Sistemas multiagente: cómo trabajan varios agentes de IA juntos

Un sistema multiagente es un conjunto de agentes de IA, cada uno con su tarea, sus herramientas y sus instrucciones, que se reparten un problema y combinan sus resultados para llegar a una respuesta mejor que la que daría uno solo. En lugar de pedir a un único modelo que lo haga todo, divides el trabajo entre especialistas y alguien coordina: otro agente, una persona o, lo más sensato, ambos.

La idea no es nueva. Es exactamente cómo funciona un buen equipo de marketing: quien lleva Meta no lleva el email, quien controla el stock no diseña creativos, y alguien con visión de conjunto decide qué se hace primero. Si todavía no tienes claro qué es un agente por sí solo, empieza por qué es un agente de IA y vuelve aquí.

Qué es un sistema multiagente (y qué no es)

Anthropic describe a un agente como un modelo de lenguaje que usa herramientas en un bucle, guiándose por lo que le devuelve el entorno en cada paso. Un sistema multiagente pone varios de esos bucles a trabajar a la vez y añade tres piezas que un agente suelto no necesita:

• Roles definidos. Cada agente sabe de qué se ocupa y, igual de importante, de qué no.
• Un canal para compartir información. Los agentes se pasan resultados, no conversaciones enteras.
• Reglas de coordinación. Quién decide cuando dos agentes no están de acuerdo, cuándo se para y quién aprueba.

Lo que no es: un chatbot con varios prompts guardados, ni una automatización fija de «si pasa A, haz B». En un sistema multiagente, cada agente razona sobre sus datos y puede llegar a conclusiones que nadie programó de antemano. Esa es su fuerza y también su riesgo. Si quieres profundizar en esa diferencia entre automatizar y razonar, la tienes explicada en IA agéntica.

Los cuatro patrones más habituales

No hay una sola forma de organizar a varios agentes. La guía de Anthropic Building effective agents recoge varios patrones que hoy son la base de casi cualquier diseño. Estos son los cuatro que más vas a ver.

1. Orquestador y especialistas

Un agente central recibe la tarea, la divide, reparte las partes entre agentes especialistas y luego sintetiza lo que le devuelven. Anthropic lo llama orchestrator-workers y lo recomienda para tareas complejas en las que no puedes predecir de antemano qué subtareas harán falta. Su propio sistema de investigación funciona así: un agente principal diseña la estrategia y lanza subagentes que exploran distintos aspectos en paralelo.

2. En cadena

La salida de un agente es la entrada del siguiente. Es el patrón más fácil de entender y de depurar: si algo falla, sabes en qué eslabón. Ejemplo en una tienda online: un agente extrae las ventas por producto, el siguiente detecta cuáles se están quedando sin stock y un tercero redacta el aviso para el equipo de compras.

3. En paralelo

Varios agentes trabajan a la vez y sus resultados se agregan al final. Anthropic distingue dos variantes: por secciones, cuando cada agente se ocupa de una parte independiente, y por votación, cuando varios hacen la misma tarea para contrastar resultados. La guía señala que, en tareas con muchas consideraciones, los modelos suelen rendir mejor cuando cada consideración la trata una llamada separada.

4. Debate o revisión

Un agente propone y otro critica. En el patrón evaluator-optimizer de Anthropic, uno genera una respuesta y otro la evalúa en bucle hasta que cumple los criterios. En investigación, el trabajo de Du y colaboradores sobre debate multiagente mostró que poner a varias instancias de un modelo a debatir sus respuestas durante varias rondas mejora el razonamiento y reduce los errores factuales.

En la práctica, los sistemas reales mezclan patrones: un orquestador que lanza especialistas en paralelo y somete su conclusión a una revisión antes de enseñarla a una persona.

Por qué dividir el trabajo entre especialistas

Podrías pensar que un modelo muy potente con acceso a todos los datos lo haría igual de bien. No suele ser así, por tres motivos:

1. Contexto enfocado. Un agente que solo mira campañas de Meta no se distrae con los flujos de email ni con las tallas del almacén. Tiene menos ruido y sus instrucciones pueden ser mucho más concretas.
2. Trabajo en paralelo. Anthropic cuenta que su sistema multiagente, con Claude Opus 4 como agente principal y subagentes Claude Sonnet 4, superó en un 90,2 % a un único agente Claude Opus 4 en su evaluación interna de investigación. Es una evaluación interna y sobre tareas de búsqueda amplia, no de marketing, pero ilustra bien la ventaja de repartir.
3. Responsabilidad trazable. Cuando una recomendación sale mal, sabes qué agente la originó y con qué datos. Con un único modelo que lo hace todo, esa pista se pierde.

La misma fuente pone el contrapunto: los sistemas multiagente encajan peor cuando todos los agentes necesitan compartir el mismo contexto o hay muchas dependencias entre ellos. Dividir tiene sentido cuando las partes son de verdad separables.

