Google publicó ADK 2.0 el 1 de julio de 2026 con una idea que muchos equipos aprenden a golpes: un agente no debería orquestar cada paso solo porque puede. La novedad central es un runtime de workflows que permite combinar lógica determinista, tools, aprobación humana y nodos LLM dentro del mismo flujo.

La pregunta útil para builders de Latinoamérica no es “¿ADK compite con LangGraph, CrewAI o el SDK de turno?”. La pregunta es más concreta: ¿qué partes de tu agente deben decidirse con código y qué partes sí merecen razonamiento del modelo?

Grafo editorial de ADK 2.0 con pasos deterministas, un nodo LLM aislado y una aprobación humana antes de ejecutar una acción sensible

El problema que Google está atacando

Google plantea el caso de un proceso de reembolso. En un agente autónomo clásico, el prompt le dice al modelo que verifique compra, revise política, emita reembolso, mande correo y cierre ticket. Eso funciona hasta que el contexto crece, una tool devuelve basura, el modelo se distrae o un usuario fuerza una ruta no permitida.

ADK 2.0 propone otra división:

las llamadas simples a APIs viven como nodos deterministas;
el modelo procesa partes ambiguas, como interpretar una queja;
la ruta entre pasos la decide el workflow, no el prompt;
el estado que recibe cada nodo se limita a lo necesario.

En el ejemplo oficial, Google compara un loop LLM completo contra un workflow híbrido. El resultado ilustrativo reportado baja de 5,152 tokens a 2,265 tokens por corrida y de 7.2 segundos a 5.7 segundos. No es una promesa universal, pero sí aterriza el punto: si usas el modelo para decidir que B viene después de A, estás pagando tokens por una transición que el código ya sabe hacer.

Checklist para decidir

Usaría ADK 2.0 workflows cuando el proceso tenga una secuencia conocida:

verificar identidad;
consultar una fuente;
pedir aprobación;
ejecutar una acción;
registrar evidencia.

En ese tipo de flujo, el LLM debería entrar solo donde hay ambigüedad real: leer texto libre, clasificar intención, redactar una respuesta o resolver una excepción. El resto debe ser código observable.

Usaría un agente más autónomo cuando la tarea no tiene ruta fija: investigación abierta, debugging exploratorio, análisis de repos, planificación con información incompleta o interacción con varias tools donde el orden cambia de verdad.

Seguridad: el grafo también es una barrera

La parte más importante no es la sintaxis. Es la separación de control. Si un usuario mete una instrucción maliciosa dentro del mensaje, un agente autónomo puede tratarla como contexto para decidir su próxima tool. En un workflow, aunque un nodo LLM sea manipulado, no necesariamente existe una arista hacia la acción prohibida.

Panel editorial de seguridad en ADK 2.0 con rutas bloqueadas, prompt injection aislada y decisiones fuera del contexto del modelo

Eso no elimina la necesidad de validación, permisos y logs. Pero cambia la arquitectura mental: el modelo razona; el workflow gobierna. Para agentes que tocan pagos, CRM, tickets, inventario o datos de clientes, esa diferencia no es académica.

Cómo probarlo sin migrar todo

No empezaría moviendo un producto completo. Elegiría un flujo pequeño con tres señales:

hoy quema tokens por repetir instrucciones de proceso;
necesita pasos en orden fijo;
tiene al menos una acción que no debe ejecutarse por prompt.

Luego haría una versión híbrida: nodos de código para consultas y acciones, un nodo LLM para interpretar el caso, y un paso de aprobación humana antes de tocar el sistema sensible. La métrica no sería “el agente se ve más inteligente”, sino menos reintentos, menor latencia, menos tokens y fallos más explicables.

No hay SEO tooling conectado en esta corrida, así que no invento volumen. La demanda se infiere por señales actuales: anuncio oficial de Google, búsquedas probables como ADK 2.0, Google ADK workflows, agentes deterministas, workflow vs agent, y presión real de equipos que ya tienen agentes con tools pero todavía los operan como prompts largos.

Si estás aprendiendo la base de tools y aprobación humana, empieza por el curso gratis. Si ya tienes un agente en producción, ADK 2.0 deja una regla práctica: antes de agregar más prompt, revisa qué parte del flujo debería salir del modelo.