Ramp, una compañía fintech, ha invertido meses evaluando APIs gestionadas, frameworks open source y plataformas de terceros para agentes de inteligencia artificial antes de decidir que lo más eficaz sería desarrollar su propia infraestructura. El resultado es Laminar, un sistema interno de gestión de agentes que tardó solo seis semanas en su primera versión y que ahora soporta todos los productos basados en agentes inteligentes de la empresa.
Sam Kronick, ingeniero responsable de Laminar, explicó en el blog de ingeniería de Ramp que la decisión se tomó tras estudiar las ofertas disponibles en el mercado y concluir que podían lograr mejores resultados siendo más ágiles y alineados con sus objetivos si desarrollaban la tecnología internamente.
Esta plataforma integra distintas funcionalidades como la ejecución de agentes, el aislamiento seguro de procesos (‘sandboxing’), la observabilidad y la gestión de flujos de trabajo asíncronos en un único sistema. La arquitectura ha llamado la atención de Harrison Chase, CEO de LangChain, quien reconoció en un comentario público varios aspectos innovadores de Laminar y señaló proyectos similares en desarrollo dentro de LangChain, especialmente en su iniciativa de Deep Agents. 
Aunque Ramp y LangChain abordan estos retos desde perspectivas distintas, ambos coinciden en que están siendo testigos de un cambio significativo en la infraestructura de agentes de IA. A medida que estos sistemas asumen mayores responsabilidades, las empresas se enfrentan a la decisión de cuánto desean construir y mantener por sí mismas.
La flexibilidad como prioridad
Ramp no quería quedar atado a un único proveedor de modelos, por lo que necesitaba poder alternar entre diferentes modelos de lenguaje según criterios de coste, velocidad y rendimiento. Además, buscaba una mayor transparencia sobre la conducta de sus agentes. En la práctica, los ingenieros ya revisaban minuciosamente los rastros de ejecución para detectar llamadas innecesarias, contexto superfluo y errores, pero las herramientas de observabilidad existentes dificultaban esta tarea. Por ello, integraron una interfaz propia de depuración dentro de Laminar.
Esta decisión también facilitó una comunicación directa entre el equipo del ‘harness’ y los ingenieros de producto, evitando depender de proveedores externos para realizar ajustes o mejoras.
Chase valoró favorablemente estas prioridades de independencia y visibilidad, afirmando que LangChain también las tiene presentes en sus desarrollos. Asimismo, destacó otros elementos de la arquitectura de Laminar que le parecieron notables.
Separación clara entre sesiones y entornos seguros
Laminar soporta desde agentes de atención al cliente hasta proyectos más complejos como Ramp Inspect, un agente de programación en la nube, y Glass, que gestiona trabajos colaborativos de larga duración. Para abarcar esta diversidad, el ‘harness’ debe manejar sesiones persistentes, aprobaciones humanas y el trabajo intermedio entre diferentes entornos.
Chase subraya la observación de Kronick de que un ‘harness’ de producción cumple una función mucho más amplia que ejecutar un simple ciclo. De hecho, LangChain está invirtiendo en este área con su proyecto Deep Agents.
Una característica clave es que Laminar mantiene las sesiones de agentes separadas de los sandboxes donde se ejecuta el código, almacenando el historial de conversación y el estado de ejecución de manera independiente. Esto permite que los sandboxes se creen o destruyan sin afectar la sesión en curso.
Esta separación es una tendencia en auge en la industria, ya que facilita el control de credenciales y la orquestación fuera de los entornos aislados, aspecto crucial para ejecutar código no confiable de forma segura.
Funcionamiento asíncrono para mayor eficiencia
Laminar permite que los agentes continúen trabajando sin tener que esperar a que cada paso termine, empleando un modelo asíncrono no bloqueante que Chase define como el futuro de estos sistemas. LangChain también está desarrollando capacidades similares para su plataforma Deep Agents.
Otro elemento que destacó Chase es el servicio de conectores de Ramp, que centraliza la autenticación, gestión de credenciales, controles de acceso y ejecución de herramientas vía una API compartida. Esto proporciona a los equipos de plataforma un lugar unificado para gestionar accesos, evitando implementar esas funciones de manera independiente en cada agente.
Optimización de costes con enrutamiento inteligente de modelos
El ‘harness’ de agentes es también el escenario perfecto para reducir costes de inferencia. LangChain defendió esta idea en un artículo reciente sobre Open SWE, su agente de código abierto. Implementaron un router que, según la complejidad de la tarea inicial, asigna el modelo más adecuado: tareas simples se derivan a GLM-5.3-Flash, intermedias a GPT-5.6 Sol y las más exigentes a GPT-6 Astra.
Este enrutamiento, probado en 973 hilos de agentes, redujo el coste medio del modelo por hilo de 2,61 a 0,94 dólares, lo que representa un ahorro del 64% sin empeorar el rendimiento. La tasa de solicitudes aceptadas fue prácticamente la misma, y el 90% de las solicitudes se resolvieron usando los modelos más económicos.
LangChain sostiene que esta gestión resulta mucho más eficaz cuando se realiza dentro del ‘harness’ que en gateways genéricos de modelos de lenguaje, ya que el ‘harness’ posee más contexto sobre las herramientas y dominios implicados, mejorando la selección de modelo.
El dilema de construir o integrar el ‘harness’
Por último, la experiencia de Ramp ilustra cómo los agentes de programación han alterado los costes y decisiones en infraestructura. Kronick indicó que los propios agentes generaron todo el código inicial de Laminar, supervisado por ingenieros experimentados. Sin embargo, desarrollar la primera versión en seis semanas es solo el inicio; mantener y evolucionar la plataforma requiere un compromiso continuo de recursos humanos.
Ramp no ha divulgado comparativas de costes operativos o benchmarks frente a plataformas competidoras, por lo que no está claro si construir una solución propia es realmente más económico que utilizar frameworks existentes.
LangChain propone como alternativa utilizar frameworks que gestionan gran parte de la infraestructura subyacente, una tendencia que también adoptan otros proveedores al lanzar sus propios ‘harnesses’ de código abierto, facilitando a las empresas el despliegue de agentes inteligentes sin la necesidad de construir desde cero.
