Sistema multiagente de IA: qué es, cuándo compensa y cómo se orquesta
Publicado: · Actualizado:
Por Goiko, Founder & AI Solutions CTO de GUGŌ Creative
Qué es un sistema multiagente de IA, cuándo compensa frente a un solo agente, cómo se orquesta con roles, herramientas y memoria, sus riesgos y su coste.
Un sistema multiagente de IA es una arquitectura en la que varios agentes, cada uno con su propio rol, instrucciones, herramientas y límites, se reparten una tarea y se coordinan para resolverla. Lo habitual es que un agente orquestador descomponga el trabajo, lo delegue en agentes especializados y reúna sus resultados; también puede coordinarlos el propio código, con fases fijas.
Compensa en menos casos de los que se suele pensar: cuando la tarea se divide en partes independientes que conviene explorar en paralelo, cuando las fuentes o los permisos de cada parte son tan distintos que separarlos reduce el riesgo, o cuando cada parte necesita evaluarse por separado. Para la mayoría de procesos de empresa, un solo agente bien diseñado o un flujo de trabajo con pasos de IA es más barato, más rápido y más fácil de controlar. Como referencia de nuestros precios publicados, un agente acotado a una tarea cuesta 20.000-35.000 € y un sistema multiagente sobre procesos críticos, 60.000-100.000 € o más.
Qué es un sistema multiagente de IA
Cada agente se define con cuatro piezas:
- Rol e instrucciones: qué parte del problema le corresponde, qué debe devolver y cuándo parar o pedir ayuda.
- Herramientas: las API, consultas o acciones que puede usar. Cuantas menos, mejor: cada una es una capacidad que se puede usar mal.
- Contexto y memoria: la información con la que trabaja, propia o compartida mediante un registro común.
- Límites: permisos sobre los sistemas, número máximo de llamadas y acciones que requieren aprobación humana.
Anthropic, en su guía Building effective agents, separa los flujos de trabajo, en los que modelos y herramientas siguen rutas de código predefinidas, de los agentes, en los que el modelo dirige su propio proceso y el uso de herramientas. Muchas soluciones que se presentan como «multiagente» son flujos de trabajo con varias llamadas a un modelo. No es un defecto: suele ser la opción más predecible.
Un solo agente o varios: cuándo compensa un sistema multiagente
Una de las referencias públicas más detalladas es el sistema de investigación de Anthropic, descrito en How we built our multi-agent research system (junio de 2025). Un agente principal planifica y lanza subagentes que buscan en paralelo, cada uno con su propia ventana de contexto. En su evaluación interna de investigación, un agente principal con Claude Opus 4 y subagentes con Claude Sonnet 4 superó en un 90,2 % a un único agente con Claude Opus 4. A cambio, sus agentes consumen unas 4 veces más tokens que un chat y el sistema multiagente, unas 15 veces más.
El mismo artículo marca los límites: la arquitectura encaja en tareas amplias y paralelizables cuyo valor justifica ese coste, y no en dominios en los que todos los agentes necesitan el mismo contexto o hay muchas dependencias entre pasos, como la mayoría de tareas de programación.
Señales de que compensa
- La tarea se divide en subtareas independientes que pueden hacerse a la vez, como revisar muchas fuentes o las secciones de un expediente.
- Las fuentes, herramientas o permisos de cada parte son tan distintos que mezclarlos en un agente lo haría difícil de controlar.
- Cada parte tiene su propio criterio de calidad y conviene evaluarla por separado.
- El valor de cada tarea resuelta paga un consumo de tokens varias veces mayor.
Señales de que basta un agente o un flujo de trabajo
- Los pasos son siempre los mismos y se pueden escribir en código.
- Cada paso depende del anterior y necesita todo el contexto acumulado.
- La respuesta tiene que llegar en pocos segundos.
- Es el primer proyecto con agentes y aún no hay evaluación ni trazas.
Tabla comparativa: flujo de trabajo, un agente o un sistema multiagente
Precios orientativos de nuestro informe de precios de software e IA en España 2026; el consumo de tokens es el que publica Anthropic para su sistema.
