Orquestar muchos agentes a escala: patrones que funcionan

Pasar de un agente a muchos cambia el problema: de prompts a diseño de sistemas. En 2026 un puñado de patrones de orquestación domina la producción, y el mejor punto de partida suele ser el más simple.

Cinco patrones

• Apertura en paralelo (fan-out): dispersar y reunir en paralelo, para subtareas independientes.
• Flujo secuencial (pipeline): una cadena secuencial, cuando cada paso depende del anterior.
• Debate: varias perspectivas se critican entre sí, para juicios difíciles.
• Supervisor: un agente descompone el trabajo, delega y combina los resultados.
• Enjambre (swarm): pares dinámicos. Los proveedores ya informan de enjambres de cientos de subagentes, pero es la frontera, no lo habitual.

El supervisor es el estándar de producción de 2026: los subagentes de Claude Code, el patrón supervisor de LangGraph y los traspasos del OpenAI Agents SDK convergen en él. Escala porque sumar un especialista significa registrarlo ante el supervisor y definir su alcance y permisos, no recablear todo.

Dos protocolos, dos tareas

MCP, el Model Context Protocol, estandariza cómo los agentes llegan a herramientas y datos, de modo que un conector se escribe una vez y se reutiliza. A2A, el protocolo Agent-to-Agent, estandariza cómo hablan los agentes entre sí: descubrir capacidades, traspasar trabajo de forma estructurada y confirmarlo. Juntos cubren el acceso a herramientas y la colaboración entre pares, y la capa de orquestación supervisa a ambos.

Qué falla a escala

• Los errores de enrutamiento se propagan: un traspaso equivocado corrompe los pasos que le siguen.
• El estado se desvía: sin una gestión de estado compartida, los agentes trabajan con hechos distintos.
• El costo se acumula a lo largo de llamadas dependientes, así que usa niveles más baratos para los pasos simples.
• Nadie puede explicar una ejecución a menos que cada paso esté trazado y se pueda reproducir.

Una secuencia práctica

Empieza con un supervisor y dos o tres especialistas con herramientas acotadas. Agrega puntos de aprobación para las acciones irreversibles y presupuestos por tarea. Instrumenta antes de escalar. Solo entonces suma la apertura en paralelo para el trabajo paralelo, y considera los enjambres cuando haya una necesidad clara y una evaluación que lo demuestre. Los frameworks habituales incluyen LangGraph, CrewAI, Microsoft Agent Framework, Google ADK, el OpenAI Agents SDK y el Claude Agent SDK, con motores duraderos como Temporal para el trabajo de larga duración.