Orquestación de agentes

La orquestación de agentes es la forma de coordinar varios agentes de IA para resolver una tarea que un solo agente haría peor, más lento o sin espacio de contexto suficiente. Un sistema multiagente típico tiene un agente orquestador que planifica, divide el trabajo y delega en subagentes especializados, cada uno con su propio contexto, instrucciones y herramientas. El orquestador recoge lo que devuelven, decide si hace falta otra ronda y sintetiza la respuesta final.

Cómo funciona

Cada agente es un bucle en el que el modelo razona, llama a herramientas y observa resultados. Orquestar consiste en conectar esos bucles con una lógica clara. Los patrones más habituales, descritos por Anthropic en su guía sobre agentes efectivos, son:

• Orquestador-trabajadores: un agente principal decide dinámicamente qué subtareas crear y a quién asignarlas. Es el patrón más flexible.
• Paralelización: varias instancias trabajan a la vez sobre partes independientes (por ejemplo, investigar cinco fuentes distintas) y se agregan los resultados.
• Secuencial o pipeline: la salida de un agente es la entrada del siguiente, cercano al encadenamiento de prompts pero con agentes autónomos en cada etapa.
• Evaluador-optimizador: un agente produce y otro revisa y critica hasta que el resultado cumple un criterio.

La clave técnica es el aislamiento de contexto. Un subagente explora, lee documentos o ejecuta comandos en su propia ventana de contexto y devuelve solo un resumen condensado. Así el orquestador no se llena de ruido y puede abarcar mucho más trabajo del que cabría en una sola conversación.

Por qué importa

Con Claude esto ya no es teoría. Claude Code lanza subagentes para explorar un repositorio o revisar código sin contaminar la sesión principal, y el Claude Agent SDK permite definir subagentes propios con su system prompt y su conjunto de herramientas. El modo de investigación de Claude se apoya en el mismo principio.

En la práctica, orquestar te permite paralelizar tareas lentas, especializar agentes (uno que busca, otro que redacta, otro que verifica) y mezclar modelos: un modelo más capaz como orquestador y modelos más rápidos y baratos como trabajadores.

Cifras reales: el sistema de investigación de Anthropic

Anthropic publicó cómo construyó su sistema de investigación multiagente: un orquestador con Claude Opus 4 delegando en subagentes con Claude Sonnet 4 superó en un 90,2 % a un único agente Opus 4 en su evaluación interna de investigación. El precio: según el mismo informe, los sistemas multiagente consumen del orden de 15 veces más tokens que una conversación normal. Su conclusión es útil como regla: compensa en tareas de alto valor, muy paralelizables y que exceden una sola ventana de contexto; no compensa cuando todos los agentes necesitan compartir el mismo contexto o hay muchas dependencias entre pasos, como ocurre en buena parte de las tareas de programación.

Errores comunes

• Usar multiagente por defecto. Un solo agente bien diseñado, con buenas herramientas, resuelve la mayoría de casos con menos coste y menos puntos de fallo.
• Delegar con instrucciones vagas. Los subagentes no ven la conversación del orquestador: necesitan objetivo, formato de salida, límites y herramientas explícitos, o duplican trabajo.
• Confundirlo con encadenar llamadas. Un flujo fijo de prompts no es orquestación de agentes; la diferencia es que aquí los agentes deciden sus propios pasos.
• No medir. Sin evaluaciones no sabrás si los agentes extra mejoran el resultado o solo multiplican la factura.

Si quieres pasar de la teoría a la práctica, el siguiente paso natural es aprender a construir agentes conectados mediante MCP y diseñar desde ahí tus primeros flujos con subagentes.