IA Agêntica
Sistemas multiagente: coordinar agentes y evitar fallas
Imagine una empresa que utiliza distintos agentes de inteligencia artificial para atender solicitudes de clientes. Un agente identifica el problema, otro consulta información financiera y un tercero verifica la situación de determinado servicio antes de ejecutar una acción.
Cada agente puede funcionar correctamente cuando se lo evalúa individualmente. Pero ¿qué ocurre cuando se transmite información incorrecta entre ellos? ¿O cuando dos agentes toman decisiones incompatibles sobre la misma solicitud?
Este es uno de los desafíos de los sistemas multiagente, estructuras en las que distintos agentes de IA colaboran para ejecutar tareas que exigen múltiples capacidades, conocimientos o etapas de procesamiento.
Según una investigación de Deloitte publicada en agosto de 2026, solo el 15% de las organizaciones encuestadas había alcanzado una adopción orquestada de múltiples agentes a escala. El mismo estudio muestra que apenas el 5% consideraba sus procesos empresariales altamente preparados para trabajar con agentes de IA [1].
Los indicadores ayudan a dimensionar una dificultad importante. Poner agentes en operación es una cosa. Coordinarlos de forma confiable, especialmente cuando participan en procesos que atraviesan distintos sistemas y departamentos, es otra.
Por qué coordinar agentes es distinto de poner varios agentes en operación
La principal ventaja de los sistemas multiagente es permitir que distintos agentes se especialicen en determinadas funciones.
Un agente puede interpretar solicitudes, otro analizar información y un tercero ejecutar actividades en sistemas corporativos. Cuando trabajan de manera coordinada, pueden participar en procesos más complejos que los realizados individualmente.
Sin embargo, esa colaboración no ocurre automáticamente.
Es necesario definir cómo se distribuirán las tareas, qué información se compartirá, cuándo un agente podrá transferir una actividad a otro y qué condiciones deben cumplirse antes de que se ejecute determinada acción.
Microsoft describe distintos patrones de orquestación de agentes de IA, incluyendo ejecución secuencial, procesamiento paralelo y transferencia dinámica de tareas entre agentes especializados [2].
Estos enfoques atienden necesidades distintas. En un proceso secuencial, la conclusión de una etapa depende del resultado anterior. En las actividades paralelas, en cambio, distintos agentes pueden trabajar simultáneamente y sus resultados deben reunirse después.
Existe también el mecanismo conocido como handoff, en el que un agente transfiere el control de determinada tarea a otro agente más adecuado para la situación.
El punto central es que tener varios agentes disponibles no significa tener un sistema multiagente efectivamente coordinado.
La organización necesita comprender cómo interactúan esos agentes, qué decisiones pueden tomar y cómo sus actividades contribuyen al resultado final del proceso.
Además, no toda actividad exige múltiples agentes. La propia Microsoft recomienda evaluar si la complejidad adicional de coordinación se justifica, considerando costos, latencia y posibles fallas [2].
Cómo surgen las fallas en cadena en los sistemas multiagente
Cuando varios agentes participan en un proceso, un error puede dejar de ser un problema aislado.
Considere nuevamente el ejemplo de la atención. Un agente interpreta incorrectamente la solicitud de un cliente y encamina información incompleta a otro agente. Este, a su vez, utiliza esos datos para tomar una decisión que será ejecutada por un tercero.
Aunque los agentes siguientes funcionen conforme a sus instrucciones, el resultado final podrá verse comprometido.
El problema no está necesariamente en un único agente, sino en la forma en que circulan la información y las decisiones entre ellos.
Un estudio académico presentado en NeurIPS 2025, una de las principales conferencias internacionales de investigación en inteligencia artificial y aprendizaje automático, titulado Why Do Multi-Agent LLM Systems Fail?, analizó desafíos de sistemas multiagente basados en modelos de lenguaje e identificó 14 modos distintos de falla, organizados en tres categorías: problemas de especificación y diseño del sistema, desalineación entre agentes y fallas de verificación o cierre de las tareas [3].
Entre las situaciones identificadas están dificultades para cumplir correctamente las funciones definidas, pérdida de información durante la colaboración, repetición de etapas y cierre inadecuado de las actividades.
Estos resultados se obtuvieron en entornos experimentales y no representan una tasa general de fallas en las operaciones empresariales. Aun así, ofrecen evidencias de que la confiabilidad de un sistema multiagente depende de factores que van más allá de la calidad individual de los modelos utilizados.
Un agente puede ejecutar correctamente su propia tarea y, aun así, contribuir a un resultado incorrecto cuando recibe información inadecuada o participa en una secuencia mal coordinada.
Otro riesgo aparece cuando distintos agentes tienen permisos para actuar sobre los mismos sistemas o recursos. Sin límites adecuados, las decisiones tomadas en etapas distintas pueden generar conflictos o ejecutar acciones que deberían depender de validación.
