Multiagentes de IA: cuando un solo agente no alcanza

Le pediste a un agente de IA el informe semanal de marketing. Leyó Meta Ads, Google Ads, GA4, la planilla de ventas y el CRM. En la quinta fuente ya había olvidado lo que vio en la primera. El resultado se veía impecable y estaba mal: el ROAS de Google se había calculado sobre los ingresos del mes anterior.
El problema no era el modelo. Era pedirle a un solo agente que fuera analista de medios, de producto, de ventas y de finanzas a la vez, con una memoria de trabajo limitada. Justo ahí entran los sistemas multiagente de IA.
La buena noticia: el concepto se entiende sin escribir una línea de código. La mala: repartir el trabajo entre varios agentes cuesta más y crea problemas nuevos. Conviene saber cuándo vale la pena.
¿Qué son los multiagentes de IA?
Los multiagentes de IA son sistemas en los que varios agentes, cada uno con su función, herramientas e instrucciones, trabajan juntos en una misma tarea. Un agente orquestador divide el pedido en partes, las reparte entre especialistas, recoge sus respuestas y arma el resultado final. Es la diferencia entre un generalista saturado y un equipo pequeño con coordinador.
Si la idea de agente todavía no está clara, conviene empezar por qué son los agentes de IA y por la diferencia entre agente y chatbot. Aquí la pregunta es otra: qué cambia cuando hay más de un agente en la conversación.
¿Por qué un solo agente empieza a fallar?
Un agente es un modelo de lenguaje con herramientas y un objetivo. Planifica, llama una herramienta, lee el resultado y decide el siguiente paso. Funciona muy bien mientras la tarea le cabe en la cabeza. Tres cosas lo rompen:
- Contexto saturado. Cada tabla, cada respuesta de API y cada paso anterior ocupa espacio en la ventana de contexto. Con muchas fuentes, las instrucciones iniciales pierden peso y el agente empieza a confundir periodos y métricas.
- Demasiadas herramientas. Un agente con 40 herramientas disponibles elige la equivocada más seguido que uno con 6. Instrucciones vagas (“analiza todo”) generan decisiones vagas.
- Trabajo en serie. Si la tarea tiene partes independientes, un solo agente las hace una por una. Cuatro consultas de dos minutos se vuelven ocho minutos de espera.
Cuando dos de estas tres aparecen juntas, dividir el trabajo suele compensar el costo. Cuando ninguna aparece, un buen agente único lo resuelve mejor y más barato.
¿Cómo funciona la orquestación de multiagentes?
La orquestación es la regla de quién hace qué, en qué orden y quién decide al final. Hay variantes sofisticadas, pero casi todo lo que funciona en empresas cae en tres patrones.
Secuencial (línea de montaje)
El agente A le pasa al B, que le pasa al C. Ejemplo: un agente extrae los datos de campañas, otro limpia y estandariza nombres, un tercero redacta el informe. Es el más fácil de depurar, porque sabes exactamente dónde entró el error.
Paralelo con coordinador
El orquestador lanza varios especialistas a la vez y une sus respuestas. Sirve para preguntas que cruzan áreas, como “¿por qué cayó la ganancia si las ventas subieron?”. Medios, ventas y finanzas investigan en paralelo; el coordinador cruza.
Supervisor con revisión
Un agente ejecuta y otro revisa antes de entregar o actuar. Es el patrón correcto cuando el agente va a tocar algo real: pausar una campaña, cambiar un presupuesto, escribirle a un cliente. El revisor detecta el error obvio que el ejecutor no vio, y una persona aprueba lo que supera cierto límite.
Multiagentes de IA en la práctica: un ejemplo por área
Los ejemplos ayudan más que las definiciones. Piensa en una tienda online de cosméticos que factura unos US$ 150.000 al mes, con un equipo de marketing de tres personas y finanzas tercerizadas.
| Área | Pregunta que satura a un solo agente | Cómo la dividen los multiagentes |
|---|---|---|
| Marketing | ¿Qué canal trajo clientes rentables este mes? | Un agente lee medios pagos, otro lee pedidos y recompras, el orquestador cruza CAC con margen por canal. |
| Ventas | ¿Por qué bajó la tasa de cierre? | Un agente analiza el CRM por etapa, otro el origen de los leads, un tercero el tiempo de respuesta del equipo. |
| Finanzas | ¿La caja aguanta duplicar la inversión en medios para el Black Friday? | Un agente proyecta ventas, otro revisa cuentas por pagar e inventario, un revisor valida los supuestos antes de responder. |
Fíjate en que ningún especialista necesita saberlo todo. El agente de medios no necesita entender los plazos del proveedor. Eso es lo que mantiene a cada uno preciso: contexto pequeño, pocas herramientas, objetivo claro.
