Imagina que un cliente escribe primero a un agente para pedir el estado de su pedido, y quince minutos después escribe a otro agente —de otro departamento, o simplemente otra instancia especializada— para pedir un cambio en la dirección de entrega de ese mismo pedido. Si el segundo agente no sabe nada de la conversación anterior, le va a pedir al cliente que repita el número de pedido, quizá que se identifique otra vez, y en el peor de los casos va a tomar una decisión que contradice lo que el primer agente ya le había confirmado. Esto no es un fallo de inteligencia del modelo: es un fallo de contexto compartido, uno de los problemas más comunes —y más solucionables— cuando una empresa pasa de tener un único agente de IA a tener varios trabajando en conjunto.
Qué es exactamente el contexto compartido
El contexto compartido es la información que varios agentes necesitan tener en común para que sus decisiones sean coherentes entre sí: quién es el cliente, qué se le ha dicho ya, qué datos se han verificado, en qué punto está el proceso y qué decisiones previas condicionan la siguiente. No es simplemente "que todos tengan acceso a la misma base de datos"; es que cada agente que entra en la conversación o en el proceso sepa qué ha pasado antes de que le toque actuar, sin que el cliente o el empleado tengan que repetirlo.
La confusión más habitual es pensar que basta con que todos los agentes lean del mismo CRM o del mismo sistema de tickets para que el contexto esté resuelto. Tener acceso a los mismos datos en bruto no es lo mismo que compartir contexto: un agente puede leer perfectamente el histórico de un cliente en la base de datos y aun así "no entender" en qué punto exacto de una negociación en curso está esa persona, si esa información vive solo en el hilo de conversación y no se ha estructurado como contexto explícito y transferible.
Por qué un solo agente no tiene este problema
Cuando trabajas con un único agente, el contexto compartido no es un tema porque no hay nadie más con quien compartirlo: todo lo relevante vive dentro de la misma conversación o la misma sesión, y el propio diseño del agente se encarga de mantenerlo mientras dura la interacción. El problema aparece exactamente en el momento en que introduces un segundo agente —o una persona que retoma el caso más tarde— y necesitas que esa segunda parte actúe con el mismo nivel de información que tenía la primera. Este salto de complejidad es, de hecho, una de las razones por las que conviene pensarlo dos veces antes de multiplicar agentes sin necesidad real, algo que tratamos con más detalle en qué es un sistema multiagente y cuándo conviene usarlo.
Las tres formas prácticas de resolverlo
No existe una única manera correcta de compartir contexto entre agentes; en la práctica se combinan varias, según el tipo de proceso:
Memoria compartida centralizada
Un almacén común —a veces llamado "pizarra" o memoria de trabajo compartida— donde cualquier agente que participe en el proceso escribe lo relevante de su parte y lee lo que otros ya han aportado antes de actuar. Es el enfoque más robusto para procesos largos con muchos agentes implicados, aunque exige más trabajo de diseño inicial para decidir qué se guarda y con qué nivel de detalle.
Traspaso explícito (handoff) con resumen
Cuando un agente termina su parte y pasa el caso a otro —o a una persona—, genera un resumen estructurado de lo esencial: qué se pidió, qué se resolvió, qué queda pendiente y qué decisiones ya se tomaron. Es un enfoque más ligero que la memoria centralizada y funciona bien cuando el proceso tiene pasos claramente secuenciales, como los que describimos en agentes de IA que se comunican entre sí.
Un agente supervisor que mantiene la visión completa
En procesos con varios agentes especializados actuando en paralelo, a veces conviene que una capa superior —un agente supervisor— mantenga la visión de conjunto y decida qué información necesita cada agente especializado en cada momento, en lugar de que todos intenten compartir todo con todos. Este patrón lo explicamos en detalle en qué es un agente supervisor que coordina otros agentes.
Qué falla cuando el contexto no se comparte bien
Los síntomas de un contexto mal compartido son bastante reconocibles una vez que sabes qué buscar:
- El cliente tiene que repetir información que ya dio antes, aunque haya sido al mismo negocio.
- Dos agentes dan respuestas que se contradicen entre sí sobre el mismo caso.
- Una decisión tomada por un agente "desaparece" cuando el caso pasa a otro agente o a una persona.
- El histórico de una interacción larga se corta en fragmentos que nadie junta después para entender el caso completo.
Cuando alguno de estos síntomas se repite con frecuencia, casi nunca es un problema de que los agentes "no sean lo bastante buenos": es un problema de diseño del contexto compartido, y se corrige rediseñando cómo y qué información viaja entre ellos, no cambiando de modelo de IA.
Cuánto contexto compartir (y por qué más no siempre es mejor)
Un error frecuente al diseñar esto por primera vez es intentar compartirlo todo entre todos los agentes, pensando que más información siempre ayuda. En la práctica, compartir contexto irrelevante para la tarea de un agente concreto añade ruido, ralentiza sus decisiones y en algunos casos empeora la precisión de sus respuestas. El diseño correcto no maximiza la cantidad de contexto compartido, sino que define con precisión qué necesita saber cada agente para hacer bien su parte, ni más ni menos.
Conclusión
El contexto compartido es lo que permite que varios agentes de IA se comporten como un equipo coherente en lugar de como piezas sueltas que cada cliente tiene que coordinar por su cuenta repitiendo la misma información. Se resuelve con memoria compartida, traspasos explícitos bien estructurados o un supervisor que reparte la información necesaria, según la complejidad del proceso. Si estás valorando pasar de un agente a varios y quieres que el contexto se comparta bien desde el diseño, en MG Solutions lo planteamos así desde el primer día. Reserva una primera reunión y lo revisamos juntos.