Sistemas multiagente: cómo trabajan juntos los AI agents
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
Un sistema multiagente es una configuración en la que dos o más AI agents, cada uno con un rol más acotado, trabajan en partes de un mismo trabajo y se pasan contexto entre sí, en lugar de que un solo agent intente hacerlo todo. Un orquestador, o una cadena de transferencia definida, decide qué agent actúa a continuación, traslada lo que aprendió el agent anterior y combina los resultados en un único desenlace. Las empresas recurren a los sistemas multiagente cuando un trabajo tiene fases genuinamente distintas que requieren herramientas, reglas o contexto diferentes, no simplemente porque "más agents" suene más avanzado.
Un solo agent frente a varios: dónde está la línea
La mayoría de las tareas que parecen necesitar varios agents son en realidad un solo agent con más herramientas disfrazado. Un único agent que puede buscar en la web, leer un CRM y enviar correos puede manejar por sí solo una variedad sorprendente de situaciones, porque el modelo razona sobre todo ello en un contexto compartido.
La guía práctica de OpenAI para construir agents es directa en este punto: empiece con un solo agent y agregue herramientas de forma incremental, y divídalo en varios agents solo cuando las instrucciones, las herramientas y la lógica de decisión de ese agent se vuelvan demasiado enredadas para probarlas y mantenerlas de forma confiable. El planteamiento de la propia guía es que un solo agent puede llegar muy lejos agregando herramientas de manera incremental, manteniendo la complejidad bajo control, antes de que usted se vea obligado a orquestar agents separados.
La taxonomía que traza esta línea con más profundidad se explica en tipos de AI agents, incluido el lugar que ocupan los diseños de un solo agent y de varios agents entre sí. El ciclo que ejecuta cada agent individual, ya trabaje solo o como parte de un sistema mayor, es el mismo que se describe en cómo funcionan los AI agents.
Dos formas de coordinar varios agents
Una vez que un trabajo realmente necesita más de un agent, hay dos maneras habituales de conectarlos:
| Patrón | Cómo funciona | Mejor uso |
|---|---|---|
| Orquestador-trabajador | Un agent central divide el trabajo en subtareas y llama a agents especialistas como si llamara a una herramienta, y luego combina sus resultados | Trabajos con un rol de coordinador claro y trabajadores que no necesitan comunicarse directamente entre sí |
| Transferencia entre pares | Un agent termina su parte y pasa la tarea directamente al siguiente agent de una cadena definida, sin coordinador central | Trabajos que son naturalmente una secuencia lineal de etapas |
OpenAI describe la forma orquestador-trabajador como agents como herramientas: un agent gerente que decide a qué especialista llamar y une las salidas. La guía Building Effective Agents de Anthropic, elaborada a partir de despliegues en producción, documenta la misma forma de orquestador-trabajadores como uno de los pocos patrones que cubren la mayoría de los sistemas agentic reales, junto con patrones más simples como el enrutamiento y el encadenamiento de prompts, que muchas veces resultan suficientes por sí solos. La transferencia entre pares prescinde por completo del coordinador central: cada agent sabe qué hacer con su porción del trabajo y pasa un resultado estructurado hacia adelante cuando termina, más parecido a un relevo que a un centro.
Un ejemplo práctico: de la puntuación de un lead a una llamada agendada
Esta es una cadena de transferencia entre pares construida con tres agents especializados, cada uno a cargo de una fase del mismo trabajo.
- AI Lead Scoring Agent lee un nuevo lead entrante, lo contrasta con los criterios del ICP y las señales de comportamiento, y entrega una puntuación de ajuste con el razonamiento que la respalda.
- AI Lead Routing Agent toma esa puntuación y asigna el lead a la cola o al representante correcto, según reglas de territorio, línea de producto o tamaño del deal.
- AI Follow-Up Agent recibe el lead ya enrutado y ejecuta la cadencia de contacto, usando el contexto de la puntuación para que el primer mensaje refleje por qué este lead importa, en lugar de leerse como una plantilla genérica.
Cada transferencia pasa hacia adelante un registro estructurado, no un muro de texto libre: la puntuación, el razonamiento, la decisión de enrutamiento. Eso es lo que hace que la cadena funcione. Si el Lead Scoring Agent produjera un párrafo sin estructura y el Routing Agent esperara campos específicos, la transferencia fallaría en silencio o el Routing Agent tendría que adivinar. El plan de construcción del AI SDR Agent muestra una forma relacionada para el outbound en lugar del inbound, donde la investigación, la secuenciación y el registro en el CRM ocurren dentro de un único rol más amplio y no en tres agents separados, una alternativa razonable cuando las fases son lo bastante simples como para quedarse dentro del alcance de un solo agent.
Un segundo ejemplo: del triaje de tickets a la escalada
El trabajo de soporte muestra el mismo patrón con dos agents en lugar de tres. El AI Support Triage Agent lee cada ticket entrante, lo clasifica y, o bien resuelve directamente los casos simples, o bien marca todo lo que sea de alta severidad o sensible al SLA. Los tickets marcados se transfieren al AI Escalation Manager Agent, que controla el reloj del SLA, enruta al equipo humano correcto y mantiene a todos informados a medida que el tiempo se agota.
