Level 3: Agentic AI Enterprise Architect

Presentación

Diseñar sistemas de agentes que resuelven el problema correcto, con la complejidad justa.

La siguiente evolución de la IA enterprise estará impulsada por sistemas capaces de coordinar workflows, ejecutar acciones y colaborar entre varios agentes. Este programa avanzado prepara a arquitectos y líderes técnicos para diseñar plataformas enterprise de IA agéntica con gobierno, observabilidad y seguridad.

Incluye: jornada intensiva en vivo · patrones de agentes: secuencial, paralelo, enrutamiento, orquestador y loop · diseño de sistemas multiagente en producción · Certificado de Participación.

Descripción del curso

El programa parte de una distinción que ahorra meses de trabajo: un workflow orquesta modelos y herramientas por rutas de código predefinidas; un agente dirige su propio proceso. Si un flujo predefinido resuelve el problema, no hace falta un agente. Los participantes aprenden a empezar simple y a añadir complejidad solo cuando lo simple demuestra que falla.

Sobre esa base recorren los patrones de agentes —secuencial, enrutamiento, paralelo, orquestador y loop de generación y evaluación—, los criterios de parada de un agente autónomo y los sistemas multiagente en producción: coordinación, manejo de errores, procedencia de la información y escalamiento a personas. Aprenden a elegir el mecanismo de integración —MCP, API o agent-to-agent— y a traducir un problema de negocio en una arquitectura medible en costo, latencia y SLA.

Salen con el criterio para elegir el patrón adecuado a cada problema y para defender la arquitectura ante negocio, seguridad y dirección a lo largo de todo su ciclo de vida.

Objetivos de aprendizaje

Al terminar el curso, los participantes podrán:

✓Decidir cuándo basta un workflow y cuándo hace falta un agente
✓Diseñar el LLM aumentado —retrieval, herramientas y memoria— con interfaces de herramientas claras
✓Elegir y combinar los patrones de agentes —secuencial, enrutamiento, paralelo, orquestador y loop— según el problema
✓Definir cuándo debe parar un agente: objetivo cumplido, necesidad de una persona o límite de pasos, tiempo o costo
✓Decidir cuánta autonomía dar a un agente y cómo mantener el control
✓Diseñar sistemas multiagente con coordinador, manejo de errores y procedencia de la información
✓Elegir el mecanismo de integración: MCP, API/CLI o agent-to-agent
✓Traducir problemas de negocio en soluciones medibles en costo, latencia y SLA
✓Documentar y comunicar la arquitectura a lo largo de su ciclo de vida

¿Quién debería asistir?

Este programa es para quienes toman decisiones de arquitectura de IA:

✓Enterprise Architects y Principal Engineers
✓AI Leads y CTOs
✓Líderes de gobierno de IA y de transformación

Programa detallado

11 módulos · 55 lecciones

Temario de arquitectura de agentes: de la distinción workflows vs agentes a los patrones de composición, los agentes autónomos, los sistemas multiagente en producción, la integración y el ciclo de vida.

Módulo 1 · Workflows vs Agentes

La distinción de Anthropic y cuándo NO usar un agente

Workflows: LLMs y herramientas orquestados por rutas de código predefinidas
Agentes: el LLM dirige dinámicamente su propio proceso y uso de herramientas
Cómo elegir: si un flujo predefinido resuelve, no necesitas un agente
Principio de simplicidad: empieza simple y añade complejidad solo cuando lo simple demostrablemente falla

Módulo 2 · El LLM aumentado (el bloque base)

La unidad mínima: LLM + retrieval + herramientas + memoria

Retrieval: el modelo genera sus propias consultas de búsqueda
Herramientas: cómo el modelo las selecciona y usa
Memoria: qué información retener entre pasos
Diseño de la interfaz agente-computadora (ACI): documentación clara, ejemplos y pruebas de cada herramienta

Módulo 3 · Patrón secuencial de agentes (Prompt Chaining)

Cada agente recibe la salida del anterior, con validación entre un paso y otro

Cada llamada procesa la salida de la anterior
Gates de validación entre pasos para cortar temprano si algo falla
Cuándo aplica: tareas descomponibles en subtareas fijas y conocidas
Como sistema de agentes: un pipeline de agentes especializados donde cada uno entrega su resultado al siguiente

Módulo 4 · Patrón de enrutamiento de agentes (Routing)

Un agente clasifica cada caso y lo envía al agente especializado que corresponde

Clasificar el input y enviarlo a un flujo de seguimiento especializado
Cuándo separar por tipo de input mejora calidad y costo
Riesgos: clasificación errónea y cómo acotarla
Como sistema de agentes: un agente router decide qué agente especializado atiende cada caso

Módulo 5 · Patrón de agentes en paralelo (Parallelization)

Varios agentes trabajan a la vez y sus resultados se consolidan

Sectioning: partir la tarea en subtareas independientes que corren a la vez
Voting: múltiples intentos y agregación del resultado
Cuándo la paralelización mejora latencia o confianza
Como sistema de agentes: subagentes en paralelo, cada uno con su parte, y un paso que consolida los resultados

