Sistemas multiagente: qué son y cómo funcionan
Un sistema multiagente es una arquitectura en la que dos o más agentes perciben información, toman decisiones y coordinan acciones para alcanzar un objetivo común o compatible. En aplicaciones con modelos de lenguaje, cada agente puede tener instrucciones, herramientas y responsabilidades distintas; una capa de orquestación controla cómo delegan, comparten contexto, resuelven conflictos y terminan el trabajo.
Actualizado: 13 de julio de 2026.
Un sistema multiagente no es simplemente abrir varias conversaciones con una IA. Es un sistema con participantes diferenciados y un protocolo de coordinación. Cada agente recibe observaciones, instrucciones y herramientas; produce acciones o mensajes; y entrega su resultado a otro agente, a un coordinador o al usuario.
En aplicaciones modernas basadas en LLM, los agentes suelen ser configuraciones de un modelo con un rol, herramientas, memoria o estado y un formato de salida. Pueden usar el mismo modelo o modelos diferentes. Lo importante no es cuántos modelos hay, sino que existan varias unidades de decisión coordinadas.
Cómo funciona un sistema multiagente paso a paso
- Descomposición: el sistema transforma el objetivo general en tareas que pueden asignarse y comprobarse.
- Asignación: un orquestador, una regla o el propio modelo decide qué agente recibe cada tarea.
- Contexto controlado: cada especialista obtiene solo la información, herramientas y restricciones necesarias.
- Ejecución: los agentes trabajan de forma secuencial o paralela y producen salidas estructuradas.
- Intercambio: un agente puede entregar el control mediante un handoff, devolver un resultado como herramienta o publicar información en un estado compartido.
- Síntesis y verificación: un coordinador combina resultados, detecta contradicciones y puede solicitar correcciones.
- Terminación: límites explícitos de turnos, tiempo, coste o calidad impiden que la conversación continúe indefinidamente.
La coordinación es parte del producto, no un detalle de implementación. Dos agentes excelentes pueden producir una respuesta peor si reciben contexto contradictorio, duplican trabajo o no saben quién tiene autoridad para cerrar la tarea.
Patrones de arquitectura
| Patrón | Cómo circula el control | Cuándo encaja | Riesgo principal |
|---|---|---|---|
| Manager con agentes como herramientas | Un agente central llama a especialistas y conserva el control | Una única respuesta final con tareas bien delimitadas | El manager se convierte en cuello de botella |
| Handoffs | Un agente transfiere la conversación a un especialista | Triage, soporte o flujos donde cambia el responsable | Transferencias incorrectas o contexto excesivo |
| Orquestador y trabajadores | Un coordinador crea subtareas, varios agentes trabajan en paralelo y luego sintetiza | Investigación abierta, análisis de muchas fuentes | Coste alto y resultados solapados |
| Secuencia o cadena | La salida de un agente es la entrada del siguiente | Procesos por etapas: investigar, redactar, revisar | Un error temprano contamina toda la cadena |
| Colaboración entre pares | Los agentes intercambian propuestas, críticas o votos | Problemas que se benefician de perspectivas independientes | Bucles, consenso superficial y difícil atribución |
La documentación del OpenAI Agents SDK distingue dos patrones frecuentes: un manager que usa agentes especializados como herramientas y los handoffs, donde un especialista toma el control de la conversación. El sistema de investigación multiagente descrito por Anthropic utiliza otro patrón: un agente líder planifica, crea subagentes que investigan en paralelo y después integra sus hallazgos.
Sistema de un agente vs. sistema multiagente
| Criterio | Un solo agente | Varios agentes |
|---|---|---|
| Contexto | Una conversación y una política | Contexto distribuido o filtrado por rol |
| Control | Flujo más fácil de seguir | Requiere orquestación y reglas de transferencia |
| Latencia | Normalmente menor | Puede bajar con paralelismo o subir por coordinación |
| Coste | Más predecible | Crece con llamadas, reintentos y síntesis |
| Depuración | Una traza principal | Hay que reconstruir mensajes y decisiones cruzadas |
| Especialización | Una instrucción amplia | Roles, herramientas y evaluaciones por especialidad |
Un sistema multiagente no es automáticamente más inteligente. Para una clasificación sencilla, una extracción o una respuesta breve, un solo agente con buenas herramientas suele ser más fiable. La arquitectura múltiple se justifica cuando la separación del trabajo aporta una ventaja que puede medirse.
Ejemplo: investigar y publicar un informe
Imagina un informe sobre un mercado nuevo. Un flujo razonable puede incluir:
- un agente planificador que define preguntas, fuentes permitidas y criterios de cobertura;
- varios agentes investigadores que exploran segmentos distintos en paralelo;
- un agente verificador que comprueba fechas, citas y contradicciones;
- un agente redactor que sintetiza únicamente afirmaciones respaldadas;
- una revisión human-in-the-loop antes de publicar.