| Criterio | Flujo de trabajo con IA | Un agente con herramientas | Sistema multiagente |
|---|---|---|---|
| Quién decide los pasos | El código, con rutas fijas | El modelo, dentro de sus herramientas y límites | Un orquestador, el código o ambos, que reparten el trabajo entre agentes |
| Encaja en | Procesos estables: extraer, clasificar, validar y registrar | Tareas variables con pocas herramientas y un objetivo claro | Tareas amplias y paralelizables, o con partes que exigen permisos separados |
| Consumo de tokens | Normalmente el más bajo y predecible | Unas 4 veces el de un chat | Unas 15 veces el de un chat |
| Latencia | Predecible: depende de los pasos fijos | Variable, según los pasos que decida dar | Variable; el orquestador puede quedar bloqueado esperando al subagente más lento |
| Depuración | Sencilla: cada paso es código | Requiere trazas de cada decisión | Requiere trazas de cada agente y de los mensajes entre ellos |
| Riesgo principal | Un paso mal validado que guarda datos erróneos | Exceso de autonomía o de permisos | Errores que pasan de un agente a otro y se amplifican |
| Precio orientativo | 10.000-20.000 € como automatización acotada | 20.000-35.000 € acotado a una tarea; 35.000-60.000 € multiherramienta | 60.000-100.000 € o más, sobre procesos críticos |
Cómo se orquesta un sistema multiagente
Patrones de coordinación
Los patrones más usados están descritos en la guía de Anthropic y en la documentación de orquestación del Agents SDK de OpenAI:
- Orquestador y trabajadores: un agente principal descompone la tarea según la entrada, delega las subtareas y sintetiza los resultados.
- Traspaso (handoff): un agente de triaje clasifica la petición y la pasa a un especialista, que toma el relevo.
- Cadena secuencial: la salida de un agente es la entrada del siguiente; por ejemplo, investigar, redactar y revisar.
- Paralelización: varias subtareas independientes a la vez, o la misma tarea varias veces para comparar resultados.
- Evaluador y optimizador: un agente genera y otro evalúa contra criterios claros, con un número máximo de vueltas.
OpenAI distingue además entre orquestar con el modelo, que encaja en tareas abiertas, y orquestar con código, más determinista en velocidad, coste y rendimiento. Se pueden combinar: el código fija las fases y los agentes trabajan dentro de cada una.
Roles y herramientas
Cada agente debe tener las herramientas mínimas para su rol, con descripciones que no se solapen. Anthropic cuenta que entre sus primeros errores estaban delegar con instrucciones vagas, que provocaban trabajo duplicado, y lanzar decenas de subagentes para consultas simples. Para conectar herramientas y datos existe el Model Context Protocol (MCP), un estándar abierto. Si los agentes son de proveedores distintos, el protocolo Agent2Agent (A2A), creado por Google y cedido a la Linux Foundation, cubre la comunicación entre ellos: MCP conecta un agente con sus herramientas y A2A, un agente con otros.
Memoria y estado compartido
Pasar todo por la conversación entre agentes encarece y degrada el resultado. En el sistema de Anthropic, el agente principal guarda su plan en una memoria externa para no perderlo si el contexto se recorta, y los subagentes dejan su trabajo en un almacén propio y devuelven referencias ligeras. En una empresa, ese estado suele vivir en una base de datos o una cola de tareas con un identificador por ejecución, para poder reanudar desde un punto de control si algo falla.
Supervisión humana
La supervisión se diseña por tipo de acción, no por agente: leer, resumir y proponer pueden ser automáticos; ejecutar algo que compromete dinero, datos de clientes o la relación con un tercero requiere aprobación. Deja por escrito quién aprueba, en qué herramienta y qué ocurre si nadie responde.
Observabilidad y evaluación
Sin trazas no se puede saber por qué falló un sistema multiagente. Anthropic explica que las trazas completas en producción les permitieron diagnosticar los fallos, y que empezaron a evaluar con unas 20 consultas representativas, combinando un modelo como juez con revisión humana. El estudio Why Do Multi-Agent LLM Systems Fail?, con más de 1.600 ejecuciones de siete frameworks, agrupa 14 modos de fallo en tres categorías que sirven de lista de pruebas: diseño del sistema, desalineación entre agentes y verificación de la tarea.
Riesgos: exceso de autonomía y errores que se encadenan
OWASP recoge el riesgo central como Excessive Agency (LLM06:2025): acciones dañinas ejecutadas a partir de salidas inesperadas, ambiguas o manipuladas de un modelo. Lo atribuye a tres causas: funcionalidad, permisos y autonomía excesivos. En un sistema multiagente las tres se multiplican, porque hay más agentes con herramientas y la salida de uno es la entrada de otro: un documento manipulado que lee un agente puede acabar convertido en una orden para el siguiente.
Los controles que propone OWASP se aplican agente por agente:
- Limitar las herramientas y sus funciones a lo imprescindible, sin herramientas abiertas como una consola o el acceso libre a cualquier URL.
- Usar credenciales de mínimo privilegio y, cuando el agente actúa por un usuario, hacerlo con la identidad y los permisos de ese usuario.
- Aplicar la autorización en los sistemas de destino, sin confiar en que el modelo decida qué está permitido.
- Pedir aprobación humana para las acciones de alto impacto.
- Registrar la actividad de cada agente y limitar las acciones por periodo.
Más detalle sobre permisos, guardrails y pruebas en seguridad en agentes de IA en producción.
Ejemplos de uso en empresa
Los tres escenarios siguientes son hipotéticos e ilustrativos, no casos de clientes.
