El 20 de octubre de 2026, Keith Richman compartió en X un clip de Josh Elman. Lo puso en contraste con las afirmaciones llamativas que la gente hace sobre los agentes personales de IA: «It booked my hotel room!» «It cancelled my subscription!» La propuesta de Elman es más sobria y, a nuestro juicio, más útil. Richman la resumió en una frase: «do the busywork, then leave the decision to us.»
Esa frase funciona como regla de diseño para los flujos de trabajo con agentes. Si estás configurando agentes en un equipo de marketing u operaciones, te dice dónde se detiene el agente y dónde entra una persona con nombre y apellidos. Esta nota trata de cómo trazar esa línea en la práctica.
Trabajo pesado y decisiones
El trabajo rutinario es recopilar material, redactar borradores, comprobar el resultado contra una lista fija, reformatear y llevar las cosas al lugar correcto. Un agente que lee cinco fuentes y escribe un resumen hace trabajo rutinario. También uno que vuelca datos en una plantilla de informe o que comprueba un borrador contra una guía de estilo.
Una decisión es cualquier cosa que se publica, se envía, gasta dinero o valora la calidad o la verdad. En cuanto un resultado sale de la empresa, llega a un cliente, mueve presupuesto o declara que algo es correcto, una persona debería hacerse cargo.
Como regla general: los agentes preparan y las personas deciden. Si un paso produce opciones, evidencias o un borrador, un agente puede encargarse. Si un paso concluye algo, lo asume una persona.
Por qué el juicio se queda fuera del agente
La primera regla esconde una segunda: nunca dejes que un agente evalúe su propio trabajo, y ten cuidado incluso con dejar que la IA juzgue trabajo en general.
Dos ejemplos muestran el riesgo. El 21 de octubre de 2026, Jenny Lorraine Nielsen publicó en X que el detector de IA Pangram puntuó artículos que ella escribió en 2016 y antes como 100 % generados por IA. Su conclusión: «Do not trust AI to evaluate whether something is written by AI.» Es el informe de una sola persona, no un estudio controlado. Pero la investigación apunta en la misma dirección: Liang y colegas demostraron en 2023 (arXiv 2304.02819) que varios detectores GPT de uso extendido clasificaban de forma sistemática textos de escritores no nativos de inglés como generados por IA, mientras identificaban correctamente las muestras de hablantes nativos.
Vimos una versión más pequeña de esto en nuestro propio trabajo. Ejecutamos tres skills de marketing de código abierto contra nuestra propia web y documentamos la prueba en una nota aparte. Las skills encontraron un problema real con nuestra oferta. Pero cada conjetura de «esto puede estar roto», primero una ruta de imagen y luego una página de contacto, resultó ser falsa cuando una sencilla petición fetch la comprobó. Los agentes levantaron las señales de alerta y la persona que revisaba decidió qué era cierto. Necesitábamos los dos pasos.
En los tres casos el punto débil era el juicio. Así que deja el veredicto en manos de una persona, o al menos en un comprobador separado del agente que hizo el trabajo.
Maker, escéptico, persona
El 22 de octubre de 2026, @shmidtqq describió en X una configuración de investigación que separa estos roles. Cinco agentes investigan una pregunta desde cinco ángulos en paralelo. Un sexto agente, de solo lectura, hace de escéptico y comprueba cada hallazgo: ¿es correcto?, ¿está actualizado?, ¿existe la fuente? Un agente escritor ordena lo que sobrevive. La persona es el último paso. En palabras del autor: «nothing ships without your yes.»
El escéptico de esa configuración no decide qué se publica. Contrasta los hallazgos con criterios verificables y transmite los que aguantan. La decisión final necesita contexto y a alguien que responda por ella, así que se queda en la persona.
Nuestra nota «What is agentic marketing?» describe el modelo de control completo que incorporamos a los flujos de trabajo, así que no lo repetiremos aquí. Esta nota defiende algo más estrecho: el rol de comprobación tiene que estar separado del rol de ejecución, y el rol de decisión se queda en una persona.
El inventario de decisiones
Antes de automatizar nada, recorre un flujo de trabajo de principio a fin y marca cada paso como trabajo rutinario o decisión. Un flujo de investigación de contenidos podría ser así:
- Reunir fuentes sobre un tema. Trabajo pesado.
- Resumir cada fuente. Trabajo pesado.
- Verificar cada afirmación: ¿existe la fuente, dice lo que dice el resumen, está actualizada? Trabajo pesado, hecho por un agente o herramienta comprobadora separada, nunca por el agente que escribió los resúmenes.
- Ordenar los hallazgos por relevancia para tu audiencia. Caso límite. Un agente puede proponer la clasificación y una persona la confirma, porque la relevancia depende de un contexto que el agente no tiene.
- Aprobar el brief para producción. Decisión, con un responsable con nombre.
- Publicar o enviar. Decisión, con un responsable con nombre, tras un punto de aprobación.
De este ejercicio salen tres reglas.
Cada paso de decisión recibe un responsable con nombre. Escribe el nombre de una persona, porque un paso que «es del equipo» suele acabar siendo decisión del agente.
El maker y el comprobador son distintos. El agente que produjo el trabajo no lo evalúa. Usa un segundo agente, una herramienta diferente o una comprobación determinista, como el fetch de nuestra prueba de la web.
Quien aprueba recibe las evidencias junto con el veredicto. Cuando algo llega a una persona para su aprobación, debería ver las fuentes, el resultado del fetch y la entrada del registro; una marca de verificación verde por sí sola no basta. Si quien aprueba solo puede hacer clic en «sí», el punto de control se queda en un simple trámite.
Por dónde empezar
Elige un flujo de trabajo que ya estés ejecutando y hazle el inventario de decisiones esta semana. Deja los pasos de trabajo rutinario a los agentes con un comprobador separado, pon un nombre en cada decisión y dale a esa persona las evidencias para decidir rápido. Esa frase sirve como test para cada paso: ¿este paso hace el trabajo, o toma la decisión?