--- title: Orquestación de agentes de IA url: https://ftrlg.com/es/wiki/ai-agent-orchestration/ lang: es published: 2026-10-11 version: 2 summary: Forma de resolver tareas con varios agentes de IA a la vez: un agente principal reparte el trabajo entre ejecutores, los supervisa y reúne el resultado. cite_as: "future.log, «Orquestación de agentes de IA», https://ftrlg.com/es/wiki/ai-agent-orchestration/" license: CC BY 4.0 https://creativecommons.org/licenses/by/4.0/ --- # Orquestación de agentes de IA La **orquestación de agentes de IA** (en inglés, *multi-agent orchestration*) es una forma de resolver una tarea con varios [agentes de IA](https://ftrlg.com/es/wiki/autonomous-ai-agents/) a la vez: un agente orquestador principal divide el trabajo en partes, las reparte entre agentes ejecutores, los supervisa y reúne el resultado. El orquestador también puede ser una persona que dirige varios agentes al mismo tiempo. Los primeros frameworks abiertos para esto aparecieron en 2023.[^1] Hacia 2026, la orquestación ya era una función integrada de las herramientas de desarrollo: en Claude Code puedes lanzar un equipo de agentes que trabajan en paralelo y se coordinan solos.[^7] Aun así, los estudios muestran que varios agentes no siempre ayudan: en unas tareas rinden claramente mejor que uno solo y en otras, claramente peor.[^9] ## Historia - **16.08.2023** Microsoft publica AutoGen, un framework abierto en el que las aplicaciones se construyen con varios agentes capaces de «conversar entre sí» para completar una tarea.[^1] - **23.01.2024** LangChain presenta esquemas multiagente sobre LangGraph: un «agente supervisor» dirige las tareas a agentes individuales; en el fondo, es un agente cuyas herramientas son otros agentes.[^2] - **19.12.2024** [Anthropic](https://ftrlg.com/es/models/anthropic/), en la guía «Building Effective AI Agents», describe el esquema «orquestador–ejecutores»: un modelo central divide la tarea sobre la marcha, delega las partes en modelos ejecutores y sintetiza sus resultados.[^3] - **09.04.2025** Google lanza Agent Development Kit para aplicaciones de varios agentes especializados y el protocolo abierto A2A, con el que agentes de distintas empresas pueden trabajar juntos; más de 50 socios tecnológicos apoyaron el protocolo.[^4][^5] - **24.07.2025** Claude Code incorpora sus propios subagentes: cada uno tiene su propia ventana de contexto, sus instrucciones, herramientas y permisos.[^6] - **05.02.2026** Anthropic añade a Claude Code los «equipos de agentes» (versión preliminar): varios agentes trabajan en paralelo como un equipo y se coordinan solos.[^7] - **08.09.2026** [OpenAI](https://ftrlg.com/es/models/openai/) informa de que su modelo interno demostró una singularidad en tiempo finito para las ecuaciones de Navier-Stokes (con una fuerza aplicada), con unos 10.000 agentes de IA coordinados durante 88 horas.[^16] - **07.10.2026** Elon Musk anuncia que Grok Bot usará para cada tarea el mejor modelo, incluidos Claude Opus 5.5, Midjourney y Suno.[^17] - **08.10.2026** Google presenta el agente de Gemini, que ejecuta cada tarea con el modelo más adecuado: Gemini o [Claude](https://ftrlg.com/es/models/claude/).[^18] - **09.10.2026** Anthropic abre la beta pública de los flujos dinámicos de Claude Managed Agents: un agente principal escribe un plan que se ejecuta en muchos agentes. Con 70 errores sembrados, el flujo encontró 66 en cada una de sus tres ejecuciones; un solo agente, 14, 15 y 27.