En el mundo de la inteligencia artificial aplicada, la construcción de flujos de trabajo inteligentes y adaptativos se está volviendo clave. Ya no se trata de lanzar un solo modelo para una única tarea, sino de orquestar múltiples agentes especializados que colaboran entre sí, como vimos en el artículo AI Agents vs Agentic AI.

En este tutorial te muestro cómo podés crear un sistema de toma de decisiones basado en IA sin pagar una API, usando modelos gratuitos como LLaMA 3 a través de OpenRouter, todo desde Google Colab y con código abierto.

¿Qué vamos a construir?

Un sistema de tres pasos donde:

• Un agente analiza el mercado para un producto.
• Otro evalúa a los competidores.
• Un tercer agente recomienda la mejor estrategia de marketing.

¿Qué necesitás?

• Una cuenta gratuita en OpenRouter
• Tu API Key gratuita
• Google Colab (o cualquier entorno Python con acceso a internet)

Código completo para Google Colab

1. Instalar dependencias

!pip install openai --upgrade

2. Configurar la API Key de OpenRouter

import os
from getpass import getpass
from openai import OpenAI

api_key = getpass("🔐 Pegá tu OpenRouter API Key: ")
client = OpenAI(
    api_key=api_key,
    base_url="https://openrouter.ai/api/v1"
)

3. Definir los agentes del sistema

modelo = "meta-llama/llama-3-8b-instruct"

def market_analysis(producto):
    mensaje = f"Analiza el mercado para el producto: {producto}"
    response = client.chat.completions.create(
        model=modelo,
        messages=[{"role": "user", "content": mensaje}],
    )
    return response.choices[0].message.content

def competitor_analysis(producto):
    mensaje = f"Analiza los competidores más relevantes del producto: {producto}"
    response = client.chat.completions.create(
        model=modelo,
        messages=[{"role": "user", "content": mensaje}],
    )
    return response.choices[0].message.content

def decision_maker(market, competitors):
    prompt = (
        f"Con base en el siguiente análisis de mercado:\n{market}\n\n"
        f"Y este análisis de competidores:\n{competitors}\n\n"
        "¿Cuál sería la mejor estrategia de marketing para este producto?"
    )
    response = client.chat.completions.create(
        model=modelo,
        messages=[{"role": "user", "content": prompt}],
    )
    return response.choices[0].message.content

4. Ejecutar el flujo

producto = "Auriculares inalámbricos para gamers"

market = market_analysis(producto)
print("📊 Análisis de mercado:\n", market)

competitors = competitor_analysis(producto)
print("\n🏁 Análisis de competidores:\n", competitors)

decision = decision_maker(market, competitors)
print("\n🎯 Estrategia recomendada:\n", decision)

Resultados obtenidos

📊 Análisis de mercado:
El mercado muestra tendencias favorables en el crecimiento del streaming, popularidad de juegos multijugador y la demanda de diseño ergonómico. Desafíos clave: alta competencia, precios y calidad esperada.

🏁 Análisis de competidores:
HyperX, SteelSeries, Razer y Logitech lideran el segmento. Puntos fuertes: calidad de sonido, autonomía y diseño. Se destacan por innovación y reputación entre gamers.

🎯 Estrategia recomendada:
Innovar y diferenciarse en diseño y sonido. Apostar a partnerships con influencers y marketing de contenidos para destacar la experiencia de usuario y generar fidelización.

¿Por qué esto es poderoso?

• No necesitás pagar por GPT-4.
• Usás modelos avanzados gratuitos como LLaMA 3.
• Simulás inteligencia agentic en un flujo real.
• Aplicable a cualquier sector: marketing, salud, finanzas, educación.

¿Y ahora?

En la próxima entrega construiré este mismo sistema pero usando LangGraph para orquestar los agentes con lógica, memoria y adaptabilidad.

📎 Leé también: Agentes de IA vs Agentic AI

¿Quieres el código en un notebook descargable o una plantilla adaptable a cualquier producto? Dejá tu comentario o escribime 😊

Enlace al código aquí: https://colab.research.google.com/drive/1kmvMhcB2xa8vBoNb9RrXA7rY8m5qAbsY?usp=sharing