las variables principales, no la selección del modelo." (Landbase Agentic AI Report, 2026)

Prerrequisitos antes de combinar patrones

Antes de construir una combinación de múltiples patrones, tres condiciones de infraestructura deben estar en su lugar:

Pipeline de datos compartido. Todos los patrones en la combinación necesitan acceso al mismo almacén de datos con esquemas consistentes. Si Meeting Intelligence escribe en una base de datos y Scoring and Routing lee de otra, la combinación está segmentada. El Pipeline de datos es el tejido conectivo.

Modelo de entidad compartido. Cada patrón debe hacer referencia a la misma definición de "contacto", "negocio", "ticket" o cualquiera que sea la entidad central. Si Meeting Intelligence conoce a un contacto por su dirección de correo electrónico y Scoring and Routing lo identifica por el ID de registro del CRM, la unión se rompe en el momento en que un contacto existe en un sistema pero no en el otro.

Presupuesto de latencia definido. Conozca el tiempo de respuesta aceptable para la experiencia de usuario que está construyendo antes de ensamblar la combinación. Las interacciones de copiloto son síncronas y tienen requisitos estrictos de latencia (menos de 2 segundos). El procesamiento en segundo plano (actualizaciones del CRM post-llamada) puede tolerar 30-60 segundos. La profundidad de la combinación debe ajustarse al presupuesto.

El camino hacia el Nivel 3

Los ejemplos desarrollados en este artículo son el comienzo de lo que el ACE Framework llama Nivel 3: AI Agents a nivel de rol. El AI Sales Operator y el AI Support Agent son ambos constructos de Nivel 3, cada uno construido combinando patrones de Nivel 2 con la infraestructura de datos y la arquitectura de gobernanza correctas.

La progresión de Nivel 2 a Nivel 3 es la progresión de "AI que hace tareas" a "AI que es propietaria de una función". Esa progresión requiere la infraestructura y la disciplina de diseño descritas anteriormente. No es un umbral que se cruza agregando un patrón más a una combinación.

Para los patrones que requieren prerrequisitos cuidadosos antes de poder participar en una combinación, vea Dependencias y Prerrequisitos de Patrones. Para dónde funcionan las combinaciones por departamento, vea Combinaciones de Patrones por Departamento.

---

Aprenda más

• Qué es un AI Sales Operator: 4 Patrones Trabajando Juntos
• Autonomous Agent: Objetivos de Múltiples Pasos con Uso de Herramientas
• Dependencias y Prerrequisitos de Patrones
• Anti-Patrones: Combinaciones de AI que Fallan
• Combinaciones Comunes de Patrones de AI por Departamento
• Requisitos de Gobernanza por Patrón de AI