[^19] ## Cómo funciona Hay dos esquemas. En el primero, el orquestador es un modelo: decide por sí mismo en qué partes dividir la tarea y lanza a los ejecutores. Así funcionan los frameworks AutoGen, LangGraph, CrewAI, OpenAI Agents SDK (sucesor del experimental Swarm)[^10] y Google ADK, además de los subagentes y los equipos de agentes de Claude Code. En el segundo, el orquestador es una persona que dirige varios agentes en paralelo. Simon Willison escribe que a menudo tiene abiertas varias ventanas de terminal en las que distintos agentes trabajan en carpetas distintas.[^11] El proyecto Gas Town de Steve Yegge convierte esto en un sistema: un agente principal, el «Alcalde», coordina a los demás y, según la descripción del proyecto, el trabajo sigue siendo manejable con 20–30 agentes.[^12] En 2026 la orquestación empezó a abarcar también modelos de distintas empresas: el agente de Gemini de Google y Grok Bot de xAI envían cada tarea al modelo que mejor la resuelva, incluidos los de la competencia.[^17][^18] ## Datos | estudio | qué se midió | resultado | |---|---|---| | Cemri et al. (Universidad de California en Berkeley), 17.03.2025[^8] | 1642 registros de trabajo de 7 sistemas multiagente abiertos; 150 etiquetados a mano y el resto, por un modelo | tasa de fallos: del **41% al 86,7%**; se identificaron 14 tipos de fallos en tres grupos: diseño del sistema, desalineación entre agentes y verificación del resultado | | [Anthropic](https://ftrlg.com/es/models/anthropic/), 13.06.2025[^13] | sistema de investigación: Claude Opus 4 como orquestador y Claude Sonnet 4 como ejecutores; prueba interna de una empresa que vende tokens | un **90,2%** mejor que Claude Opus 4 solo; consumo de tokens unas **15 veces** mayor que en un chat; el propio volumen de tokens gastados explica el 80% de la variación en la calidad | | Kim et al. (Google Research, [Google DeepMind](https://ftrlg.com/es/models/google-deepmind/), MIT), 09.12.2025[^9] | 260 configuraciones: 6 pruebas para agentes, 5 arquitecturas (un agente y cuatro multiagente), 3 familias de modelos | frente a un solo agente, desde **+80,8%** en tareas que se dividen en partes (análisis financiero) hasta **−70%** en planificación secuencial | > **[CONCLUSIÓN DE LA REDACCIÓN]** Usar varios agentes no es una mejora universal, sino una apuesta que gana en tareas que se dividen en partes independientes y pierde donde los pasos dependen unos de otros. La ganancia se paga en tokens: en Anthropic, la calidad se explica sobre todo por el volumen de tokens gastados, y un sistema multiagente gasta unas 15 veces más que un chat. Los sistemas multiagente abiertos fallan entre el 41% y el 87% de las tareas, y una parte notable de los fallos se debe a la desalineación entre agentes y a resultados sin verificar. Salvedad: la mayor ganancia (+90,2%) procede de una prueba interna de una empresa que vende tokens. ## Incidentes ### ServiceNow: un agente que llama a otros agentes, noviembre de 2025 El investigador de la empresa AppOmni Aaron Costello demostró que los agentes del asistente de IA de ServiceNow, Now Assist, pueden encontrarse entre sí y encargarse tareas unos a otros; los ajustes necesarios para ello vienen activados por defecto. Una instrucción inyectada en los datos hizo que un agente inofensivo «reclutara agentes más potentes», y estos crearon, leyeron, modificaron y borraron registros y enviaron fuera correos con el contenido de otros registros, todo ello con la protección contra la inyección de instrucciones activada. ServiceNow confirmó que ese comportamiento es el previsto y precisó su documentación. AppOmni vende protección contra este tipo de ataques.[^14] ## Críticas Cognition, desarrolladora del agente Devin, se pronunció contra los sistemas multiagente en el artículo de Walden Yan «Don't Build Multi-Agents». Dos principios: a los agentes hay que pasarles el contexto completo y todo el historial de acciones, no mensajes sueltos; cada acción lleva decisiones implícitas, y las decisiones contradictorias dan malos resultados. Un ejemplo: un subagente entendió mal su parte de la tarea y se puso a dibujar un fondo al estilo de Super Mario Bros.; otro dibujó un pájaro que no se parecía al del juego, y el agente final tuvo que unir dos malentendidos. Eso sí, Cognition vende un producto de un solo agente.