Sistema multiagente

Igual que un equipo de especialistas supera a un generalista, los agentes especializados (uno para investigación, uno para código, uno para análisis) producen mejores resultados que un único agente generalista.

Mediante protocolos como el MCP, mensajes estructurados o espacios de memoria compartida. Cada agente tiene su rol y sus herramientas.

Un sistema multiagente (SMA) es una arquitectura en la que varios agentes de IA, cada uno con su rol, sus herramientas y su memoria, se coordinan para resolver una tarea que un solo agente manejaría mal. En lugar de un prompt monolítico, el trabajo se reparte entre agentes especializados que intercambian mensajes, delegan subtareas y combinan resultados. Frameworks como CrewAI, AutoGen y LangGraph hacen esta orquestación explícita y reproducible.

Un ejemplo común es la investigación automatizada: un agente planificador descompone una pregunta, varios agentes ejecutores buscan en la web en paralelo y un agente redactor sintetiza un informe con fuentes. Los pipelines de software funcionan igual, con un agente programador, uno revisor y uno tester. Herramientas como Claude Code, openclaw y Relevance AI construyen productos reales sobre este patrón orquestador-ejecutores.

Un solo agente ejecuta un único bucle, decidiendo y actuando por su cuenta con un conjunto fijo de herramientas. Un sistema multiagente reparte ese trabajo entre varios agentes que se especializan, se ejecutan en paralelo y se traspasan tareas. El compromiso: las configuraciones multiagente escalan a problemas más difíciles, pero añaden coordinación, latencia y más puntos de fallo; rinden sobre todo en tareas complejas y descomponibles.

La coordinación suele seguir unos pocos patrones. En el orquestador-ejecutores, un agente líder planifica y reparte subtareas a los ejecutores, y luego fusiona sus salidas. En el handoff (relevo), el control pasa de un agente al siguiente a medida que la tarea avanza por etapas. Algunos sistemas usan equipos jerárquicos o un espacio de notas compartido. LangGraph los modela como grafos explícitos, mientras que CrewAI los plantea como roles en un equipo.

No, no por defecto. ChatGPT es ante todo un único modelo conversacional, incluso cuando llama a herramientas o navega por la web dentro de un solo bucle. Forma parte de un sistema multiagente solo cuando orquestas varias instancias del modelo con roles distintos que se delegan y se revisan entre sí. El LLM es el motor; el sistema multiagente es la arquitectura construida en torno a varios de esos motores.

Las opciones más consolidadas son CrewAI, que modela los agentes como roles en un equipo con tareas; AutoGen de Microsoft, centrado en agentes conversacionales que se envían mensajes; y LangGraph, que representa los flujos de agentes como grafos de estados explícitos para un control fino. El Agents SDK de OpenAI y Relevance AI también son muy usados. La elección correcta depende de cuánto control explícito necesites frente a una orquestación rápida.

Úsalo cuando una tarea sea lo bastante compleja como para dividirse en subtareas distintas y paralelizables que se beneficien de roles especializados, como investigación, código más revisión, o flujos de varios pasos que abarcan varias herramientas. Para tareas simples y lineales, un solo agente es más barato, más rápido y más fácil de depurar. Recurre a varios agentes solo cuando la coordinación realmente aporte mejor calidad o mayor rendimiento.