Cómo comparten información los agentes

Aquí es donde se juega casi todo. Un equipo de especialistas que no se habla bien es peor que un generalista. Las formas más habituales de compartir información son:

• Informes resumidos al orquestador. Cada especialista no envía todo lo que ha leído, sino su conclusión, la cifra que la sostiene y de dónde sale. El coordinador trabaja con resúmenes, no con datos en bruto.
• Memoria externa. Anthropic explica que sus agentes resumen las fases de trabajo terminadas y guardan lo esencial en una memoria externa antes de pasar a la siguiente tarea, para no depender de que todo quepa en la ventana de contexto.
• Una fuente de verdad común. Si el agente de Meta y el de Google calculan las ventas cada uno con sus propios datos, cada uno se atribuirá la misma venta. Lo sensato es que todos crucen contra un mismo registro, por ejemplo los pedidos reales de la tienda.
• Formato estructurado. Conclusión, impacto estimado, nivel de confianza, dato que falta. Si cada agente entrega en el mismo formato, el coordinador puede compararlos.

Riesgos: contradicciones, bucles y coste

Más agentes no significa automáticamente mejores decisiones. Los riesgos son reales y conviene conocerlos antes de confiar en un sistema así.

Contradicciones

Pongamos un ejemplo: un agente de publicidad ve que un producto convierte bien y propone escalarlo; el de stock sabe que solo quedan dos tallas. Ninguno se equivoca con sus datos, pero la recomendación combinada sería mala. Sin alguien que cruce ambas conclusiones, el sistema te dará dos consejos incompatibles.

Bucles y comportamiento desbocado

Anthropic reconoce que sus primeros agentes cometían errores como lanzar 50 subagentes para preguntas sencillas, buscar sin fin fuentes que no existían o distraerse unos a otros con actualizaciones excesivas. Un estudio académico, Why Do Multi-Agent LLM Systems Fail?, analizó más de 1.600 trazas de 7 frameworks multiagente populares e identificó 14 modos de fallo agrupados en tres categorías: problemas de diseño del sistema, desalineación entre agentes y verificación de la tarea.

Coste

Según Anthropic, los agentes consumen alrededor de 4 veces más tokens que una conversación normal, y los sistemas multiagente, alrededor de 15 veces más. Solo compensa cuando el valor de la tarea es lo bastante alto para pagar esa diferencia.

Cómo se controla un sistema multiagente

Los riesgos anteriores tienen solución conocida. Estos son los controles que deberías exigir a cualquier sistema de agentes que vaya a tocar tu negocio:

• Roles cerrados. Cada agente con su área y sin permiso para opinar de la de otro.
• Un árbitro. Un agente coordinador (o una persona) que resuelve contradicciones con un criterio explícito, no por quién habla más alto.
• Condiciones de parada. Anthropic recomienda incluir límites, como un número máximo de iteraciones, para mantener el control.
• Verificación contra datos reales. Cada conclusión se contrasta con la fuente, no con lo que dijo otro agente. Es la mejor vacuna contra las alucinaciones de la IA en marketing.
• Huecos declarados. Si falta un dato, se marca como no disponible y se explica por qué, en lugar de rellenarlo con una estimación.
• Aprobación humana. Anthropic describe que los agentes pueden detenerse a pedir la opinión de una persona en puntos de control o cuando se atascan. En decisiones que mueven dinero, ese punto de control debería ser obligatorio.
• Evaluación del resultado final. Anthropic aconseja juzgar a los agentes por el estado final alcanzado más que por cada paso intermedio. Traducido: ¿funcionó la decisión?

Un ejemplo visual: la oficina de agentes

Explicar un sistema multiagente con texto se queda corto, así que hemos montado una simulación de una oficina de agentes. Verás a siete agentes especialistas que se pasan datos entre ellos y llevan su conclusión al CMO de IA, que es quien la junta en un único plan. Los datos que aparecen son ficticios: la simulación sirve para ver el flujo, no para sacar conclusiones de negocio.

Fíjate en tres cosas mientras la miras: quién habla con quién, qué información cruza de un agente a otro antes de llegar al coordinador y en qué punto el plan se queda esperando a que lo apruebe una persona.

Sistemas multiagente en un ecommerce: un CMO de IA con aprobación humana

Una tienda online es casi un caso de libro para este enfoque. Tienes varias fuentes de datos que no se hablan entre sí (plataformas de anuncios, email, tienda, stock, finanzas), decisiones que dependen de cruzarlas y un coste alto si te equivocas.

En Growth AI lo hemos organizado con el patrón de orquestador y especialistas: siete agentes (Meta Ads, Google Ads, TikTok Ads, Email y CRM, Producto y Stock, Creativos y Finanzas) analizan cada uno su área, y un CMO de IA junta lo que dicen, lo cruza con las ventas reales de la tienda y propone un plan cada 15 días priorizado por impacto en euros. Nada se ejecuta sin que una persona lo apruebe, a los 15 días se comprueba si cada decisión funcionó, y si falta un dato aparece como N/D con el motivo. Tienes el detalle de qué hace cada especialista en los agentes de IA para ecommerce.

No es la única forma de hacerlo, pero sí ilustra los principios anteriores: especialistas con roles cerrados, un árbitro, una fuente de verdad común, huecos declarados y una persona que firma.

En resumen

Un sistema multiagente reparte un problema entre especialistas y confía en un coordinador para juntar las piezas. Bien diseñado, ve más cosas y con más foco que un único modelo. Mal diseñado, multiplica las contradicciones, los bucles y la factura. La diferencia no está en cuántos agentes tengas, sino en cómo comparten la información, quién decide y en qué momento una persona revisa antes de que algo toque tu dinero.