Los dos agents no necesitan compartir todos los detalles de cómo funcionan internamente. El Triage Agent no necesita saber cómo se configuran las políticas de SLA, y el Escalation Manager no necesita saber cómo se clasifican los tickets. Solo necesitan ponerse de acuerdo en lo que se transfiere: un ticket, su clasificación y su urgencia. Ese es el principio de diseño detrás de todo límite multiagente que funciona, y es el mismo principio que cómo usan las herramientas los AI agents explica para los esquemas de herramientas de un solo agent, solo que aplicado un nivel más arriba, entre agents en lugar de entre un agent y una función.
Por qué la orquestación es la parte difícil
Decidir repartir un trabajo entre varios agents es la decisión fácil. Lograr que la coordinación sea confiable es el trabajo de verdad: secuenciar qué agent se ejecuta cuándo, manejar el fallo de un agent sin romper toda la cadena y enrutar los casos límite que no encajan en el camino esperado. Esa capa de coordinación tiene nombre y se trata a fondo en qué es la orquestación de AI, incluidos los patrones secuencial, paralelo, condicional e híbrido que puede seguir la orquestación.
El interés por esta capa ha crecido con rapidez. Gartner ha informado de un aumento del 1.445% en las consultas de clientes sobre sistemas multiagente entre el primer trimestre de 2024 y el segundo de 2025. Conviene leer esa cifra por lo que realmente mide: el volumen de consultas a analistas, una señal de curiosidad y evaluación, no una prueba de que la mayoría de esas consultas se convirtieran en sistemas funcionando en producción. La brecha entre "preguntar por ello" y "ejecutarlo de forma confiable" es justamente donde vive el diseño de la orquestación.
De varios agents a un agent de nivel de rol
Los sistemas multiagente y los agents individuales con muchas capacidades no siempre son cosas distintas: a veces un sistema multiagente es lo que parece un agent único de nivel de rol una vez que se abre por dentro. Un AI Sales Operator o un AI Support Agent que "es responsable" de toda una función suele ser varios patrones coordinados que trabajan juntos, no un único modelo monolítico que lo hace todo.
Cómo combinar patrones para construir AI agents lo explica en detalle, incluidos los modos de fallo exactos que aparecen en las uniones entre patrones, que es el mismo riesgo de unión que aparece entre agents separados en un sistema multiagente: formatos de datos que no coinciden, latencia que se acumula y errores que pasan aguas abajo sin que nadie los detecte.
Dónde fallan los sistemas multiagente
Agregar agents agrega superficie de coordinación, y la superficie de coordinación es donde las cosas salen mal.
La latencia se acumula. Cada agent adicional en una cadena suma su propio tiempo de procesamiento, y una cadena de cinco agents en la que cada paso tarda unos segundos puede dejar al usuario esperando mucho más que un solo agent con más herramientas.
Las transferencias fallan en silencio. Si el formato de salida del Agent A se desvía, aunque sea un poco, de lo que espera el Agent B, el Agent B no necesariamente genera un error. Puede continuar con una entrada parcial o mal interpretada y producir un resultado equivocado con total seguridad.
Los errores se propagan a través de los límites entre agents. Una clasificación errónea del primer agent de una cadena se convierte en la entrada a partir de la cual optimiza cada agent posterior. Para cuando una persona lo advierte, varios agents ya han actuado con información incorrecta, no solo uno. El patrón Autonomous Agent aborda este mismo riesgo acumulativo dentro del ciclo de un solo agent; un sistema multiagente conlleva idéntico riesgo, solo que repartido entre los límites de los agents en lugar de entre las iteraciones del ciclo.
La gobernanza se vuelve más difícil de ver. Cada agent puede estar bien gobernado por separado y aun así dejar un vacío en la transferencia: quién aprobó los datos que pasan de un agent al siguiente y quién responde cuando el sistema combinado se equivoca. Gartner prevé que más del 40% de los proyectos de agentic AI serán cancelados para finales de 2027, citando costos crecientes, valor de negocio poco claro y controles de riesgo inadecuados, y los proyectos multiagente concentran más de esos mismos riesgos que los de un solo agent, porque hay más superficie que gobernar.
Cuándo usar varios agents y cuándo un solo agent con más herramientas
| Señal | Favorece varios agents | Favorece un solo agent |
|---|---|---|
| Experiencia distinta por fase | Cada fase requiere reglas, tono o criterio diferentes | Todo el trabajo comparte el mismo contexto y las mismas reglas |
| Trabajo en paralelo | Las fases pueden ejecutarse de forma independiente y combinarse después | El trabajo es inherentemente secuencial y simple |
| Claridad de la transferencia | Hay un punto limpio y estructurado para pasar el trabajo hacia adelante | Dividir el trabajo implicaría pasar contexto desordenado y sin estructura |
| Propiedad por equipos | Distintos equipos son responsables de distintas fases y quieren visibilidad por separado | Un solo equipo ya es responsable de todo el workflow |
| Complejidad de mantenimiento | La versión de un solo agent se ha vuelto demasiado enredada para probarla de forma confiable | El costo adicional de coordinación aún no vale la pena |
La opción predeterminada honesta: pruebe primero con un solo agent con un conjunto de herramientas bien acotado. Pase a varios agents cuando la evidencia indique que lo necesita, no porque una arquitectura multiagente suene más sofisticada en una diapositiva.