Análisis de una licitación pública: compensa
Una empresa revisa pliegos de cientos de páginas antes de decidir si se presenta. Un orquestador reparte el expediente: un agente extrae los requisitos técnicos, otro las condiciones económicas y de solvencia, y otro las penalizaciones y los plazos. Trabajan en paralelo, en modo lectura y citando la página de cada dato; el orquestador une los resultados en una ficha y una persona decide. El riesgo es bajo porque ningún agente escribe en otros sistemas.
Devoluciones en una tienda online: basta un agente
Gestionar una devolución consiste en comprobar el pedido, validar plazos, generar la etiqueta y registrar la incidencia: pasos encadenados que comparten todo el contexto. Un solo agente con tres o cuatro herramientas y aprobación humana por encima de un importe lo resuelve; repartirlo entre varios solo añadiría coste, latencia y puntos de fallo.
Incidencias de facturación entre ERP y CRM: separar por permisos
Resolver la incidencia exige leer el ERP, consultar el CRM y proponer un abono. Aquí puede tener sentido dividir: un agente de solo lectura reconstruye el caso, otro redacta la propuesta y la emisión del abono es un paso de código que solo se lanza cuando lo aprueba una persona de administración. Cada parte tiene permisos distintos y se evalúa por separado. En estos casos la integración suele pesar más que la IA; ver integración de IA con ERP y CRM.
Cuánto cuesta un sistema multiagente
Estos son los rangos de desarrollo de agentes de IA de nuestro informe de precios 2026:
- Agente acotado a una tarea: 20.000-35.000 €, en 6-8 semanas, con una o dos integraciones y revisión humana.
- Agente multiherramienta: 35.000-60.000 €, en 10-16 semanas, con acciones en CRM, ERP o ticketing y registro de decisiones.
- Sistema multiagente sobre procesos críticos: 60.000-100.000 € o más, en 12-16 semanas, con evaluación continua y observabilidad.
A eso se suman costes recurrentes: el uso de los modelos por API, desde unos 100 € al mes con poco volumen y entre 2.000 y 5.000 € al mes con volumen alto; la infraestructura cloud, entre 50 y 500 € al mes según tráfico y datos; y el mantenimiento evolutivo y correctivo, entre el 15 y el 25 % del coste de desarrollo al año. En un sistema multiagente hay que vigilar sobre todo la API, porque el consumo de tokens se multiplica: mide el coste por tarea completada en el piloto y fija un máximo de llamadas por ejecución.
Más que el número de agentes, el precio lo mueven las integraciones con escritura, la evaluación y la observabilidad. El desglose está en cuánto cuesta desarrollar un agente de IA.
Cómo empezar: de un agente a varios
- Define la tarea y su métrica: qué entra, qué sale, cuánto vale resolverla y cómo sabrás que está bien resuelta.
- Construye la versión más simple: un flujo de trabajo o un agente con pocas herramientas, con trazas desde el primer día.
- Evalúa con casos reales y revisa los fallos uno a uno.
- Divide solo donde los datos lo pidan: si una parte falla porque el agente mezcla contextos, herramientas o permisos, sepárala.
- Pasa a producción con aprobación humana en las acciones de impacto y un límite de coste por ejecución.
Errores frecuentes
- Diseñar el organigrama antes que la tarea. Un agente por departamento suena ordenado, pero multiplica mensajes y contexto sin mejorar el resultado.
- Usar un framework sin entender lo que hace. Anthropic advierte de que sus capas de abstracción pueden ocultar las instrucciones y respuestas reales y dificultar la depuración.
- Confiar en que los agentes se vigilan entre sí. Un agente revisor ayuda, pero no sustituye a la autorización en los sistemas ni a la aprobación humana.
Preguntas frecuentes
¿Qué es un sistema multiagente?
Una arquitectura en la que varios agentes de IA especializados colaboran para completar una tarea, cada uno con su rol, herramientas y límites, coordinados por un agente orquestador, por código o por ambos.
¿Cuándo tiene sentido frente a un solo agente?
Cuando la tarea se divide en partes independientes que conviene ejecutar en paralelo, o cuando las fuentes, herramientas o permisos de cada parte son tan distintos que separarlos reduce el riesgo. Para la mayoría de procesos, un solo agente o un flujo de trabajo es más simple y barato.
¿Qué diferencia hay entre MCP y A2A?
MCP es un estándar abierto para conectar un agente o una aplicación de IA con herramientas y datos. A2A es un protocolo abierto para que agentes independientes, incluso de proveedores distintos, se comuniquen y se deleguen tareas. Son complementarios.
¿Cuánto cuesta un sistema multiagente en producción?
Según nuestro informe de precios 2026, entre 60.000 y 100.000 € o más, frente a 20.000-35.000 € de un agente acotado, más API, infraestructura y un mantenimiento del 15-25 % anual. Ver cuánto cuesta desarrollar un agente de IA.