[^15] ## Señales - 2025-10-05 — Simon Willison: «Distintos agentes en distintas carpetas» — sobre cómo trabaja él mismo con varios agentes de IA a la vez (https://ftrlg.com/es/signals/cq3nskqse/) ## Véase también [Agentes de IA autónomos](https://ftrlg.com/es/wiki/autonomous-ai-agents/) · [Ingeniería agéntica](https://ftrlg.com/es/wiki/agentic-engineering/) · Programación agéntica · Claude Code · Software que se escribe solo ## Referencias [^1]: Q. Wu et al. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation — arXiv, 16.08.2023. [arxiv.org](https://arxiv.org/abs/2308.08155) [^2]: LangGraph: Multi-Agent Workflows — LangChain, 23.01.2024. [langchain.com](https://www.langchain.com/blog/langgraph-multi-agent-workflows) [^3]: Building Effective AI Agents — Anthropic, 19.12.2024. [anthropic.com](https://www.anthropic.com/engineering/building-effective-agents) [^4]: Agent Development Kit: Making it easy to build multi-agent applications — Google for Developers, 09.04.2025. [developers.googleblog.com](https://developers.googleblog.com/en/agent-development-kit-easy-to-build-multi-agent-applications/) [^5]: Announcing the Agent2Agent Protocol (A2A) — Google for Developers, 09.04.2025. [developers.googleblog.com](https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/) [^6]: Claude Code changelog, versión 1.0.60 — Anthropic, 24.07.2025. [github.com](https://github.com/anthropics/claude-code/blob/main/CHANGELOG.md) [^7]: Claude Opus 4.6 — Anthropic, 05.02.2026. [anthropic.com](https://www.anthropic.com/news/claude-opus-4-6) [^8]: M. Cemri et al. Why Do Multi-Agent LLM Systems Fail? — arXiv, 17.03.2025 (versión 3 — 26.10.2025). [arxiv.org](https://arxiv.org/abs/2503.13657) [^9]: Y. Kim et al. Towards a Science of Scaling Agent Systems — arXiv, 09.12.2025 (versión 3 — 08.04.2026). [arxiv.org](https://arxiv.org/abs/2512.08296) [^10]: Swarm (experimental, educational) — OpenAI, GitHub. [github.com](https://github.com/openai/swarm) [^11]: Embracing the parallel coding agent lifestyle — Simon Willison, 05.10.2025. [simonwillison.net](https://simonwillison.net/2025/Oct/5/parallel-coding-agents/) [^12]: Gas Town — Steve Yegge, GitHub. [github.com](https://github.com/steveyegge/gastown) [^13]: How we built our multi-agent research system — Anthropic, 13.06.2025. [anthropic.com](https://www.anthropic.com/engineering/multi-agent-research-system) [^14]: When AI Turns on Its Team: Exploiting Agent-to-Agent Discovery via Prompt Injection — AppOmni, 19.11.2025. [appomni.com](https://appomni.com/ao-labs/ai-agent-to-agent-discovery-prompt-injection/) [^15]: Don't Build Multi-Agents — Cognition, 12.06.2025. [cognition.com](https://cognition.com/blog/dont-build-multi-agents) [^16]: On the Navier–Stokes Millennium Prize Problem — OpenAI, 08.09.2026. [openai.com](https://openai.com/index/navier-stokes-solution/) [^17]: Elon Musk: “Important note regarding Grok @Bot…” — X, 07.10.2026. [x.com](https://x.com/elonmusk/status/2107724314451878104) [^18]: Gemini at Work 2026: Introducing Gemini agent — Google Cloud, 08.10.2026. [cloud.google.com](https://cloud.google.com/blog/products/ai-machine-learning/welcome-to-gemini-at-work-2026) [^19]: Claude Developers: “We planted 70 bugs in a 116k-line codebase…” — X, 09.10.2026. [x.com](https://x.com/ClaudeDevs/status/2108591330129523146) — future.log, «Orquestación de agentes de IA», https://ftrlg.com/es/wiki/ai-agent-orchestration/ · CC BY 4.0