Patrón orquestador-trabajador: cómo repartir y juntar trabajo con IA
El patrón orquestador-trabajador deja que un agente decida las subtareas, las reparta y junte los resultados. Cuándo conviene y qué debe llevar cada encargo.
¿En qué se diferencia de encadenar o paralelizar?
Anthropic lo describe en Building effective agents (diciembre de 2024) como uno de cinco workflows, pensado para tareas complejas en las que no puedes predecir las subtareas necesarias. Sus ejemplos: cambios de código que tocan varios archivos y búsquedas que reúnen información de varias fuentes.
La diferencia clave con la paralelización es la flexibilidad. Si siempre harás las mismas tres revisiones en paralelo, las subtareas están fijadas y no necesitas un orquestador. Si su número y tipo dependen de lo que pida cada persona, alguien tiene que decidirlo en cada ejecución: el orquestador.
Para compararlo con los otros cuatro patrones, lee patrones multi-agente. Para la capa general de coordinación, orquestación de agentes.
¿Qué hace el orquestador y qué hacen los trabajadores?
El orquestador hace cuatro cosas que los trabajadores no hacen:
- Entiende la tarea completa. Lee el pedido, decide qué partes existen y cuáles son independientes.
- Escribe las delegaciones. Cada trabajador recibe un encargo, no el pedido original con la esperanza de que lo adivine.
- Junta resultados. Recibe hallazgos de varios agentes y los combina, descartando lo repetido.
- Decide si basta. Si falta información, lanza otra ronda. Si ya hay suficiente, para.
El sistema de investigación de Anthropic (junio de 2025) lo muestra en la práctica. Un agente líder analiza la consulta y lanza subagentes que buscan en paralelo, cada uno con su propia ventana de contexto. Los subagentes condensan lo importante y devuelven hallazgos; no pasan todo lo que leyeron. El líder guarda su plan en una memoria externa, porque si el contexto supera los 200.000 tokens se trunca. Al final, un agente aparte localiza de dónde sale cada afirmación para añadir las citas.
Los trabajadores tampoco ven la conversación completa. En Claude Code, según su documentación, un subagente empieza con una ventana de contexto nueva y aislada: no ve el historial, y trabaja a partir del mensaje de delegación que redacta el agente principal (más su propio prompt de sistema y algunos archivos del proyecto, como CLAUDE.md). Al terminar devuelve solo un resumen. Eso lo hace barato y enfocado, pero también significa que una mala delegación no tiene de dónde recuperarse.
¿Qué debe llevar cada delegación?
Anthropic lista cuatro elementos que cada subagente necesita:
- Objetivo: qué debe averiguar o producir, en una frase.
- Formato de salida: cómo debe devolverlo (lista, tabla, JSON, cinco puntos con fuente).
- Herramientas y fuentes: qué usar y qué no.
- Límites de la tarea: qué le toca a este trabajador y qué le toca a otro.
Sin ellos, el trabajo se solapa. Anthropic cuenta un caso: ante la instrucción corta “investiga la escasez de semiconductores”, un subagente miró la crisis de chips del sector automotriz de 2021, mientras otros dos duplicaban el trabajo sobre las cadenas de suministro de 2025.
Ejemplo ilustrativo de una delegación completa: “Objetivo: encontrar los motivos de cancelación que aparecen en los últimos 200 mensajes de soporte. Formato: tabla con motivo, cantidad de mensajes y una cita corta por motivo. Fuentes: solo el archivo de soporte exportado; no uses datos de precios. Límites: de precios y de versiones se encargan otros trabajadores; si algo no está en el archivo, dilo en lugar de suponerlo.”
Si no puedes escribir en tres líneas qué le toca a cada trabajador, todavía no estás listo para delegar.
¿Cuántos trabajadores lanzar y cuánto cuesta?
