El AgentKit de OpenAI acaba de acabar con Swarm.

El entusiasmo por Swarm explota nuevamente en X, y no porque OpenAI haya resucitado en secreto un marco muerto. Desliza por las redes sociales y verás clips virales de agentes "al estilo Swarm" realizando revisiones de código, sprints de investigación y flujos de trabajo de extremo a extremo, cada uno acumulando miles de likes y retweets de desarrolladores de IA en busca del próximo desbloqueo de productividad.

La confusión proviene de un simple desajuste: marca versus realidad. Los influencers siguen mencionando OpenAI Swarm y insinuando una misteriosa “Actualización Swarm”, mientras que el verdadero motor detrás de la mayoría de estas demostraciones es AgentKit, la nueva plataforma de agentes de OpenAI, y no el experimento de 2024 que todos recuerdan.

Swarm en sí era un marco de orquestación pequeño, casi a nivel de juguete, que OpenAI lanzó en 2024. Mostró cómo se podían conectar múltiples agentes sin estado en menos de 100 líneas de Python utilizando la antigua API de completions de chat, pasando el control de un Agente a otro como si fuera una posta.

Ese minimalismo convirtió a Swarm en un imán para hackers y educadores. Podías hojear un solo archivo, entender todo el sistema y crear un ejemplo en minutos, pero también te topabas con límites duros en el momento en que intentabas ejecutar algo serio sobre él.

Swarm se envió sin elementos esenciales de grado de producción. Sin memoria integrada, sin trazado estructurado, sin salvaguardias de seguridad y sin patrones definidos para reintentos, escalaciones o puntos de control con intervención humana, solo transferencias de aviso básicas y algo de lógica de enrutamiento.

Para marzo de 2025, OpenAI silenciosamente hizo oficial ese estatus: Swarm fue desaprobado y archivado. La documentación y las relaciones con desarrolladores señalaron a las personas hacia el nuevo SDK de agente, una base más robusta que eventualmente estaría debajo de AgentKit.

Así que cuando los creadores hablan de una Actualización Swarm 2025, en su mayoría se refieren a sensaciones, no a una mejora de versión. La frase Swarm Framework se ha mantenido como una forma abreviada de referirse a la orquestación multiagente, incluso después de que la base de código original dejó de evolucionar.

Lo que realmente cambió el juego a finales de 2025 fue la llegada de AgentKit. OpenAI agrupó la orquestación, la seguridad, la observabilidad y las integraciones en una sola pila: creadores visuales, interfaces de chat listas para usar y un registro de conectores con más de 200 servicios.

El ciclo de hype de hoy se centra en esa pila, no en un repositorio zombie de 2024. Swarm es el fantasma en la historia—útil como punto de referencia—pero la verdadera trama ahora pertenece a su sucesor espiritual, mucho más poderoso.

AgentKit llegó a DevDay el 6 de octubre de 2025 como la respuesta de OpenAI a una pregunta que Swarm nunca resolvió: ¿cómo se construyen sistemas multiagente que no se desmoronen fuera de una demostración? Mientras que Swarm era un ingenioso repositorio de GitHub, AgentKit es una plataforma de pila completa diseñada para integrarse en productos reales, con usuarios reales y acuerdos de nivel de servicio reales.

Swarm se mantuvo como un prototipo por diseño. Conectó agentes sin estado en menos de 100 líneas de Python utilizando la antigua API de completaciones de chat, pero se lanzó sin una capa de memoria, sin rastreo y casi sin seguridad. AgentKit cambia ese guion con configuraciones predeterminadas con opiniones sobre observabilidad, políticas y escalado, para que los equipos puedan pasar de un hackatón a producción sin cambiar de marco en pleno vuelo.

En el centro se encuentra el visual Constructor de Agentes, un lienzo de arrastrar y soltar que se asemeja más a Figma que a un terminal. Los desarrolladores combinan planificadores, herramientas, recuperadores, evaluadores y puntos de control humanos como nodos, luego versionan, prueban y promueven esos flujos como cualquier otro artefacto de software.

