Cómo detuve a mi IA de reservar 60 estudiantes en un salón con 25 asientos: en un curso intensivo sobre agentes IA organizado por Google y Kaggle me propuse resolver un problema real y difícil, el timetabling universitario, y lo que empezó como un experimento académico terminó en una lección práctica sobre arquitectura, control de flujo y herramientas de validación.
Intento 1, el agente monolítico: mi primer enfoque fue sencillo pero ingenuo, volcar todos los datos en JSON sobre cursos, aulas y preferencias de profesores dentro del prompt de un único agente y pedirle que lo resolviera todo. El resultado fue un desastre: la IA inventó franjas horarias que no existían, llegó a reservar CS_101 con 60 alumnos en Lab_201 que solo tiene 25 plazas y afirmó conflictos cuando el calendario estaba vacío. Quedó claro que los grandes modelos son motores de razonamiento, no varitas mágicas, y que no se les puede lanzar un rompecabezas lógico masivo en una sola pasada esperando un resultado perfecto.
La corrección: bucles secuenciales y control de flujo. Dejé de pensar como prompt engineer y empecé a pensar como software engineer. Rearquitecté la solución con el Google Agent Development Kit implementando un patrón Loop Agent. En lugar de mandar programar 50 asignaturas a la vez, monté una tubería secuencial que procesa el problema paso a paso: un Bidding Agent entrevista a cada departamento para construir una wishlist, un Processing Loop saca una solicitud de curso de la pila, la etapa de Validación intenta reservar usando herramientas Python estrictas y, si falla por conflicto, entra una fase de Negociación que busca alternativas solo para ese curso, y se repite. Forzando al agente a concentrarse en una restricción a la vez, las alucinaciones desaparecieron y la IA empezó a razonar. Cuando no pudo reservar CS_101 informó correctamente que no existe ninguna sala con 60 plazas y equipamiento de ordenadores en vez de inventar una reserva inválida.
Lo que realmente aprendí: primero, las herramientas actúan como guardarraíles, por ejemplo funciones Python como book_room que consultan la base de datos y lanzan errores ante intentos ilegales como doble reservas obligaron al modelo a mantenerse en la realidad. Segundo, la gestión del estado es difícil, pasar la lista de cursos sin asignar entre agentes dentro del bucle fue el mayor reto de ingeniería. Tercero, arquitectura mejor que inteligencia; un equipo de agentes especializados y sencillos, incluso con modelos más ligeros como Gemini 2.5 Flash Lite, supera a un único agente monolítico complejo.
Resultado final: Agora, el proyecto, no es perfecto pero funciona: toma requisitos en bruto y negocia de forma autónoma un horario válido aplicando técnicas de IA, validación por código y gestión de señales entre agentes. Si quieres ver el experimento práctico y el cuaderno usado en Kaggle puedes consultar el cuaderno en Kaggle.
Nuestra empresa Q2BSTUDIO combina esa experiencia práctica con servicios profesionales para empresas ofreciendo desarrollo de aplicaciones a medida y software a medida, soluciones de inteligencia artificial e ia para empresas, así como consultoría en ciberseguridad y pentesting. Si necesitas proyectos de IA productivos y controlados por arquitectura sólida podemos ayudarte desde la idea hasta la puesta en marcha integrando servicios cloud aws y azure y soluciones de inteligencia de negocio con power bi. Conoce más sobre nuestras soluciones de inteligencia artificial en Q2BSTUDIO Inteligencia Artificial y si tu prioridad es construir software o aplicaciones a medida visita desarrollo de aplicaciones y software a medida.
Palabras clave para buscadores: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi.
.jpg)
.jpg)