Empieza con un solo agente y añade otros únicamente cuando las evaluaciones demuestren un límite concreto. La guía oficial de OpenAI recomienda maximizar primero el agente único. La división suele justificarse cuando la lógica condicional es difícil de mantener o cuando herramientas similares provocan selecciones erróneas de forma persistente.
Un sistema con más agentes parece ordenado sobre un diagrama, pero introduce nuevos traspasos, estados y puntos de fallo. Antes de fragmentarlo, conviene comprobar si el problema se resuelve con mejores instrucciones, herramientas bien definidas, una salida estructurada o un flujo determinista alrededor del agente.
Antes de elegir: ¿necesitas realmente un agente?
OpenAI sitúa los agentes en flujos donde la automatización tradicional encuentra dificultades: decisiones con matices, reglas difíciles de mantener o datos no estructurados que exigen interpretación. Si el proceso tiene reglas estables, entradas conocidas y pasos predecibles, una automatización determinista puede ser más sencilla de probar y operar.
- Automatización clásica: las reglas y el orden de los pasos se conocen de antemano.
- Agente único: hace falta interpretar contexto y elegir dinámicamente entre herramientas para lograr un objetivo.
- Varios agentes: un único agente no mantiene con fiabilidad la lógica o confunde responsabilidades y herramientas pese a haber simplificado su diseño.
Por qué conviene maximizar un agente único
Un agente con herramientas e instrucciones claras mantiene el contexto en un solo lugar, reduce traspasos y simplifica las evaluaciones. Cada herramienta amplía su capacidad sin obligar a introducir una red de coordinación antes de necesitarla.
El número bruto de herramientas no decide por sí solo. La guía de OpenAI señala que algunos sistemas manejan más de 15 herramientas distintas y bien definidas, mientras otros fallan con menos de 10 herramientas que se solapan. Antes de dividir, mejora nombres, parámetros, descripciones y límites de cada herramienta y vuelve a evaluar.
Dos señales para considerar varios agentes
1. La lógica se ha vuelto difícil de mantener. El prompt acumula ramas, excepciones y condiciones hasta que un cambio rompe otra parte del comportamiento. Separar segmentos lógicos en especialistas puede reducir esa complejidad, siempre que el contrato entre ellos sea explícito.
2. Existe sobrecarga o solapamiento de herramientas. El agente selecciona repetidamente una herramienta incorrecta porque varias hacen cosas parecidas o requieren contextos especializados. Si aclarar las herramientas no mejora las evaluaciones, separar dominios puede ser razonable.
No dividas porque «multiagente» suena más avanzado. Divide cuando puedas nombrar el fallo que la separación debe corregir y medir si lo ha corregido.
Un caso como la extracción web con Amazon Bedrock AgentCore ayuda a comprobar la decisión: primero se delimita el resultado, las fuentes y la verificación; después se decide si hace falta un agente, varios especialistas o una automatización más simple.
Manager o handoffs: dos patrones diferentes
OpenAI distingue dos patrones generales de orquestación multiagente:
- Manager, o agentes como herramientas. Un agente central conserva el control, llama a especialistas y reúne sus resultados. Encaja cuando debe existir una sola conversación, una política común o una síntesis final centralizada.
- Handoffs, o traspasos entre agentes. Un agente cede la ejecución y el contexto a otro, que pasa a encargarse del flujo. Encaja cuando un especialista debe asumir la conversación o el trabajo sin que un coordinador sintetice cada paso.
El manager concentra responsabilidad, pero también puede convertirse en cuello de botella o perder detalles de los especialistas. Los handoffs distribuyen el control, pero exigen contratos de entrega y estado más rigurosos. Ninguno de los dos patrones sustituye la definición de objetivos, permisos, salidas y verificación.
Guardrails: límites en varias capas
La guía de OpenAI plantea los guardrails como una defensa por capas. Un único filtro no cubre privacidad, seguridad, relevancia y riesgos de acción al mismo tiempo. El sistema puede combinar reglas deterministas, clasificadores, validación de salidas, controles de acceso y aprobaciones humanas.
También recomienda intervención humana cuando se superan límites de intentos o acciones y cuando el agente pretende ejecutar una operación sensible, irreversible o de alto impacto. Esa escalada debe formar parte del flujo, no depender de que alguien detecte el problema por casualidad.
Si estás definiendo ese control, consulta la guía de aprobaciones humanas para agentes de IA: incluye niveles de autonomía, información que debe ver quien revisa y señales para detener el flujo.
Tracing: si no puedes reconstruir el flujo, no puedes mejorarlo
La documentación oficial de OpenAI Agents SDK define una traza como el registro de extremo a extremo de una ejecución. Puede contener generaciones del modelo, llamadas a herramientas, handoffs, guardrails y eventos propios. Esto permite ver dónde se tomó una decisión y qué ocurrió después.
En producción, la traza debe conectarse con el resultado del negocio: tarea completada, error detectado, intervención humana, tiempo y coste. Debe configurarse además con criterios de privacidad, porque los datos de entrada y salida de modelos o herramientas pueden incluir información sensible.
Lista de comprobación antes de añadir otro agente
- Existe una evaluación repetible que muestra el fallo actual.
- Las instrucciones tienen un objetivo, restricciones y condición de salida claros.
- Las herramientas tienen nombres, parámetros y descripciones inequívocos.
- Se ha probado si una salida estructurada o una regla determinista elimina la ambigüedad.
- El nuevo agente tendrá una responsabilidad distinta, no una personalidad distinta.
- El traspaso define contexto, formato, autoridad y criterio de aceptación.
- El flujo tiene límites, guardrails, escalado humano y trazas.
- La nueva arquitectura se compara con la anterior usando las mismas tareas.
Una arquitectura se elige por fiabilidad, no por cantidad
La decisión correcta es la arquitectura más sencilla que alcance el nivel de calidad y control que exige el proceso. Si un agente único supera las evaluaciones, añadir agentes aumenta la superficie operativa sin aportar valor demostrado. Si no las supera, la separación debe atacar una causa concreta y medirse de nuevo.
Para ver qué puede romperse una vez que varios agentes colaboran, consulta los 14 modos de fallo de MAST. Para diseñar el sistema completo de personas, agentes, datos y verificaciones, ve a la guía de orquestación de agentes de IA.