20+ creadores de agentes de IA: Microsoft, CrewAI, LangGraph y más

Después de revisar la documentación y pasar varias horas probando estos creadores de agentes de IA, compilamos una lista de los mejores marcos de código abierto y plataformas de bajo código/sin código. Para demostrar casos de uso de creadores de agentes de IA, proporcionamos un tutorial sobre cómo crear un agente experto en productos con CrewAI.

Plataformas de bajo código/sin código

Las plataformas de bajo código/sin código con herramientas preconstruidas son ideales para la automatización de flujos de trabajo empresariales y despliegue rápido.

Las plataformas de bajo código/sin código son software propietario.

Creatio

Creatio permite que los equipos comerciales creen agentes de IA sin necesidad de recursos de desarrolladores, centrándose en la automatización de ventas, marketing y servicio.

Características del creador de agentes de IA: Los agentes de IA de Creatio manejan interacciones con clientes, automatizan procesos y analizan datos. La plataforma utiliza plantillas preconstruidas para escenarios comunes, por ejemplo, calificación de leads, respuestas de servicio al cliente y procesamiento de pedidos, que puedes personalizar mediante configuración visual en lugar de código.

El creador de agentes se integra directamente con los datos de CRM de Creatio. Un agente de IA puede acceder al historial del cliente, obtener información de pedidos, verificar el estado del inventario y activar flujos de trabajo todo desde la misma plataforma donde residen tus datos comerciales.

Automatización de flujos de trabajo: El diseñador de procesos con arrastrar y soltar crea flujos de trabajo de múltiples pasos. Conecta agentes de IA a procesos comerciales: cuando un lead alcanza ciertos criterios, el agente los califica automáticamente, los asigna a representantes de ventas y programa seguimientos.

Vertex AI Builder

Un creador de agentes sin código para casos de uso empresariales que te permite crear plantillas de respuesta. Admite integración con marcos de código abierto como LangChain. Una limitación es que la API de Vertex, desde autenticación hasta puntos finales, es compleja de usar.

Beam AI

Microsoft Copilot Studio Agent Builder

Un creador de agentes de IA de bajo código para un entorno SaaS ofrece más de 1.200 conectores de datos. Ideal para:

• Automatizar tareas como enviar notificaciones.
• Crear chatbots internos.
• O, operaciones comerciales como la gestión de pedidos

La plataforma presentó Agent Builder en 2026, permitiendo la creación de agentes en lenguaje natural en la que los desarrolladores describen los requisitos, y el sistema genera automáticamente indicaciones, selecciona herramientas, configura subagentes y define habilidades.¹

Las mejoras de 2026 incluyen la capacidad de copiar agentes creados en Microsoft 365 Copilot a Copilot Studio para desbloquear flujos de trabajo de múltiples pasos e integraciones personalizadas.² La plataforma añadió capacidades de humano en el bucle mediante una acción de "solicitud de información" que pausa los flujos del agente para recopilar detalles de revisores designados a través de Outlook, y luego reanuda la ejecución usando sus respuestas como parámetros dinámicos.

Lyzr Agent Studio

Puede ser utilizado por desarrolladores, empresas y usuarios comerciales. Es modular y útil para prototipado. Ideal para automatizar flujos de trabajo en finanzas, RRHH, cadena de suministro y experiencia del cliente.

Glide

Ofrece temas sin código predefinidos, diseños y componentes para la creación de agentes. Ideal para automatizar flujos de trabajo en ventas en campo, inspecciones, órdenes de trabajo, inventario, CRM, paneles y portales.

Postman AI Agent Builder

Perfecto para prototipar y crear agentes de IA en un entorno colaborativo. Ofrece herramientas como el cliente Postman, Collection Runner y Postman Flows para probar respuestas, indicaciones y entradas de LLM.

UiPath Agent Builder

Una herramienta de desarrollo de agentes de bajo código que forma parte de UiPath Studio.

String

Un creador de agentes de IA que permite a los usuarios crear agentes específicos para tareas sin necesidad de codificar. Los agentes se construyen usando plantillas predefinidas y una interfaz visual de arrastrar y soltar. Se conecta con herramientas como SharePoint, Salesforce y APIs internas para automatizar flujos de trabajo. La privacidad de los datos se garantiza mediante cumplimiento empresarial de grado profesional, y los agentes pueden ejecutarse tanto en la nube como en entornos locales.

Relevance AI

Perfecto para equipos de operaciones que buscan crear agentes de IA para gestión de incidentes sin depender de recursos de desarrolladores. No se requiere experiencia técnica.

Lindy

Se especializa en automatizar varias operaciones comerciales, incluyendo documentación médica, servicio al cliente, recursos humanos y ventas. Con Lindy, puedes crear un "agente personalizado" para cada tarea, adjuntarlo a herramientas como Gmail o Slack, y verlo funcionar automáticamente mediante disparadores.

Bricklayer AI

Un sistema de IA autónomo para crear agentes que automatizan Centros de Operaciones de Seguridad (SOC). Puede mejorar diversas tareas de SOC como triaje de alertas, respuesta a incidentes y análisis de inteligencia de amenazas. Permite a los SOC crear flujos de trabajo de múltiples tareas, similares a los manuales de SOAR.