Módulo 6 · Patrón orquestador de agentes (Orchestrator-Workers)

Un agente orquestador descompone la tarea y delega en subagentes según lo que va apareciendo

El orquestador divide la tarea y delega a workers según lo que aparece
Diferencia con parallelization: aquí las subtareas no se conocen de antemano
Coordinación y consolidación de las salidas de los workers
Como sistema de agentes: el orquestador lanza subagentes a medida que descubre el trabajo y consolida lo que devuelven

Módulo 7 · Patrón loop de agentes (Evaluator-Optimizer)

Un agente genera, otro evalúa, y el ciclo se repite hasta cumplir el criterio

Un LLM genera la respuesta; otro la evalúa y da feedback iterativo
Cuándo aplica: el criterio de calidad es claro y la iteración aporta
Definir el criterio de parada del bucle
Como sistema de agentes: agente generador y agente evaluador en bucle, con un criterio de parada definido

Módulo 8 · Agentes autónomos y principios

Cuándo dar autonomía y cómo mantener el control

El agente opera en un bucle usando herramientas según el feedback del entorno
Transparencia: mostrar explícitamente los pasos de planificación del agente
Añadir complejidad solo cuando lo simple falla; medir con evaluación comprehensiva
Criterios de parada: el agente termina cuando cumple un objetivo verificable, cuando necesita a una persona, o cuando alcanza un límite de pasos, tiempo o costo como red de seguridad
Antipatrones de parada: decidir el fin leyendo el texto del modelo, o usar un tope de iteraciones como forma principal de parar
Qué entrega el agente cuando para sin terminar: lo que hizo, lo que falta y por qué se detuvo

Módulo 9 · Sistemas multiagente en producción

Que el coordinador sepa qué pasó en cada subagente

Coordinador en estrella: toda la comunicación pasa por el coordinador, para observarla y controlar los errores
Los subagentes no heredan el contexto: se les pasa de forma explícita, con la fuente de cada dato
Propagar errores con lo que se intentó y los resultados parciales; «sin resultados» no es «falló»
Preservar la procedencia: cada afirmación conserva su fuente hasta el informe final
Reglas obligatorias en hooks, no en el prompt: la instrucción falla a veces, el hook no
Escalar a una persona con un resumen estructurado que no obligue a leer la conversación
Recuperarse de una caída: cada agente exporta su estado y el coordinador lo recarga
Contexto en conversaciones largas: montos, fechas y números de pedido van en un bloque fijo fuera del resumen, y las salidas de herramientas se recortan a los campos que importan
Efecto «lost in the middle»: lo que queda en medio de un texto largo se pierde; los hallazgos clave van al inicio y con encabezados

Módulo 10 · Diseño de la solución e integración

Del problema de negocio a la arquitectura

Traducir el problema de negocio a una solución medible: eficiencia, costo, productividad y SLA
Arquitectura de punta a punta: entrada, procesamiento, salida y ciclo de feedback
Elegir el mecanismo de integración: MCP, API/CLI o agent-to-agent
Descubrimiento progresivo o contexto completo: cargar lo necesario cuando se necesita
Diseñar el pipeline RAG según la forma de los datos y el tipo de consulta
Precisión contra latencia, y observabilidad a escala
Dónde corre el agente: infraestructura propia o Managed Agents de Anthropic; frameworks como Strands, LangGraph y PydanticAI

Módulo 11 · Stakeholders y ciclo de vida

Que la arquitectura se entienda y se sostenga

Discovery estructurado y levantamiento de requisitos
Comunicar decisiones y trade-offs a negocio, seguridad y dirección
Documentar la arquitectura y dar guía de implementación
Acompañar el ciclo: diseño, handoff, monitoreo e iteración
Habilitar equipos: configurar Claude Code y las herramientas para toda la organización

Por qué DiscoveryFast y CortexGovernor

Por qué tomar este curso con nosotros

✓Se aprende haciendo. Los prompts se ejecutan contra la API real, el curso de Claude Code trabaja sobre el repositorio del propio equipo y el curso de Scrum corre sobre un caso completo con entregables.
✓Temario alineado con Anthropic. Los programas cubren los temas de los cursos de Anthropic Academy y de los dominios de los exámenes Claude Certified: prompting, evaluación, Claude Code, Agent SDK, MCP, arquitectura agéntica y gobierno.
✓Diseñado para equipos, no para individuos. Cada curso deja estándares compartidos, de modo que todo el equipo trabaja igual después de la formación.
✓Evidencia por encima de la afirmación. Todos los cursos enseñan a verificar el trabajo de la IA —evals, Definition of Done, controles— antes de que llegue a producción o al cliente.
✓Experiencia en Scrum y en IA enterprise. DiscoveryFast se presenta como la única empresa autorizada a entregar los cursos oficiales de Scrum.org en el Perú, y como especialista en Enterprise AI Transformation y certificaciones profesionales en IA.
✓Una ruta completa. Del primer prompt a la arquitectura y el gobierno: cada rol de la organización tiene su curso y su siguiente paso.