Sierra: por qué los mejores agentes de IA para clientes funcionan con arquitecturas simples

El cofundador de Sierra Zack Reneau-Wedeen y el CEO de LangChain, Harrison Chase, analizaron en el pódcast Max Agency qué caracteriza a los agentes de IA que realmente funcionan en producción. La conclusión resultó contraintuitiva: los sistemas más eficaces para la atención al cliente no son los más complejos.

La trampa de la complejidad

Al crear agentes de IA, la mayoría de los equipos sigue el camino intuitivo: añaden más capas, más herramientas y más orquestación. En Sierra llegaron a la conclusión opuesta tras trabajar con grandes clientes corporativos.

Según Reneau-Wedeen, los agentes con una arquitectura simple son más estables y predecibles en producción. Cada capa de abstracción adicional supone un posible punto de fallo, complica la depuración y puede provocar comportamientos inesperados en los casos límite. En los sistemas de IA de cara al cliente esto es crítico: un error a mitad de una cadena larga puede arruinar toda la experiencia del usuario.

• Menos componentes: más fácil de depurar y monitorizar
• Los pipelines simples ofrecen una latencia predecible
• Es más fácil cumplir los requisitos de compliance y auditoría
• Se itera más rápido cuando cambia la lógica de negocio
• La curva de entrada es menor para los nuevos ingenieros del equipo

Qué es el «org chart shipping»

Uno de los principales antipatrones es el que Reneau-Wedeen denomina «org chart shipping»: la arquitectura del agente reproduce la estructura organizativa del equipo que lo creó. Si la empresa tiene un departamento de reclamaciones, otro de soporte técnico y otro de ventas, el sistema de IA acaba con tres agentes separados según ese mismo criterio.

El problema es que el cliente no piensa en términos del organigrama interno. Su necesidad real puede abarcar varios departamentos a la vez, y el sistema empieza a dar respuestas fragmentadas o contradictorias.

«El mejor agente es el que resuelve el problema del cliente, no el que refleja la estructura interna de la empresa»,

Zack Reneau-Wedeen.

La alternativa es diseñar el agente en torno a los escenarios del cliente y no según cómo está organizada la empresa por dentro. Esto exige conocer a fondo el customer journey, pero ofrece una experiencia de usuario mucho más coherente.

Pago por resultados

Sierra trabaja con un modelo de outcome-based pricing: los clientes pagan por las tareas resueltas, no por el número de tokens ni de solicitudes a la API. En opinión de Reneau-Wedeen, este modelo cambia de raíz los incentivos de todo el equipo de desarrollo.

Cuando el pago depende del resultado, el equipo se ve obligado a responder de antemano y con honestidad a una pregunta: ¿qué se considera exactamente un éxito? Esto aporta disciplina tanto al enfoque de producto como a la arquitectura técnica. El agente se optimiza para el resultado real del usuario, no para las métricas de uso del sistema.

En la práctica, esto significa que, antes del despliegue en producción, el equipo debe definir con claridad qué es una «solicitud resuelta», en qué condiciones se considera que el agente ha tenido éxito y cómo medirlo. Sin ese trabajo, cualquier arquitectura, simple o compleja, se optimizará en vano.

Qué significa esto

La industria de los agentes de IA está pasando de la experimentación a la madurez. En el segmento corporativo ganan quienes definen con precisión el problema del cliente y eligen la arquitectura mínima suficiente para resolverlo, no quienes acumulan la máxima complejidad técnica. Sierra es uno de los primeros ejemplos ilustrativos de cómo se ve esto en la práctica.