Poner a varios agentes de IA a "hablar entre sí" suena elegante en un diagrama y se vuelve caótico en producción si no eliges bien el framework de orquestación.
Cuando una sola llamada a un LLM no basta — porque la tarea requiere planificación, división de trabajo especializado, y verificación cruzada — surge la necesidad de coordinar múltiples "agentes", cada uno con un rol, contexto y conjunto de herramientas distinto. AutoGen (de Microsoft Research) y CrewAI son las dos opciones open-source más adoptadas para esto, pero modelan el problema de forma muy distinta.
AutoGen piensa en términos de conversación entre agentes: cada agente es un participante en un chat grupal, con un patrón de turnos configurable (round-robin, selección dinámica por un LLM "manager", o reglas explícitas). CrewAI piensa en términos de equipo de trabajo con jerarquía de proceso: agentes con roles, objetivos y tareas asignadas secuencial o jerárquicamente, similar a cómo estructurarías un equipo humano.
En AutoGen, la unidad básica es el `ConversableAgent`. Un `GroupChat` coordina múltiples agentes y un `GroupChatManager` decide quién habla después. Esto da mucha flexibilidad para patrones emergentes — dos agentes debatiendo una solución, un agente crítico revisando el trabajo de otro — pero también hace el comportamiento menos predecible, porque el flujo de control depende de decisiones del LLM en tiempo de ejecución, no de una estructura fija.
La versión más reciente del proyecto, AutoGen 0.4+ (ahora parte del framework AG2 tras la bifurcación de la comunidad), reescribió el core con una arquitectura basada en actores async, mejorando el manejo de estado y la escalabilidad de conversaciones largas — un problema real en la versión 0.2 donde el historial de chat crecía sin límite y disparaba el consumo de tokens.
CrewAI estructura el trabajo alrededor de tres conceptos: `Agent` (rol, objetivo, backstory que condiciona su comportamiento), `Task` (una unidad de trabajo concreta con un output esperado) y `Crew` (el conjunto de agentes y tareas, con un proceso de ejecución: secuencial o jerárquico con un agente manager). Esto produce flujos más predecibles y auditables — sabes exactamente qué tarea ejecuta qué agente y en qué orden — al costo de menos flexibilidad para comportamiento emergente.
CrewAI no depende de LangChain desde sus versiones recientes (eliminó esa dependencia dura para reducir peso y conflictos de versión), lo cual simplificó bastante su instalación y footprint.
La observabilidad es distinta: CrewAI, al tener tareas explícitas con outputs esperados, es más fácil de instrumentar con logging estructurado y trazabilidad tarea-por-tarea. AutoGen requiere más trabajo para extraer trazas útiles de una conversación de chat libre entre agentes, aunque su integración con AutoGen Studio (una UI para prototipar) ayuda en desarrollo.
El control de costos también difiere: los patrones conversacionales de AutoGen tienden a generar más llamadas al LLM por tarea completada (turnos de ida y vuelta, revisión, re-intentos) comparado con el flujo más lineal de CrewAI. En proyectos donde hemos medido esto, AutoGen puede consumir 30-50% más tokens para tareas equivalentes cuando el patrón de conversación no está bien acotado con límites de turnos.
AutoGen encaja mejor en escenarios de investigación y generación de código donde el valor viene de la iteración crítica entre agentes — por ejemplo, un agente que escribe código y otro que lo ejecuta y reporta errores en un ciclo hasta que pasa las pruebas (patrón "code executor" muy usado en benchmarks de ingeniería de software automatizada).
CrewAI encaja mejor en procesos de negocio con pasos claros y roles definidos: generación de reportes multi-etapa (investigación → análisis → redacción → edición), pipelines de contenido, o automatización de flujos de trabajo donde cada paso tiene un dueño y un entregable verificable — es el patrón que hemos usado en automatizaciones de calificación de leads para clientes en el sector de ventas B2B.
Si necesitas trazabilidad, procesos auditable y estructura tipo "equipo con roles", empieza con CrewAI — su curva de aprendizaje es más corta y el resultado es más predecible para stakeholders no técnicos. Si tu problema requiere comportamiento emergente, debate entre agentes, o patrones de revisión iterativa sin un guion fijo, AutoGen/AG2 da más libertad arquitectónica, aunque exige más disciplina para no dejar que las conversaciones se descontrolen en costo y tiempo.
Carlos Montiel es arquitecto de soluciones IA empresarial. Implementa LLMs, Agentes, RAG y orquestadores en empresas de Guatemala y Latinoamérica. Contáctalo para una consultoría.
Contactar a Carlos Montiel