Vonage AI Studio

Un creador de agentes visual en Vonage AI Studio te permite crear flujos de diseño automatizados para chatbots o asistentes de voz en canales de mensajería y voz sin necesidad de escribir código.

Trilex AI

Un creador sin código que permite que agentes autoconscientes trabajen juntos como un equipo. Está enfocado en la interfaz y no está listo para entornos empresariales.

Marcos de código abierto

Los marcos agénticos suelen ser ideales para proyectos complejos impulsados por IA en entornos de desarrollo que requieren personalización y codificación. Algunos (por ejemplo, Crew AI, AutoGen) también pueden ofrecer capacidades de bajo código.

LangGraph es software propietario, pero proporciona una biblioteca de código abierto para el desarrollo de agentes.

LangGraph

LangGraph 1.0 es confiado por empresas como Uber, LinkedIn y Klarna para cargas de trabajo de producción.³ Sirve como un marco de orquestación de bajo nivel para crear flujos de trabajo de agentes duraderos y con estado, con persistencia automática del estado si un servidor se reinicia a mitad de una conversación, los flujos se reanudan exactamente donde lo dejaron. El marco proporciona soporte de API de primera clase para patrones de humano en el bucle, permitiendo que los agentes pausen la ejecución para revisión, modificación o aprobación humana.

LangGraph ofrece mayor control y es adecuado para flujos de trabajo agénticos complejos, especialmente al usar Generación Aumentada por Recuperación (RAG) u orquestando tareas de IA a través de APIs externas o bases de datos.

LangGraph introdujo integraciones enchufables de entornos aislados, incluyendo langchain-modal, langchain-daytona y langchain-runloop, para entornos seguros de ejecución de código.⁴ El marco añadió perfiles de modelos que exponen funciones y capacidades soportadas a través de un atributo .profile, permitiendo una toma de decisiones más consciente del contexto. La resumización del historial de conversaciones ahora ocurre en el nodo del modelo mediante eventos wrap_model_call, conservando el historial completo de mensajes en el estado del grafo para un conteo de tokens más preciso.

Integración con LangChain: LangChain v1.1.0 ahora aprovecha el entorno de ejecución de LangGraph para permitir flujos de trabajo de agentes con bifurcaciones, memoria y durabilidad, con más de 100 integraciones listas para usar mediante abstracciones estandarizadas, soporte de middleware y observabilidad OpenTelemetry.⁵

AutoGen / Microsoft Agent Framework

AutoGen entró en modo de mantenimiento en octubre de 2025 y fue fusionado con Semantic Kernel como parte del nuevo Microsoft Agent Framework. AutoGen sigue disponible y recibirá correcciones críticas de errores y parches de seguridad, pero no nuevas funciones.⁶ Los desarrolladores deben migrar a Microsoft Agent Framework para futuras capacidades.

Características principales:

• Flujos de trabajo multiagente con estado duradero y compartición persistente de contexto en tareas de larga duración
• Soporte de estándares abiertos, incluyendo Protocolo de Contexto de Modelo (MCP), mensajería Agente-a-Agente (A2A) e integración OpenAPI para portabilidad entre entornos de ejecución
• Protecciones integradas de IA responsable: Adherencia a Tareas (mantiene a los agentes alineados con las tareas), Detección de PII (alerta cuando los agentes acceden a datos sensibles) y Escudos de Indicaciones (protege contra inyecciones de indicaciones)
• Soporte multi-lenguaje para Python y .NET con arquitectura asíncrona basada en eventos

Despliegue empresarial: El marco admite experimentación local con despliegue en Foundry Agent Service de Azure AI Foundry, que proporciona orquestación de flujos de trabajo multiagente, manejo de errores, reintentos y recuperación a escala. Organizaciones como KPMG lo utilizan para conectar agentes especializados a datos empresariales manteniendo el cumplimiento regulatorio.⁷

CrewAI

Una de las herramientas más fáciles para comenzar, que ofrece plantillas de agentes listas para usar (por ejemplo, agente de preparación de reuniones) y una curva de aprendizaje mínima con opciones sin código.

CrewAI se destaca como un marco multiagente ligero, independiente y de alto rendimiento que es completamente independiente de LangChain, ofreciendo una ejecución más rápida y menores requisitos de recursos.⁸

El marco ahora ofrece dos enfoques complementarios: CrewAI Crews para agentes de IA autónomos y colaborativos, y CrewAI Flows para control granular y basado en eventos sobre la orquestación de tareas, soportando nativamente Crews y llamadas individuales a LLM para ejecución precisa.⁹

Última versión: CrewAI introdujo salidas estructuradas con soporte de response_format en proveedores de LLM, permitiendo respuestas consistentes en JSON.¹⁰ El marco añadió utilidades de ejecución de tareas Agente-a-Agente (A2A), permitiendo que los agentes deleguen dinámicamente tareas en flujos de trabajo estructurados, capacidades de manejo de archivos multimodales y ordenación de eventos mediante jerarquías padre-hijo, asegurando la ejecución determinista de flujos de trabajo.¹¹ Las características empresariales incluyen autenticación Keycloak SSO y almacén de archivos mejorado con caché de memoria de respaldo.