Agent Builder también incorpora la compleja infraestructura que Swarm dejó a los usuarios. Definís los almacenes de memoria a largo plazo, configurás los esquemas de herramientas, conectás servidores MCP y establecés guardrails a nivel gráfico, de modo que cada agente en un flujo de trabajo hereda por defecto el mismo conjunto de seguridad y registro.

ChatKit convierte esos flujos de trabajo en una experiencia de usuario lista para enviar. Proporciona a los equipos una interfaz de chat lista para aplicaciones: componentes web, SDKs móviles y tokens de diseño, para que el mismo grafo de agentes pueda potenciar consolas internas, copilotos orientados al cliente o widgets embebidos sin necesidad de reconstruir el front end cada vez.

Debajo, ChatKit maneja el estado de la sesión, la identidad del usuario y la aislamiento multi-inquilino. Esto es importante cuando un único despliegue puede atender a miles de usuarios concurrentes y docenas de tipos de agentes, cada uno con diferentes permisos, herramientas y ámbitos de datos.

El Registro de Conectores es donde AgentKit se distingue de cada clon inspirado en Swarm. OpenAI ofrece más de 200 conectores listos para usar para sistemas como Dropbox, Google Drive, Slack, Microsoft Teams, Salesforce, Jira, GitHub y Snowflake, todos gestionados desde un espacio de trabajo central.

En lugar de crear manualmente flujos de OAuth y frágiles envoltorios de API, los equipos activan conectores, mapean roles y campos, y exponen inmediatamente esas herramientas a agentes específicos. Los controles de políticas y los registros de auditoría se incluyen, para que los equipos de seguridad puedan aprobar realmente el acceso multiagente a datos de producción.

Tomados en conjunto, Agent Builder, ChatKit y el Registro de Conectores abordan la fragmentación que ha definido la IA agente hasta ahora. AgentKit reemplaza un despliegue de scripts personalizados, interfaces de usuario y conexiones de integración con una única pila decidida destinada a un solo objetivo: convertir experimentos de múltiples agentes en software estable y sostenible.

Agent Builder de AgentKit se parece menos a un IDE y más a un estudio de automatización sin código. Los desarrolladores arrastran bloques para planificadores, herramientas, recuperadores y evaluadores a un lienzo, conectándolos como bloques de Lego. En su interior, se compila en un gráfico de agentes completo, pero en la superficie estás reorganizando nodos de colores, no manejando callbacks asíncronos y código pegajoso frágil.

Los flujos de trabajo que solían requerir cientos de líneas de lógica de orquestación ahora caben en una sola pantalla. Puedes dirigir una consulta de usuario a un planificador, distribuirla entre varios agentes especializados y luego agregar sus resultados en una respuesta final. Cada borde en el gráfico es explícito, lo que hace que la depuración de las transferencias entre múltiples agentes sea mucho menos un misterio.

Las barreras de protección con intervención humana están integradas directamente en este lienzo. Puedes insertar puntos de revisión donde un humano debe aprobar una acción, aprobar una llamada a una herramienta o anular la decisión de un agente. En lugar de añadir moderación en la puerta de enlace de la API, modelas visualmente los caminos de escalamiento: “si es de alto riesgo, pausar y contactar a legal”.

El poder proviene del Registro de Conectores, que se comporta como una tienda de aplicaciones para las capacidades de los agentes. OpenAI ofrece más de 200 integraciones listas para usar, que abarcan: - Dropbox, Google Drive y Box para acceso a archivos - Slack, Teams y correo electrónico para comunicaciones - Salesforce, HubSpot y varios CRM para datos de clientes - GitHub, Jira y herramientas de CI para flujos de trabajo de ingeniería

Vinculas conectores a nodos en Agent Builder, por lo que un agente de "investigación" puede extraer PDFs de Dropbox mientras un agente de "soporte" consulta tu CRM. OAuth, la rotación de secretos y los alcances se mantienen centralizados en el registro, no dispersos en variables de entorno y scripts personalizados.

Una vez que un grafo de agentes funciona, ChatKit lo convierte en algo que los usuarios pueden tocar. Los desarrolladores integran los widgets de ChatKit en aplicaciones web, tableros internos o clientes móviles, con control total sobre la marca, roles y permisos. Una única superficie de ChatKit puede dirigir diferentes intenciones a diferentes agentes detrás de escena, de modo que “reembolsa esta factura” activa silenciosamente las automatizaciones financieras, mientras que “resume esta presentación” llega a un agente de conocimiento.

