Los flujos de IA compiten por recursos y surge la necesidad de un planificador dinámico

El autor de Migoo empezó a lanzar varios agentes de IA en paralelo: un filtro de correo, un generador de informes diarios, un monitor de proyectos y tareas de fondo de larga duración. Con pocos procesos la cola se manejaba sin problemas, pero al escalar la concurrencia surgió una competencia directa por la misma API y por la capacidad de ejecución.

Dos flujos intentaron acceder al mismo endpoint simultáneamente, y una tarea de larga duración acaparó la mayor parte de los recursos, dejando a una tarea urgente en espera. La solución inicial fue asignar prioridades estáticas, pero pronto quedó claro que la prioridad de una tarea varía con el tiempo: lo que a las 9 h es de bajo nivel, a las 11 h puede ser crítico; una dependencia lenta puede inflar la duración de un proceso de dos minutos a veinte.

Para abordar esto el autor implementó un planificador inspirado en los sistemas operativos tradicionales. Cada tarea recibe una puntuación de prioridad que se recalcula en función de la fecha límite, el estado de sus dependencias, el tiempo estimado de ejecución, el consumo de recursos y el tiempo de espera. Además, introdujo una regla de preempción ligera: no se interrumpe una tarea en ejecución solo porque aparece una más importante, pero tampoco se permite que un proceso de fondo bloquee indefinidamente el resto.

El resultado es que la capa de automatización se vuelve tan compleja como el propio flujo de IA, prácticamente un micro‑sistema operativo para agentes. Esta evolución plantea preguntas sobre hasta dónde debe llegar la orquestación: ¿debería el programador gestionar cada detalle de planificación o delegar en un motor especializado? La respuesta dependerá de la escala y la criticidad de los procesos.

En la práctica, los equipos que despliegan cientos de automatizaciones de IA deberían considerar herramientas de scheduling que soporten prioridades dinámicas, preempción controlada y visibilidad del estado de dependencias. Integrar estos conceptos en la arquitectura de la automatización evita cuellos de botella inesperados y mejora la predictibilidad del SLA de los agentes.

Queda por ver si la comunidad adoptará este enfoque como estándar o si surgirán soluciones de terceros que ofrezcan un scheduler dedicado para flujos de IA, similar a lo que hacen los orquestadores de contenedores para pods de Kubernetes.