¿Cuánto cuesta tener varios agentes?
Aquí está el trade-off del que pocos hablan. Cuando Anthropic describió el sistema multiagente detrás de la función de investigación de Claude, publicó dos números que deben leerse juntos: el sistema con varios agentes superó a un agente único en un 90,2% en su evaluación interna de investigación, y consumió unas 15 veces más tokens que una conversación normal (Anthropic, junio de 2025). El mismo texto reconoce que las tareas en las que todos deben compartir el mismo contexto, y la mayoría de las de programación, se benefician mucho menos de la división.
En una simulación simple (números ilustrativos, no de investigación): si una pregunta respondida por chat cuesta US$ 0,04 en procesamiento, la misma pregunta en un sistema multiagente puede costar cerca de US$ 0,60. Hecha 40 veces al mes, la cuenta pasa de US$ 1,60 a US$ 24. Para un análisis que decide adónde van US$ 10.000 de medios, es barato. Para responder “¿cuántos leads entraron ayer?”, es desperdicio.
Mi regla: multiagente para preguntas caras de equivocar y que cruzan áreas; agente único para consultas directas y repetitivas.
¿Cuándo no usar multiagentes?
Gartner predijo que más del 40% de los proyectos de IA agéntica serán cancelados antes de fines de 2027, por costos crecientes, valor de negocio poco claro y controles de riesgo débiles (Gartner, junio de 2025). En el mismo análisis estimó que solo unos 130 de los miles de proveedores que se dicen “agénticos” entregan agentes de verdad. Montar una arquitectura multiagente antes de tener un problema claro es un camino rápido para entrar en esa estadística.
Evítalo cuando:
- la tarea cabe en una sola consulta y hay pocas fuentes;
- tus datos todavía no están integrados ni son confiables (diez agentes leyendo la planilla equivocada producen diez errores coherentes);
- nadie puede decir qué decisión va a mejorar el sistema.
Si estás en esa etapa, el camino más corto es implementar un agente primero, medir la ganancia y solo después dividir.
¿Cómo empezar sin programar?
Puedes armar multiagentes en herramientas visuales como n8n, o usar plataformas que ya traen los agentes especializados listos. Esta comparación de herramientas para crear agentes de IA ayuda a elegir. En cualquier caso, esta secuencia funciona:
- Elige una pregunta de negocio recurrente que hoy lleva horas y cruza dos o más fuentes.
- Enumera los especialistas que usaría un equipo humano para responderla. Cada uno se convierte en un agente con pocas herramientas.
- Define el orquestador: qué le pregunta a cada especialista y cómo une las respuestas.
- Agrega un revisor o una aprobación humana antes de cualquier acción que toque dinero.
- Compara costo y acierto con la versión de agente único durante cuatro semanas.
Preguntas frecuentes
¿Qué es un sistema multiagente de IA?
Es un conjunto de agentes de IA con funciones distintas que colaboran en una tarea. Por lo general, un orquestador divide el trabajo, los especialistas resuelven cada parte con sus propias herramientas y el orquestador lo une todo en una respuesta o acción final.
¿Cuál es la diferencia entre un agente de IA y los multiagentes?
Un agente resuelve la tarea solo, con todas las herramientas y todo el contexto en un mismo lugar. Los multiagentes reparten la tarea entre especialistas, lo que mejora la precisión en problemas amplios, pero aumenta el costo y la complejidad.
¿Se pueden crear multiagentes de IA en n8n?
Sí. n8n permite que un agente llame a otros agentes como herramientas, lo que reproduce el patrón de coordinador con especialistas. Lo difícil no es técnico: es definir bien la función y los límites de cada agente.
¿Qué hace el agente orquestador?
Interpreta el pedido, decide qué especialistas activar y en qué orden, le pasa a cada uno solo el contexto necesario y consolida las respuestas. En sistemas que ejecutan acciones reales, también decide qué necesita aprobación humana.
Menos agentes, mejores preguntas
La conversación sobre multiagentes suele girar en torno a cuántos agentes tienes. La pregunta útil es otra: qué decisiones de la empresa dependen de cruzar datos que hoy viven separados, y cuánto cuesta equivocarse en ellas. La arquitectura viene después. En Sherlok, esa división ya viene armada: agentes especializados en medios, ventas y finanzas leen tus fuentes conectadas, y tú solo haces la pregunta en tu idioma y recibes el análisis cruzado listo.
Tus agentes de IA ya saben qué hacer en tu cuenta.
Enciéndelos gratis, sin tarjeta.
- Sin tarjeta
- Acceso de solo lectura
- Lo revocas cuando quieras