Para más detalles técnicos, el desglose de OpenAI en Presentando AgentKit - OpenAI Oficial explica estos componentes y sus restricciones de producción.

Diseñado para proyectos de afición, Swarm nunca tuvo que preocuparse por auditores o equipos de cumplimiento. AgentKit sí. OpenAI lo presenta como un plano de control de nivel empresarial para agentes, con seguridad, observabilidad y optimización integradas desde la primera llamada a la API, no añadidas posteriormente.

Donde Swarm se envió como “menos de 100 líneas de código”, AgentKit se envía con políticas. Cada solicitud y llamada a herramientas fluyen a través de límites que imponen reglas a nivel organizacional: qué datos puede manejar un agente, qué conectores puede utilizar y cuán agresivamente puede actuar sin la aprobación de un humano.

La privacidad de los datos pasa de ser un ejemplo de GitHub a un requisito obligatorio. AgentKit incorpora enmascaramiento de PII, redactando automáticamente correos electrónicos, números de teléfono, IDs de cuenta y otros identificadores de trazas y registros, de modo que los equipos puedan depurar agentes sin filtrar datos de cliente en los canales de observabilidad.

Los memes de jailbreak en X se enfrentan a un tiempo de ejecución mucho menos indulgente. AgentKit ejecuta una detección de jailbreak en las indicaciones, pensamientos intermedios y salidas de herramientas, bloqueando intentos de inyección de indicaciones, secuestros de roles y patrones de exfiltración de datos antes de que se propaguen a través de un flujo de trabajo multiagente.

En lugar de que los desarrolladores tomen capturas de pantalla de resultados inesperados, AgentKit se basa en un marco integrado de Evals. Los equipos pueden definir conjuntos de evaluación, ejecutarlos en agentes y herramientas, y comparar las ejecuciones a lo largo del tiempo a medida que ajustan los prompts, la lógica de enrutamiento o los modelos.

Crucialmente, esas evaluaciones se vinculan directamente con los trazos de producción. Los desarrolladores pueden: - Rastrear cada paso de un Agente a través de planificadores, recuperadores y herramientas - Adjuntar puntuaciones de evaluadores automatizados o humanos - Segmentar el rendimiento por segmento de cliente, caso de uso o versión del modelo

Ese bucle de retroalimentación establece la siguiente fase: el ajuste fino de refuerzo. En noviembre de 2025, OpenAI lanzó una beta de RFT que permite a los equipos optimizar estrategias de razonamiento personalizadas y políticas de uso de herramientas basadas en trazas del mundo real, no en referencias sintéticas.

RFT no solo ajusta los mensajes. Forma modelos para elegir mejores herramientas, secuenciar llamadas de manera más eficiente y omitir saltos innecesarios. Las primeras pruebas internas muestran que el 04 Mini funciona hasta un 30% más eficiente en el uso de tokens en flujos de trabajo complejos y con muchas herramientas cuando se ajusta con estas señales específicas de los agentes.

Apila todo eso y AgentKit deja de parecer un juguete para desarrolladores. Se ve como infraestructura.

Los ciclos de euforia no pagan facturas; enviar productos sí. AgentKit ya ha superado la etapa de prueba de concepto, con empresas reales integrándolo silenciosamente en las partes de su negocio donde la latencia, el tiempo de actividad y los dólares realmente importan. Los números que provienen de los primeros adoptantes se parecen menos a una demostración de laboratorio y más a un manual de estrategia.

El procesador de pagos Ramp es el ejemplo más claro. Al reconstruir sus copilotos de ingeniería internos sobre la pila de múltiples agentes de AgentKit, Ramp informa que ha reducido los ciclos de iteración en aproximadamente un 70%. Esto significa que los experimentos de características, la triagem de errores y las actualizaciones de herramientas internas se realizan en días en lugar de semanas, porque los agentes manejan la revisión de código, las verificaciones de regresión y los hilos de documentación en paralelo.