Por eso, la coordinación necesita considerar no solo la secuencia de las actividades, sino también las condiciones en las que cada agente puede actuar, interrumpir una ejecución o solicitar intervención humana.
La observabilidad de agentes también gana importancia en este escenario. Cuando una tarea involucra a varios agentes, analizar solo el resultado final puede ser insuficiente para comprender dónde ocurrió un problema.
Es necesario acompañar la trayectoria de la ejecución e identificar qué información, decisiones e interacciones contribuyeron a determinado resultado.
El desafío aumenta cuando agentes de distintas plataformas necesitan trabajar juntos
La complejidad de los sistemas multiagente tiende a crecer cuando los agentes son desarrollados por equipos diferentes o utilizan plataformas y herramientas de proveedores distintos.
En este escenario, cada agente puede tener mecanismos propios de comunicación, autenticación, ejecución y monitoreo.
La interoperabilidad pasa a ser una necesidad importante.
Un ejemplo de esta evolución es el protocolo Agent2Agent (A2A), creado para facilitar la comunicación y la colaboración entre agentes de IA. En abril de 2026, la Linux Foundation informó que el estándar ya contaba con el apoyo de más de 150 organizaciones, incluyendo empresas relevantes del ecosistema tecnológico [4].
El avance de estos estándares favorece la integración entre distintas plataformas. Sin embargo, permitir que los agentes se comuniquen no resuelve automáticamente los desafíos de coordinación y gobernanza.
Una empresa todavía necesita saber qué agentes participan en determinado proceso, cómo se transfieren las tareas, qué permisos están involucrados y de qué manera pueden acompañarse las decisiones.
Este control se vuelve especialmente importante cuando los agentes dejan de solo recomendar acciones y pasan a ejecutarlas en sistemas corporativos.
Cuanto mayor es la autonomía y la interdependencia entre los agentes, mayor es la necesidad de acompañar el proceso completo, y no solo el funcionamiento individual de cada componente.
Esto no significa crear una supervisión humana para cada actividad, como abordamos en human-in-the-loop y autonomía. El objetivo es establecer criterios proporcionales al riesgo, con límites claros de actuación, mecanismos de seguimiento y posibilidad de intervención cuando sea necesario.
La expansión de los sistemas multiagente dependerá no solo de la capacidad de los agentes para ejecutar tareas, sino de la confiabilidad con la que logren trabajar en conjunto.
De la visión a la práctica: ARGUS
La coordinación de múltiples agentes exige una visión operacional que permita acompañar sus interacciones, decisiones y actividades en distintos sistemas.
Es en este contexto que ARGUS, plataforma de Inteligencia Operacional y Agéntica de Target Solutions, contribuye a la operación corporativa.
A través de sus capacidades de AgentOps, ARGUS apoya la orquestación, el monitoreo, la observabilidad y la gobernanza de los agentes de IA, ofreciendo visibilidad sobre su actuación y contribuyendo al seguimiento de los procesos en los que participan.
La propuesta es conectar agentes, personas y herramientas en un contexto operacional compartido, permitiendo que distintos componentes de la operación actúen de forma más coordinada, con trazabilidad y control.
Este enfoque gana relevancia cuando los agentes se desarrollan en plataformas distintas o necesitan interactuar con sistemas corporativos ya existentes.
En lugar de sustituir esas herramientas, ARGUS actúa como una capa de inteligencia y gobernanza que ayuda a las organizaciones a ampliar la utilización de agentes sin perder la visión sobre su operación.
Conozca ARGUS y vea cómo funciona en la práctica.
Sobre el autor
Paulo Florêncio de Menezes es emprendedor, socio y cofundador de empresas como Target Solutions, BiPTT y ARGUS.
Es graduado en Procesamiento de Datos por la Universidad Federal del Amazonas (UFAM), tiene un MBA en Gestión Empresarial por la Fundação Dom Cabral (FDC) y una Maestría Profesional en Economía por la Fundação Getulio Vargas (FGV).
En su investigación de Maestría, desarrolló el IBEOP-IA (Índice Brasileño de Exposición Ocupacional Potencial a la Inteligencia Artificial), investigando la exposición potencial de las ocupaciones brasileñas a las capacidades de la IA mediante la combinación de datos ocupacionales, patentes de inteligencia artificial y técnicas de procesamiento de lenguaje natural.
Referencias
[1] Deloitte. AI Agents Are Only the Beginning: Deloitte Survey Examines AI Readiness for Agentic AI Success. 12 ago. 2026.
[2] Microsoft. AI Agent Orchestration Patterns. Azure Architecture Center.
[3] Cemri, M. et al. Why Do Multi-Agent LLM Systems Fail? NeurIPS 2025.
[4] Linux Foundation. A2A Protocol Surpasses 150 Organizations, Lands in Major Cloud Platforms, and Sees Enterprise Production Use in First Year. 9 abr. 2026.