Glosario de IA Models & Architecture
¿Qué es la descomposición de tareas en agentes de IA?
Descomposición de tareas (Task Decomposition)
← Todos los términos del glosarioPartir un objetivo en subtareas más pequeñas que un agente de IA, varios agentes o un equipo puedan ejecutar y comprobar una a una.
Explicación
La descomposición de tareas convierte un objetivo de alto nivel en pasos más pequeños, en orden o en paralelo, cada uno con entradas, salidas y una forma clara de saber cuándo está terminado. En sistemas de IA, es lo que permite a un modelo de lenguaje o a un grupo de agentes abordar trabajo demasiado grande o variado para un solo prompt. La descomposición puede escribirla una persona, como en un flujo definido, o generarla el propio modelo en forma de plan. Une el trabajo de especificación (casos de uso y criterios de aceptación) con el razonamiento paso a paso, las herramientas y la orquestación, y es una de las principales formas de evitar que los agentes se salgan de su alcance.
Cómo funciona
Una petición compleja se divide en subtareas lo bastante pequeñas para resolverse con fiabilidad. Después se ejecutan en orden, en paralelo o de forma mixta, y se combinan sus resultados.
La investigación sobre prompting mostró pronto el efecto: el least-to-most prompting hace que el modelo primero divida un problema en subproblemas más simples y luego los resuelva en secuencia, apoyándose en las respuestas anteriores, lo que le ayudó con problemas más difíciles que los ejemplos que había visto.
Patrones habituales
- Encadenar prompts: una secuencia fija de pasos en la que la salida de cada uno es la entrada del siguiente.
- Paralelizar: subtareas independientes que se ejecutan a la vez y cuyos resultados se fusionan.
- Orquestador y trabajadores: un modelo coordinador divide la tarea sobre la marcha y reparte las piezas entre modelos o agentes trabajadores.
- Planificar y ejecutar: el agente escribe primero un plan, lo ejecuta y lo revisa a medida que llegan resultados.
Cómo mantenerlo comprobable y acotado
- Da a cada subtarea una definición de terminado que se pueda comprobar.
- Fija condiciones de parada y límites de pasos, tiempo y coste.
- Prefiere descomposiciones fijas para procesos conocidos; deja planificar al modelo solo donde los pasos cambian de verdad.
- Registra el plan y cada paso para que una persona pueda revisar qué pasó y por qué.
Preguntas frecuentes
¿Por qué es importante la descomposición de tareas en los agentes de IA?
Porque los modelos de lenguaje son más fiables en pasos pequeños y bien definidos que en peticiones grandes y abiertas. Dividir el trabajo permite además usar la herramienta o el modelo adecuado en cada paso y comprobar los resultados por el camino, no solo al final.
¿Qué diferencia hay entre descomposición de tareas y cadena de razonamiento?
La cadena de razonamiento es el modelo escribiendo su razonamiento dentro de una respuesta. La descomposición de tareas divide el trabajo en subtareas separadas que pueden ejecutarse en llamadas distintas, con agentes distintos o con herramientas distintas. A menudo la descomposición usa la cadena de razonamiento en el paso de planificación.
¿Debe descomponer la tarea el modelo o una persona?
En procesos estables y bien conocidos, un flujo definido por una persona es más predecible y fácil de probar. En tareas abiertas cuyos pasos dependen de lo que se encuentra, dejar planificar al modelo da más flexibilidad. Muchos sistemas combinan una estructura exterior fija con pasos planificados por el modelo dentro de ella.
¿Qué puede fallar en la descomposición de tareas?
Las subtareas pueden dividirse mal, con pasos que faltan o que se solapan. Los errores de los primeros pasos pueden arrastrarse hasta el final. Los planes generados por el modelo pueden crecer más allá del objetivo inicial. Criterios de terminado claros, límites y comprobaciones entre pasos reducen estos riesgos.
Guías de decisión que usan este término
Cómo llevarlo a la práctica
Dónde aparece en Thinkia
Para seguir leyendo
Términos relacionados
Fuentes
- Zhou et al. · Least-to-Most Prompting Enables Complex Reasoning in Large Language Models (en inglés)
- Anthropic · Building effective agents (en inglés)
- Khot et al. · Decomposed prompting: a modular approach for solving complex tasks (arXiv) (en inglés)
Actualizado: 2026-10-21