Bajo el capó, Ramp se apoya en agentes especializados en lugar de un asistente monolítico. Un agente planificador divide el trabajo en subtareas, un agente de herramientas accede a las API de CI/CD y observabilidad, y un agente de documentación reescribe especificaciones y registros de cambios. El Registro de Conectores de AgentKit une todo esto, de modo que cada agente se comunica con los mismos repositorios de código, sistemas de tickets y registros sin otra capa de integración frágil.

Coda está presionando con la misma intensidad en el lado del cliente. Usando AgentKit, la empresa automatizó aproximadamente dos tercios de sus tickets de soporte entrantes, enviando solo los casos complicados a humanos. Los problemas rutinarios—confusión en la facturación, acceso al espacio de trabajo, preguntas básicas sobre plantillas—pasan por un agente de triaje, un agente de recuperación que consulta bases de conocimiento, y un agente de escalamiento que señala cualquier cosa incierta.

Crucialmente, Coda mantiene a los humanos en el circuito sin ahogarlos. Los agentes redactan respuestas, presentan documentos relevantes y proponen resoluciones; los representantes de atención al cliente aprueban, ajustan o anulan. Las evaluaciones integradas y las medidas de seguridad monitorean la precisión, las tasas de alucinación y los puntajes de satisfacción del cliente, de modo que el sistema mejore en lugar de desviarse silenciosamente.

En conjunto, esas métricas—ciclos de ingeniería un 70% más rápidos, automatización de tickets en un 66%—transforman AgentKit de ser un juguete para desarrolladores llamativo a otra cosa: un kit de herramientas repetible y medible para reducir la carga operativa a gran escala.

El entusiasmo por AgentKit se encuentra dentro de un cambio mucho más amplio en 2025: la IA está pasando de modelos únicos que lo hacen todo a redes de agentes especializados que cooperan. En lugar de un único aviso gigante intentando equilibrar la planificación, el uso de herramientas y la verificación, los equipos están creando agentes planificadores, agentes investigadores, agentes ejecutores y críticos que negocian sobre el mejor camino a seguir.

Piensa en una colonia de hormigas, no en una supercomputadora. Múltiples agentes abordan un problema desde diferentes ángulos, comparten avances parciales y convergen en respuestas más rápido que un único sistema monolítico que tiene que razonar de principio a fin de una sola vez.

Los investigadores están formalizando esto con optimización al estilo de "colonias de hormigas" sobre enjambres de LLM. Un artículo de arXiv del 10 de noviembre mostró que la búsqueda multiparte, los bucles de retroalimentación y votación pueden alcanzar soluciones de mayor calidad con menos ejecuciones fallidas, especialmente en tareas complejas de razonamiento y programación.

La trampa: cada agente extra añade sobrecarga computacional. Cada transferencia implica más tokens, más contexto que manejar, más trazas que almacenar. Los enjambres ingenuos aumentan la latencia y el costo, con docenas de sub-decisiones y reintentos por cada solicitud de usuario.

Los modelos de próxima generación están comenzando a mitigar ese dolor. El conjunto multimodal de GPT-5 puede mantener un contexto compartido entre agentes, gestionar llamadas de manera eficiente y comprimir el razonamiento intermedio para que los enjambres no solo aborden los problemas a pura fuerza bruta. OpenAI afirma que 04 Mini bajo RFT ya es un 30% más eficiente en tokens en flujos de trabajo de varios pasos.

Los números de la industria respaldan por qué todos están compitiendo aquí. Las métricas internas de las firmas de trading muestran que el enfoque de muestreo en enjambre de Jensen incrementa las recompensas cuantitativas en un 94%, mientras que los primeros adoptantes informan ciclos de experimentación de 5 a 10 veces más rápidos cuando pasan de agentes individuales a equipos coordinados.

Las consultoras están codificando esto en el lenguaje de las juntas directivas. McKinsey denomina a la IA agentiva “la principal frontera de la tecnología”, proyectando que los flujos de trabajo impulsados por la IA podrían pasar del 3% de los procesos empresariales actuales al 25% para finales de 2025 si los sistemas multiagente maduran como se espera.

Los ecosistemas se están fragmentando y acelerando a la vez. Las herramientas MPC de Anthropic se expandieron a más de 200 componentes construidos por la comunidad en seis meses, mientras que jugadores de código abierto como DeepSeek y Llama 3 persiguen pilas más transparentes y hackeables que el AgentKit curado por OpenAI.