Un orquestador puede gastar de más. Anthropic cuenta que las primeras versiones de su sistema cometían errores como lanzar 50 subagentes para consultas simples. La solución fue poner reglas de escala dentro del prompt:
| Tipo de consulta | Esfuerzo que fijan las reglas |
|---|---|
| Buscar un dato | 1 agente, de 3 a 10 llamadas a herramientas |
| Comparación directa | De 2 a 4 subagentes, de 10 a 15 llamadas cada uno |
| Investigación compleja | Más de 10 subagentes con responsabilidades divididas |
El costo es la otra cara. Según las mediciones de Anthropic, los agentes usan cerca de 4 veces los tokens de un chat y los sistemas multi-agente cerca de 15 veces. A cambio, en su evaluación interna de investigación, un líder Claude Opus 4 con subagentes Claude Sonnet 4 superó en 90,2 % a Claude Opus 4 trabajando solo. Son modelos de 2025 y una evaluación propia: sirven como orden de magnitud, no como promesa. Define el esfuerzo antes de delegar: cuántos trabajadores, cuántas llamadas por trabajador y cuándo parar.
¿Cuándo NO conviene?
- Cuando todos los agentes necesitan el mismo contexto. Anthropic dice que el patrón encaja mal en esos dominios.
- Cuando la tarea es de código y tiene pocas partes realmente paralelas. Según el mismo artículo, la mayoría de las tareas de programación tienen menos que una investigación.
- Cuando cada paso necesita el anterior completo. Ahí una cadena es más clara y barata.
- Cuando el valor no justifica el costo. Una pregunta simple no necesita once agentes.
Anthropic reconoce además límites de ingeniería. El líder espera a que termine cada grupo de subagentes antes de seguir, lo que crea un cuello de botella. Los errores se acumulan, porque los agentes guardan estado. Y para no perder información al pasar todo por el líder, los subagentes pueden guardar su trabajo fuera (por ejemplo, en archivos) y devolver solo una referencia ligera.
¿Cómo se ve en el diseño?
Para un diseñador, el orquestador es la parte invisible que más afecta la confianza. La persona debería poder ver qué subtareas se crearon, cuál está en curso y cuál terminó, qué resultados entraron y cuáles se descartaron, y qué pregunta no pudo resolver el sistema. Si se oculta el reparto, un resultado malo parece una sola decisión de la IA, cuando fue un conjunto de decisiones con fallos intermedios. Decide también en qué momentos el orquestador se detiene a pedir una decisión, por ejemplo antes de una segunda ronda cara.
Ejemplo
Ejemplo ilustrativo: quieres saber por qué subió la cancelación de suscripciones en el último trimestre. El orquestador divide el problema en tres delegaciones: uno revisa los comentarios de cancelación de soporte, otro compara precios y cambios de plan de las últimas seis semanas, y otro revisa las notas de versión del producto. Cada trabajador devuelve cinco hallazgos con fuente y un nivel de confianza. El orquestador agrupa, marca dos hipótesis que se contradicen y te deja una pregunta concreta para validar con datos de la base.
En el blog hay un caso real de orquestación con tickets, Hice que Claude Opus 4.8 gestionara a otro agente de IA mientras yo trabajaba, donde un agente planifica y revisa y otro ejecuta.
Errores comunes
- Delegar con una frase vaga como “investiga el tema”. El trabajador adivina y los resultados no se pueden comparar.
- No pedir un formato de salida. Juntar diez respuestas en texto libre es trabajo que el orquestador hace mal.
- Dejar que los trabajadores se pisen. Dales límites claros o separa sus espacios de trabajo.
- Usar el mismo nivel de esfuerzo para todo. Lo simple se vuelve caro.
- Usar el patrón cuando las subtareas ya están fijas. Una paralelización simple es más barata y más fácil de depurar.
- Confiar en la síntesis sin revisar las fuentes que la sostienen.
Fuentes
- Building effective agents (Anthropic Engineering, diciembre de 2024): definición del patrón, cuándo usarlo y diferencia con la paralelización.
- How we built our multi-agent research system (Anthropic Engineering, junio de 2025): memoria del plan, contenido de la delegación, ejemplo de instrucciones vagas, reglas de escala, cifras de 4x, 15x y 90,2 %, ejecución síncrona y casos donde no encaja.
- Subagents en Claude Code (documentación): contexto nuevo y aislado de cada subagente, mensaje de delegación y resumen de vuelta.