Imagina esto.
Le das a un agente cinco herramientas y una sola instrucción.
Tu proceso de reembolsos podría funcionar a la perfección.
Entonces, el correo de confirmación falla.
El agente vuelve a empezar la secuencia desde cero y repite una acción que ya se había completado con éxito.
¿El resultado? Un doble reembolso.
El prototipo funcionó de maravilla. El sistema de producción, no.
El problema no es el prompt.
El problema es pedirle al modelo que ejecute un proceso que nunca debería estar ejecutando en primer lugar.
A los LLM se les obliga constantemente a hacerse cargo del enrutamiento, la planificación y la gestión de errores.
Son tareas que el software estándar ya maneja con una previsibilidad perfecta.
Y sin embargo, le pedimos a la IA que haga dos tareas contradictorias:
- Interpretar el mundo: dar sentido a datos impredecibles y no estructurados
- Ejecutar el proceso: orquestar una secuencia rígida y predefinida de eventos
La primera es donde la IA brilla. La segunda es territorio del código tradicional.
Cuando el siguiente paso es conocido, un modelo no debería tener que adivinarlo.
Imagina un único agente autónomo con cinco herramientas y una instrucción extensa:
→ recuperar el historial de compras
→ consultar la política de reembolsos
→ emitir el reembolso si es elegible
→ enviar un correo electrónico
→ luego cerrar el ticket
Para lograrlo, el agente debe recordar la secuencia, inspeccionar el resultado de cada herramienta e inferir qué viene después.
Si ese correo de confirmación falla después de que el dinero se haya enviado, el modelo intenta reconstruir el flujo de trabajo desde su ventana de contexto en lugar de reanudar desde un estado de ejecución seguro.
El resultado es ese doble reembolso del que hablábamos antes.
Cómo ADK 2.0 pone orden en el caos
El ADK 2.0 de Google resuelve esto adoptando un enfoque completamente nuevo.
Vuelve a convertir las acciones predecibles en pasos concretos de flujo de trabajo, e inserta la IA solo donde realmente se necesita interpretación:
[Gráfico del flujo de trabajo de reembolso - fuente: "Why we built ADK 2.0"]
En el ejemplo anterior, recuperar el historial de compras, emitir el reembolso y cerrar el ticket son acciones de software normales.
Analizar la queja y redactar un mensaje de confirmación personalizado se le entregan a la IA.
El resultado es un híbrido elegante: ejecución fija combinada con razonamiento enfocado.
Pero quizás estés pensando: ¿no es esto solo una vuelta a la automatización rígida?
¿No estamos hardcodeando los mismos flujos de trabajo que los agentes debían reemplazar?
Bueno, no exactamente.
El flujo de trabajo define los límites que ya se conocen.
Los agentes siguen encargándose de las partes que requieren interpretación, lenguaje o criterio.
El objetivo no es eliminar la flexibilidad, sino dejar de obligar al modelo a redescubrir la misma ruta de ejecución una y otra vez.
Al eliminar esas decisiones innecesarias del modelo, esta arquitectura cambia la ecuación por completo.
Mismo flujo de reembolso. Mismo modelo.
Pero con ADK 2.0, los tokens pasaron de 5.152 a 2.265, y la latencia bajó de 7,2 s a 5,7 s 🔥
[fuente: "Why we built ADK 2.0"]
Esta estructura actúa como un filtro natural que reduce el uso de tokens a la mitad.
En lugar de pasar todo el historial, los agentes solo ven lo que necesitan (por ejemplo, el agente de políticas solo ve la queja).
Los beneficios son inmediatos:
- Menos ruido en el prompt y mayor privacidad
- Ejecución estrictamente acotada
- Salvaguardas: un modelo puede tomar una mala decisión, pero nunca puede inventar su propia ruta
El frontend también necesita límites: cómo A2UI mantiene tus UIs bajo control
Genial. El flujo de reembolso ya está bajo control.
ADK 2.0 definió el camino y evitó que el agente inventara su propia secuencia.
Pero el usuario aún necesita una forma segura de ver y actuar sobre lo que produce el agente.
En otras palabras, ¡el frontend también necesita límites!
Imagina que ahora cada reembolso aprobado requiere el visto bueno de un supervisor.
El agente no debería limitarse a generar texto que diga:
“Este reembolso está aprobado”.
Necesita mostrar una tarjeta estructurada que contenga:
- el importe
- la transacción
- el motivo según la política
- botones claros de "Aprobar/Rechazar"
¡Aquí es exactamente donde entra en acción el A2UI de Google!
Con A2UI, el agente devuelve un payload JSON declarativo en lugar de código de frontend ejecutable.
El host valida ese payload y renderiza solo los componentes que admite su catálogo.
El agente decide qué información aparece, y la aplicación controla cómo se renderiza.
👇 A continuación tienes ejemplos de tarjetas renderizadas con A2UI, que muestran la amplia variedad de composiciones de UI que A2UI puede lograr:
La demo de A2UI-over-MCP Recipe Studio de Google muestra esta arquitectura en la práctica:
Fuente: Google Developers Blog.
👆 Puedes ver que un formulario de selección estático se entrega a través de un Recurso MCP, mientras que una tarjeta de receta generada dinámicamente se devuelve a través de una Herramienta MCP.
A2UI renderiza ambas de forma nativa dentro de la aplicación host.
¿Notas la simetría?
- ADK 2.0 limita lo que el agente puede hacer en el backend
- A2UI limita lo que puede crear en el frontend
En ambos casos, el modelo tiene espacio para razonar, pero solo dentro de los límites que la aplicación ha definido.
Volviendo al ejemplo del reembolso que comentábamos antes, un reembolso estándar podría necesitar solo una tarjeta de aprobación simple.
Pero un caso disputado que involucre excepciones, archivos adjuntos o reembolsos parciales podría requerir una experiencia más rica.
Ahí es donde una App MCP puede intervenir para proporcionar un espacio de trabajo contenido para interacciones complejas:
→ ADK controla lo que puede suceder
→ A2UI hace que el resultado sea visible y accionable
→ Las Apps MCP manejan los espacios de trabajo complejos
¿Quieres saber más?
Aquí tienes todo lo que necesitas para explorar ADK 2.0, A2UI y la plataforma de agentes más amplia de Google Cloud:
- ADK 2.0: https://fandf.co/4yJhcyh
- A2UI: https://fandf.co/3S1O9pe
- A2UI sobre MCP: https://fandf.co/45vomJ3
- Gemini Enterprise Agent Platform: https://fandf.co/4x59VY7
¡Fue un privilegio colaborar con @googlecloud en este proyecto! 🤝
Si quieres mantenerte al día sobre lo último en LLM, agentes de IA y flujos de trabajo, puedes seguirme en @datachaz para recibir contenido diario.