Los desarrolladores que buscan un control de bajo nivel aún extraen las ideas originales de Swarm, con el Repositorio de OpenAI Swarm - GitHub funcionando como un plano histórico para la orquestación ligera, incluso mientras AgentKit y sus pares definen el futuro de la producción.

AgentKit puede ser el brillante nuevo motor de OpenAI, pero está ingresando a una arena que se asemeja más a Kubernetes en 2016 que a un acogedor monopolio de plataforma. Los desarrolladores ya están divididos en facciones: quedarse dentro del jardín amurallado de AgentKit de OpenAI o apostar por pilas abiertas y agnósticas en cuanto a modelos que no quedarán obsoletas con la próxima presentación principal de DevDay.

El ecosistema MPC de Anthropic se ha convertido en el contrapeso por defecto. Construido en torno al Protocolo de Contexto del Modelo, MPC transforma herramientas, fuentes de datos y sistemas completos en capacidades direccionables en red que cualquier agente compatible puede utilizar. Más de 200 herramientas abiertas lanzadas en seis meses señalan una filosofía muy diferente a la del Registro de Conectores curado de AgentKit y el constructor de agentes opinado.

Donde AgentKit promete una orquestación con todas las funcionalidades incluidas, MPC vende composabilidad. Puedes integrar a Claude, GPT-5 o un modelo local de Llama en el mismo flujo de trabajo siempre que hablen el lenguaje de MPC. Esa flexibilidad atrae a equipos que ya han sufrido al migrar de Swarm cuando OpenAI lo descontinuó en marzo de 2025 y redirigió a todos hacia la nueva pila de SDK de agentes.

El bloqueo de proveedores ya no es una preocupación abstracta; es un argumento semanal X. Los desarrolladores señalan que AgentKit une estrechamente: - Elección de modelo - Lógica de orquestación - Telemetría y evaluaciones - Conectores y alojamiento

Cambiar más tarde significa reconstruir no solo los prompts, sino también flujos de trabajo completos, trazas y políticas de seguridad. Los defensores de la MPC-first argumentan que los protocolos abiertos permiten intercambiar modelos o proveedores de alojamiento sin tener que eliminar la lógica de tu agente.

Los retadores de código abierto están afinando ese argumento. Deepseek está impulsando modelos optimizados agresivamente y de bajo costo que superan en precio por token a GPT‑4.1 y GPT‑4.5, mientras permanecen "suficientemente buenos" para muchas cargas de trabajo agente, como refactoring de código, triage de registros y enrutamiento de documentos. Para equipos que gestionan miles de agentes concurrentes, una diferencia de costos del 30%–40% es más relevante que unos pocos puntos de referencia.

Llama 3—frecuentemente mal escrito como Llama 3 en hilos sociales pero aún así la marca de modelo abierto por defecto—ancla una estrategia diferente: agentes autoalojados en tus propias GPU o VPC. Ese camino intercambia la pila de seguridad pulida y las evaluaciones de AgentKit por un control total sobre la residencia de datos, la latencia y el ajuste fino. Las empresas en los sectores de finanzas y salud están utilizando cada vez más AgentKit para prototipar, y luego consolidan sus sistemas basados en Llama una vez que los requisitos se estabilizan.

Todo esto empuja a AgentKit a un rol familiar: la manera más rápida de lanzar algo real, no necesariamente el destino final. En la ola de IA agentiva de 2025, el movimiento inteligente para los desarrolladores es diseñar para la portabilidad, tratando a AgentKit como un potente punto final en un ecosistema más amplio, impulsado por protocolos, en lugar de ser el único juego en la ciudad.

Los ciclos de guerra de IA de treinta días suenan emocionantes hasta que eres tú quien se adentra en ese radio de explosión. Los stacks agenciales ahora pasan de un repositorio de GitHub a "producción" en un fin de semana, impulsados por fundadores que persiguen capturas de pantalla para redes sociales e inversores que exigen momentos de explosión de Swarm Hype cada mes. La calidad, las pruebas y la observabilidad básica a menudo se quedan muy atrás respecto a la demostración.