Datos clave
- Un sistema multiagente reparte un trabajo entre agents especializados que se transfieren contexto estructurado, coordinados ya sea por un orquestador central o mediante una cadena de transferencia entre pares definida.
- La propia guía de OpenAI recomienda empezar con un solo agent y dividirlo en varios solo cuando el alcance de uno se vuelve demasiado enredado para mantenerlo.
- Gartner ha registrado un aumento del 1.445% en las consultas sobre sistemas multiagente, una señal de demanda y no una prueba de despliegues exitosos a esa escala.
- Los puntos de fallo más comunes están en las transferencias entre agents: formatos de datos que no coinciden, latencia acumulada y errores que se propagan en silencio aguas abajo.
- Gartner proyecta que más del 40% de los proyectos de agentic AI serán cancelados para 2027 por costos, valor poco claro o controles de riesgo débiles, riesgos que crecen con cada agent adicional en una cadena.
Preguntas frecuentes sobre los sistemas multiagente
¿Qué es un sistema multiagente?
Un sistema multiagente es una configuración en la que dos o más AI agents, cada uno con un rol más acotado, trabajan en partes separadas de un trabajo y se transfieren contexto entre sí. La coordinación ocurre mediante un orquestador central que delega en agents especialistas, o mediante una cadena de transferencia entre pares definida en la que cada agent pasa resultados estructurados al siguiente.
¿Cuándo debo usar un sistema multiagente en lugar de un solo agent con más herramientas?
Use varios agents cuando un trabajo tenga fases genuinamente distintas que requieran reglas, herramientas o contexto diferentes, y exista un punto limpio y estructurado para transferir el trabajo hacia adelante. Si un solo agent con un conjunto de herramientas bien acotado aún puede manejar la variación, normalmente es más simple de construir, probar y gobernar que repartir el trabajo entre agents.
¿Cuál es la diferencia entre el patrón orquestador-trabajador y la transferencia entre pares?
En un patrón orquestador-trabajador, un agent central divide el trabajo en subtareas y llama a agents especialistas como si llamara a una herramienta, y luego combina sus resultados. En una transferencia entre pares no hay coordinador central: un agent termina su parte y pasa la tarea directamente al siguiente agent de una cadena definida.
¿Qué hace que fallen los sistemas multiagente?
La mayoría de los fallos ocurren en las transferencias entre agents y no dentro de un agent individual. Entre las causas comunes están los formatos de datos que no coinciden entre lo que produce un agent y lo que espera el siguiente, la latencia que se acumula con cada agent adicional y una salida incorrecta de un agent temprano sobre la que actúan los agents posteriores sin detectar el error.
¿En qué se diferencia un sistema multiagente de un solo agent autónomo?
Un solo agent autónomo ejecuta un único ciclo y usa varias herramientas dentro de ese ciclo para perseguir un objetivo. Un sistema multiagente reparte el trabajo entre varios agents separados, cada uno con su propio ciclo y alcance, coordinados por un orquestador o una cadena de transferencia. Los riesgos de cada agent individual (como los errores que se acumulan entre los pasos del ciclo) siguen aplicando a cada agent de un sistema multiagente, además del riesgo añadido en las uniones entre agents.
¿Los sistemas multiagente cuestan más de operar que un solo agent?
Por lo general sí, tanto en cómputo como en sobrecarga de coordinación. Cada agent adicional suma su propio paso de procesamiento, lo que agrega latencia y costo. Esa es parte de la razón por la que el consejo habitual es empezar con un solo agent bien acotado y agregar más agents solo cuando haya un motivo claro por el que uno solo no puede manejar bien el trabajo.
A dónde ir a continuación
Los sistemas multiagente se construyen con los mismos dos ingredientes que se tratan en otras partes de esta biblioteca: agents que llaman bien a las herramientas, explicado en cómo usan las herramientas los AI agents, y agents que razonan con claridad sobre qué hacer a continuación, explicado en cómo razonan los AI agents. Si está listo para definir el alcance de su primer proyecto multiagente, cómo construir un AI agent recorre el proceso, y el resumen de herramientas de soporte y la guía de las mejores herramientas de AI para servicio al cliente son buenos puntos de partida si la cadena de triaje a escalada del ejemplo anterior es el trabajo que usted está definiendo.
On this page
- Un solo agent frente a varios: dónde está la línea
- Dos formas de coordinar varios agents
- Un ejemplo práctico: de la puntuación de un lead a una llamada agendada
- Un segundo ejemplo: del triaje de tickets a la escalada
- Por qué la orquestación es la parte difícil
- De varios agents a un agent de nivel de rol
- Dónde fallan los sistemas multiagente
- Cuándo usar varios agents y cuándo un solo agent con más herramientas
- Datos clave
- A dónde ir a continuación