El beneficio no proviene de simular un equipo humano por estética. Proviene de paralelizar búsquedas independientes y separar generación de verificación. Si todos los agentes reciben el mismo prompt y consultan las mismas fuentes, probablemente producirán duplicados en vez de cobertura adicional.
Cuándo conviene y cuándo no
Usa varios agentes cuando:
- el problema se divide en subproblemas independientes o especialidades claras;
- el paralelismo reduce un tiempo de búsqueda significativo;
- una segunda perspectiva puede detectar errores de la primera;
- distintas etapas necesitan herramientas, permisos o formatos incompatibles;
- puedes evaluar cada etapa y también el resultado final.
Empieza con un solo agente cuando:
- la tarea es breve, determinista o puramente secuencial;
- el contexto completo cabe y conviene mantenerlo unido;
- no existe una métrica que demuestre la mejora de añadir agentes;
- el coste, la latencia o la auditabilidad son restricciones principales;
- el flujo todavía no funciona de manera fiable con una sola unidad.
Riesgos y controles de producción
Los fallos se pueden componer: un investigador interpreta mal una fuente, el redactor lo presenta como hecho y el verificador revisa solo el formato. Añadir una etapa no garantiza independencia si todos comparten el mismo sesgo o el mismo contexto defectuoso.
Controles útiles:
- Contratos de entrada y salida: esquemas claros reducen mensajes ambiguos entre agentes.
- Presupuesto y límites: máximo de turnos, subagentes, tokens, tiempo y llamadas a herramientas.
- Trazabilidad: registra quién tomó cada decisión, qué herramienta usó y qué evidencia recibió.
- Guardrails por herramienta: valida acciones sensibles en el punto donde se ejecutan, no solo al inicio o al final.
- Aislamiento de permisos: un agente que redacta no necesita necesariamente credenciales para publicar o pagar.
- Evaluaciones reproducibles: compara el sistema con una línea base de un solo agente en calidad, coste y latencia.
- Intervención humana: reserva aprobación humana para operaciones irreversibles, datos sensibles o decisiones de alto impacto.
También hay que tratar la inyección de prompts indirecta: un agente puede leer instrucciones maliciosas en una web o documento y transmitirlas a otros. Filtrar contexto, delimitar datos no confiables y restringir herramientas reduce esa superficie.
Cómo evaluar un sistema multiagente
No basta con preguntar si la respuesta “parece buena”. Registra al menos:
- tasa de tareas completadas y exactitud con una rúbrica;
- cobertura de fuentes y porcentaje de afirmaciones verificables;
- errores por agente y errores que llegan al resultado final;
- coste total, latencia mediana y peor caso;
- número de transferencias, reintentos y bucles evitados;
- mejora real frente al mismo flujo con un solo agente.
Las evaluaciones deben incluir casos normales, entradas ambiguas, fallos de herramientas y contenido adversarial. Un flujo que funciona en una demostración puede degradarse cuando una búsqueda devuelve datos incompletos o un agente excede su contexto.
Para seguir, revisa qué es un agente de IA, la orquestación de agentes, el control human-in-the-loop y la guía de Agents de AIClases.
Fuentes primarias y documentación oficial
- Anthropic Engineering: How we built our multi-agent research system.
- OpenAI Agents SDK: Agent orchestration.
- OpenAI Agents SDK: Handoffs.
- Wu et al., “AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation”.
- Li et al., “CAMEL: Communicative Agents for Mind Exploration”.
Preguntas frecuentes
- ¿Qué es un sistema multiagente?
- Es una arquitectura formada por varios agentes que interactúan para resolver una tarea o alcanzar objetivos relacionados. Cada agente puede observar una parte del problema, decidir qué acción ejecutar y comunicar resultados; la coordinación determina quién trabaja, qué contexto recibe y cómo se integra la respuesta final.
- ¿Cuándo conviene usar varios agentes en lugar de uno?
- Conviene cuando el trabajo se divide en especialidades claras, puede ejecutarse en paralelo o necesita revisión independiente. Si la tarea es corta, secuencial y cabe en el contexto de un solo agente, añadir agentes suele aumentar coste, latencia y puntos de fallo sin mejorar el resultado.
- ¿Un sistema multiagente siempre necesita un orquestador?
- No. Puede existir un coordinador central, handoffs en los que un especialista toma el control o una colaboración entre pares. Incluso sin un orquestador central hacen falta reglas para compartir estado, evitar bucles, manejar errores y decidir cuándo termina el proceso.
- ¿Qué riesgos tiene un sistema multiagente de IA?
- Los principales riesgos son errores que se propagan entre agentes, trabajo duplicado, bucles de delegación, pérdida de contexto, instrucciones maliciosas transmitidas por herramientas, mayor latencia y gasto difícil de predecir. Se mitigan con límites, salidas estructuradas, trazas, guardrails y evaluación de extremo a extremo.