Los sistemas multiagente amplifican cada arista afilada. Un solo Agente que alucina es malo; cinco agentes pasando verdades parciales pueden corromper silenciosamente todo un flujo de trabajo. Los desarrolladores informan más fallos de “funcionó en staging” a medida que los agentes malinterpretan las salidas de los demás, desvían tareas o se estancan en el mismo subobjetivo hasta que se alcanzan los límites de tasa.

Las alucinaciones sutiles se convierten en un problema estructural, no en un error peculiar del modelo. Los agentes de planificación pueden inventar herramientas que no existen, fabricar campos de API o inferir permisos que nunca fueron otorgados. En un enjambre, esos errores se propagan: un ejecutor confía en el planificador, un recuperador confía en el ejecutor, y la respuesta final parece pulida pero es incorrecta en formas que evaden las pruebas casuales.

Depurar este lío es una disciplina en sí misma. Un flujo de trabajo multiagente no trivial puede generar miles de eventos de rastreo por solicitud: llamadas a herramientas, reintentos, revisiones de planificadores, sub-decisiones y mensajes entre agentes. Los desarrolladores comentan sobre tener que desplazarse a través de rastros de 5,000 líneas solo para entender por qué un único ticket de soporte se escaló en lugar de resolverse de manera autónoma.

La latencia también se dispara. Cada salto extra de agente añade latencia al modelo, viajes de red y sobrecarga de herramientas. Sin una poda rigurosa—menos agentes, profundidad de planificación limitada, almacenamiento en caché agresivo—los equipos ven flujos de trabajo que empezaron en 3 segundos estirarse a más de 30 segundos, y luego agotar el tiempo completamente una vez que la tráfico real de usuarios llega.

La escalabilidad convierte estas molestias en interrupciones. Diez usuarios interactuando con un flujo multiagente es encantador; 10,000 sesiones concurrentes pueden desencadenar: - Picos repentinos en el costo de tokens - Tormentas de límites de tasa en la API de herramientas - Retrasos en la cola que se propagan entre servicios

La oportunidad sigue siendo enorme. Los sistemas de múltiples agentes ya están multiplicando por diez la productividad de algunos equipos, desde las canalizaciones de revisión de código hasta el triaje de soporte L2. Pero la mentalidad de fiebre del oro oculta cuánto se necesita de observabilidad, evaluaciones y una simplificación rigurosa para evitar que esos enjambres de agentes colapsen bajo su propia complejidad.

Swarm puede estar muerto, pero 2026 se está perfilando para parecerse más a su nombre que a su código. Los agentes de IA están en camino de convertirse en una capa de interfaz de usuario universal, situándose por encima de las aplicaciones y APIs de la misma manera que los navegadores están por encima del HTML. No “abrirás Figma” ni “iniciarás sesión en Jira”, sino que le dirás a un agente de espacio de trabajo qué resultado deseas y verás cómo orquesta todo lo que hay debajo.

Las economías de agentes comienzan a parecer reales una vez que esos agentes dejan de ser copilotos ocasionales y empiezan a comportarse como servicios persistentes. Imagina un repositorio donde un grupo de agentes especializados se encarga de: - Fallos de CI y pruebas inestables - Actualizaciones de dependencias y parches de seguridad - Triage de regresiones y reversiones todo sin que un humano toque la línea de comandos a menos que algo verdaderamente nuevo se rompa.

Eso no es ciencia ficción; es hacia donde apunta la curva actual. Las empresas que ya están integrando AgentKit en los flujos de trabajo de producción hoy en día están, en esencia, sembrando los equipos de mantenimiento autónomos de 2026. La documentación como Documentación de Agentes - Plataforma OpenAI se lee menos como notas de SDK y más como la hoja de especificaciones para una nueva capa de operaciones.

El reported ~$70 mil millones de gastos de capital de Meta es la indicación más clara. No se invierte ese tipo de dinero en centros de datos solo para mejorar ligeramente el ranking de News Feed. Se hace para alojar enjambres de agentes a escala planetaria que pueden impulsar el comercio, la moderación, herramientas de creación y automatización interna a un nivel donde los humanos se convierten en gestores de excepciones, no en operadores principales.

