Sistemas multiagente: cuando varias IA trabajan juntas

Un sistema multiagente encarga una misma misión a varios agentes de IA especializados, coordinados por un director de orquesta o por reglas de traspaso. Bien diseñado, abarca más y resulta más fiable en tareas complejas; mal diseñado, multiplica la factura y los errores, por eso conviene entender sus esquemas antes de elegir un framework.

Por qué varios agentes en lugar de uno

Un agente de IA único funciona en bucle: razona, llama a una herramienta, lee el resultado y vuelve a empezar. Ese bucle llega pronto a sus límites cuando la tarea crece. La ventana de contexto se llena de resultados intermedios, las instrucciones se convierten en un cajón de sastre y el modelo pierde el hilo.

Un sistema multiagente resuelve este problema con la división del trabajo. Cada agente recibe un papel acotado, instrucciones breves y solo las herramientas que necesita. De ahí salen tres ventajas:

• La especialización: un agente de «investigación» y otro de «redacción» no necesitan el mismo prompt de sistema ni las mismas herramientas.
• El paralelismo: varios subagentes exploran pistas a la vez, cada uno en su propio contexto.
• La verificación cruzada: un agente puede revisar y criticar el trabajo de otro.

La orquestación: quién decide qué

La orquestación describe cómo circula el trabajo entre los agentes: quién divide la tarea, quién llama a quién y quién reúne el resultado. En su guía «Building effective agents» de diciembre de 2024, Anthropic distingue primero dos familias:

• los flujos de trabajo, en los que el desarrollador escribe el recorrido de antemano;
• los agentes, en los que el modelo decide por sí mismo sus pasos y sus herramientas.

Los sistemas multiagente reales suelen mezclar ambos. La misma guía describe cinco esquemas recurrentes, que aparecen con nombres distintos en todos los frameworks.

Esquema	Principio	Cuándo usarlo
Encadenamiento	Cada paso procesa la salida del anterior	Tarea lineal, división conocida de antemano
Enrutamiento	Una primera llamada clasifica la petición y la envía al especialista adecuado	Peticiones heterogéneas, por ejemplo atención al cliente
Paralelización	Varios agentes procesan fragmentos o votan	Subtareas independientes, necesidad de varias opiniones
Orquestador-trabajadores	Un agente central divide sobre la marcha y delega	Tarea cuyas subtareas no se conocen de antemano
Evaluador-optimizador	Un agente produce, otro critica y se repite el ciclo	Criterios de calidad claros, iteraciones útiles

El esquema orquestador-trabajadores es el núcleo de la mayoría de los sistemas multiagente. Depende de una buena descomposición de tareas: si el orquestador divide mal, los subagentes duplican trabajo o dejan huecos. El apartado sobre planificación de nuestro artículo cómo toma decisiones un agente de IA explica este mecanismo.

Póngase a prueba Tiene que clasificar peticiones de clientes en tres categorías y responder a cada una con un agente dedicado. ¿Qué esquema elegiría?

El enrutamiento. Una primera llamada clasifica la petición (facturación, técnica, comercial) y luego la envía al agente especializado correspondiente. No hace falta que un orquestador divida la tarea sobre la marcha, porque las categorías se conocen de antemano.

Tres arquitecturas concretas

Más allá de los esquemas, en la práctica dominan tres topologías.

El supervisor

Un agente central recibe la petición, elige a qué subagente llamar, lee su respuesta y decide qué hacer después. Es el modelo «supervisor» documentado por LangGraph y la arquitectura del sistema de investigación de Anthropic, en el que un agente principal lanza subagentes en paralelo y luego sintetiza. Ventaja: un único punto de control. Límite: el orquestador se convierte en un cuello de botella y su propia ventana de contexto se satura.

El traspaso de relevo

No hay un jefe permanente: un agente pasa el testigo a otro cuando la conversación sale de su ámbito. El OpenAI Agents SDK los llama handoffs, y Microsoft Agent Framework ofrece un modo equivalente. Este modelo encaja en asistentes conversacionales en los que el usuario habla con un agente cada vez.

La conversación de grupo

Varios agentes conversan en un hilo común, con un mecanismo que elige quién habla a continuación. Popularizado por AutoGen, cuyo artículo de investigación data de agosto de 2023, este modelo sigue vivo en el modo «group chat» de Microsoft Agent Framework. Es potente para el debate y la crítica, pero más difícil de hacer predecible.

