Estructura primero, LLM después: la tesis de que los agentes de código necesitan andamiaje determinista.

Borman et al. construyen un agente especialista para transformar diagramas BPMN en flujos de trabajo ejecutables y lo enfrentan a Roo y Cline, dos agentes generalistas. El resultado no es marginal: el especialista reduce los errores de llamada a herramientas en un factor de 3×, elimina por completo las iteraciones de reparación y recorta el consumo de tokens de generación en más del 95% [1]. Dicho de otro modo, los generalistas no solo son menos precisos —son drásticamente más caros de operar para la misma tarea estructurada.

Salangsingha et al. aplican el mismo principio de acotamiento a la generación de GUIs con AI Prototyper para Figma. Su pipeline descompone la solicitud en características discretas, recupera componentes de una biblioteca de 32 primitivos y renderiza capas editables [2]. Pero el diferenciador clave no es técnico en el sentido clásico: es el paso de edición human-in-the-loop que permite revisar, modificar o extender la lista de características antes del renderizado [2]. Esto convierte al humano en un verificador de la descomposición, no del artefacto final — un punto de intervención mucho más eficiente.

En su evaluación preliminar, los participantes que usaron AI Prototyper completaron más prototipos en una ventana de tiempo fija que quienes trabajaban manualmente, y expertos valoraron los prototipos generados por IA más alto en nueve dimensiones de calidad [2]. No disponemos de tamaños de muestra —los autores califican la evaluación como preliminar [2]—, pero el patrón arquitectónico (RAG + biblioteca de primitivos + intervención humana en la descomposición) es coherente con lo que vemos en los otros dos trabajos: el LLM opera mejor cuando su espacio de acción está pre-estructurado.