Avanza un año y la compleja infraestructura digital comienza a parecerse a un juego multijugador dirigido por equipos de inteligencia artificial. Un grupo de agentes gestiona Kubernetes, otro optimiza el gasto en la nube en tiempo real, y otro negocia contratos de API entre servicios. Los humanos establecen políticas, revisan paneles de control y intervienen cuando los agentes no están de acuerdo o se desvían.

Si 2025 se trató de demostrar que los sistemas multiagente funcionan, 2026 es cuando silenciosamente asumen las partes aburridas de administrar Internet.

Deja de desplazarte por X y de actualizar sin cesar los hilos de Swarm. Comienza un repositorio, abre AgentKit y conecta un pequeño agente que realice una tarea molesta que repites todos los días: clasificar problemas en GitHub, generar listas de verificación para la revisión de PR o resumir informes de incidentes. Lanza una herramienta interna rudimentaria en una semana, y luego fortalécela con registros, evaluaciones y usuarios reales en la segunda semana.

AgentKit no es un juego de nostalgia ni una actualización de Swarm disfrazada. AgentKit es el motor: el constructor de agentes, el registro de conectores de ChatKit y la pila de evaluaciones que convierten una demostración interesante en un sistema durable. Swarm era un boceto; AgentKit es la línea de producción.

Trata a los agentes como multiplicadores de fuerza, no como recolectores de trabajos. Los equipos que integran agentes en los flujos de trabajo existentes ya están viendo victorias de 2 a 10 veces: colas de soporte resueltas automáticamente, ruido de integración continua filtrado, seguimientos de ventas redactados antes de que los humanos se despierten. Dejando de lado las proyecciones al estilo McKinsey, tus propios métricas—MTTR, tiempo de ciclo, tickets por persona—te dirán rápidamente si la plataforma funciona.

Movimientos prácticos a seguir para los desarrolladores:

• 1Elige un flujo de trabajo con métricas claras: SLA, tamaño del backlog, tiempo de entrega.
• 2Utiliza Agent Builder para encadenar un planificador, un ejecutor que llama herramientas y un paso de aprobación humana.
• 3Conéctate a dos o tres fuentes de datos del registro de conectores, no a veinte.
• 4Activa las evaluaciones y el seguimiento de calificaciones desde el primer día.

Para los líderes tecnológicos, la pregunta no es “¿Swarm o no?” sino “¿Capa de agente o statu quo?”. Forma un pequeño equipo ágil con un mandato de 60 a 90 días, un presupuesto real y un KPI específico: reducir el costo de un proceso central en un 30% o duplicar el rendimiento sin aumentar el personal. Incorpora la dependencia de proveedores, la privacidad y las revisiones de cumplimiento en el primer sprint, no en el último.

No necesitas un proyecto ambicioso. Necesitas un Agente funcional en producción. Construye algo pequeño con AgentKit este mes, comparte lo que no funcione y únete al debate sobre cómo deberían ser los sistemas multi-agente—antes de que los demás decidan un futuro sin ti.

¿Qué es OpenAI AgentKit?

AgentKit es el conjunto de herramientas listo para producción de OpenAI lanzado en octubre de 2025 para construir, implementar y gestionar sistemas de inteligencia artificial de múltiples agentes. Incluye un constructor visual, herramientas de integración de chat y un registro de conectores.

¿Es AgentKit la nueva versión de OpenAI Swarm?

No. Swarm fue un marco experimental desaprobado en marzo de 2025. AgentKit es un sucesor completamente nuevo, más potente y de nivel empresarial, diseñado para flujos de trabajo de producción del mundo real, no una actualización de Swarm.

¿Qué son los sistemas de IA de múltiples agentes?

Los sistemas multiagente implican múltiples agentes de IA especializados que colaboran para resolver problemas complejos que un solo agente no puede manejar por sí solo. Trabajan juntos como un equipo, dividiendo tareas y compartiendo información.

¿Puedo empezar a usar AgentKit hoy?

Sí, AgentKit se lanzó en el DevDay de OpenAI el 6 de octubre de 2025 y está disponible para que los desarrolladores construyan y desplieguen flujos de trabajo agénticos. Empresas como Ramp y Coda ya lo están utilizando en producción.