Un ejemplo paso a paso

Imagine un análisis de la competencia: «Haz el perfil de los cinco principales competidores de mi empresa y de sus ofertas». Con un supervisor, el proceso sería así:

1. El orquestador redacta un plan y lanza cinco subagentes, uno por competidor, con la misma consigna de formato.
2. Cada subagente busca, lee y resume en su propia ventana de contexto, sin ver el trabajo de los demás.
3. Los subagentes devuelven un resumen breve, no todas las páginas leídas.
4. Un agente evaluador comprueba que cada perfil cite sus fuentes y respete el formato.
5. El orquestador lo reúne todo y señala las contradicciones.

La ganancia viene del paso 2: cinco búsquedas en paralelo, cinco contextos limpios. El riesgo viene del paso 3: si un resumen omite un dato clave, el orquestador nunca lo sabrá.

El protocolo A2A: que hablen agentes de proveedores distintos

Mientras todos los agentes vivan en el mismo programa, el framework gestiona su comunicación. El problema cambia cuando el agente de una empresa debe encargar una tarea a un agente creado por otra, con otra herramienta. Esa es la función del protocolo A2A (Agent2Agent).

La clave es la opacidad: el agente remoto sigue siendo una caja negra. Usted ve lo que sabe hacer y lo que devuelve, no su prompt ni sus herramientas. A2A complementa así a MCP, que conecta un agente con herramientas y datos; nuestra explicación del Model Context Protocol cubre esa otra mitad del rompecabezas.

Los frameworks multiagente en 2026

No hace falta programarlo todo usted mismo. Los principales frameworks de código abierto ofrecen piezas listas para usar, cada uno con su filosofía:

• CrewAI piensa en equipos de roles (Crews) para la autonomía, y en Flows cuando se quiere controlar el desarrollo.
• LangGraph modela la aplicación como un grafo de nodos, aristas y estado, con ejecución duradera, memoria y validación humana.
• OpenAI Agents SDK, sucesor de Swarm, se apoya en tres ideas: agentes, traspasos y barreras de seguridad.
• Google ADK combina agentes secuenciales, paralelos y en bucle con un enrutamiento guiado por el modelo, y es compatible con A2A.
• Microsoft Agent Framework, que sucedió a AutoGen y Semantic Kernel y alcanzó la versión 1.0 el 2 de abril de 2026, ofrece flujos en grafo: secuencial, paralelo, traspaso y conversación de grupo.

Herramienta	Tipo	Licencia	MCP	Multiagente	Nivel
CrewAI	Código	MIT	Sí	Sí	Intermedio
LangGraph	Código	MIT	Sí	Sí	Avanzado
OpenAI Agents SDK	Código	MIT	Sí	Sí	Intermedio
Google Agent Development Kit (ADK)	Código	Apache-2.0	Sí	Sí	Intermedio
Microsoft Agent Framework	Código	MIT	Sí	Sí	Intermedio
CAMEL	Código	Apache-2.0	Sí	Sí	Avanzado

Para filtrar por lenguaje, licencia o compatibilidad con MCP, use nuestro comparador de frameworks.

Las trampas que conviene conocer antes de empezar

• El coste: cada agente consume sus propios tokens, y los intercambios entre agentes se suman. Mida antes de generalizar.
• La propagación de errores: una suposición errónea de un subagente la recoge el orquestador, que la presenta con seguridad.
• Los bucles: dos agentes que se pasan la pelota sin criterio de parada queman presupuesto sin avanzar. Fije un número máximo de iteraciones.
• La coordinación: unos subagentes mal informados hacen dos veces la misma búsqueda. Las instrucciones de delegación deben precisar el objetivo, el formato de salida y los límites.
• La evaluación: probar un sistema multiagente exige evaluar el resultado final y los pasos intermedios. Nuestro artículo sobre los límites de los agentes de IA vuelve sobre estas dificultades.

Una regla sencilla sirve de salvaguarda: empiece con un único agente bien equipado y divida el trabajo solo cuando detecte un límite concreto (contexto saturado, tareas paralelizables, necesidad de un revisor).