El inconveniente es que puede ser más difícil ajustar dinámicamente roles o delegar tareas a otros agentes a mitad de un flujo de trabajo porque el enfoque Crews de CrewAI utiliza roles y tareas predefinidos, que son rígidos. Flows ofrece mayor flexibilidad para patrones de orquestación complejos.

OpenAI Swarm

Una solución ligera, aún en fase experimental y no "lista para producción". OpenAI describe explícitamente a Swarm como un marco educativo y recetario para explorar patrones multiagente en lugar de un producto oficial, y no se mantendrá para uso en producción.¹²

Estado en 2026: OpenAI Swarm sigue en fase experimental a febrero de 2026, sin una fecha anunciada para lanzamiento en producción. No proporciona soluciones listas para cada caso de uso, pero permite a los desarrolladores construir y personalizar aspectos como la orquestación de flujos de trabajo e interacciones de agentes mediante funciones ligeras de "traspaso". Es adecuado para prototipar y probar ideas, y es ideal para casos de uso simples o para quienes buscan integrar procesos agénticos en una LLM existente.

Limitación principal: Swarm es un sistema completamente sin estado que trata cada nueva tarea como una pizarra en blanco sin memoria de interacciones anteriores. Aunque esto ofrece predictibilidad y depuración más fácil, tiene el costo de la adaptabilidad a largo plazo.

Camel

Un marco de agentes de bajo código que permite que agentes de IA se comuniquen mediante representación de roles. Ideal para automatización de flujos de trabajo y generación de datos sintéticos. Ofrece más de 20 integraciones con plataformas de modelos.

ChatDev

Incluye agentes de IA (como diseñadores, desarrolladores, testers y documentadores) que interactúan y trabajan juntos para realizar tareas complejas. ChatDev proporciona un visualizador basado en navegador para estudiar las interacciones de cada agente dentro de su rol y entorno.

Pydantic AI

Un marco de agentes en Python que no requiere aprender un nuevo lenguaje específico de dominio. Útil para manejo de datos estructurados y prototipado. Se integra con herramientas de registro como LogFire para visualización de datos en tiempo real.

Agent Zero

Un marco de agentes de IA autónomos alojado en GitHub. Puede usarse para generación de aplicaciones full-stack, programación y RAG. Interactúa con diversas herramientas y APIs mediante comandos en lenguaje natural.

Agentes Automáticos

Un marco ligero para construir tuberías y aplicaciones de IA agéntica. A diferencia de marcos como AutoGen y Crew AI, que usan abstracciones de alto nivel, Atomic Agents adopta un enfoque modular y de bajo nivel. Esto da a los desarrolladores control directo sobre componentes como manejo de entradas, integración de herramientas y gestión de memoria, haciendo que cada agente sea más controlable.

Bee Agent Framework

Una caja de herramientas sin código de código abierto desarrollada por IBM Research. Implementado en TypeScript y Python. Ofrece ejecución de código aislado para seguridad, gestión de memoria flexible para optimizar el uso de tokens (especialmente para modelos como Llama 3.1) y controles de flujo de trabajo, permitiendo bifurcaciones complejas, pausa/reanudación de estado y manejo de errores sin problemas.

¿Qué son los agentes?

El término "agente" puede definirse de varias maneras:

1. La IA tradicional define a los agentes como sistemas que pueden percibir su entorno y actuar sobre ese entorno.
2. Algunas firmas analistas definen a los agentes como sistemas completamente autónomos que operan independientemente durante largos períodos, utilizando herramientas como funciones o APIs para interactuar con su entorno y tomar decisiones basadas en contexto y objetivos.¹³
3. Otros usan el término para describir implementaciones más prescriptivas que siguen flujos de trabajo predefinidos.¹⁴

En lugar de proporcionar una definición estricta, categorizamos estas variaciones como sistemas agénticos, pero hacemos una distinción arquitectónica clave entre flujos de trabajo y agentes:

1. Flujos de trabajo son sistemas en los que los LLMs y herramientas se organizan mediante rutas de código predefinidas.
2. Agentes son sistemas donde los LLMs independientemente:
   • Gestionan sus procesos y uso de herramientas.
   • Deciden cuándo usar las herramientas proporcionadas de forma iterativa para lograr el objetivo principal y determinar
   • Cómo completar tareas.

¿Por qué usar creadores de agentes de IA?

Construir agentes desde cero es una tarea compleja debido a los siguientes problemas:

• Confiabilidad: Encadenar múltiples pasos de IA puede agravar las alucinaciones de IA, especialmente para tareas que requieren salidas exactas.
• Capacidad de integración: Varios casos de uso requieren que los agentes accedan a almacenes de datos o aplicaciones externas.
• Orquestación: Los agentes deben operar en el momento adecuado y en el orden correcto para lograr un objetivo común, lo que requiere una sincronización compleja.
• Gestión de estado: Es complejo asegurar que los agentes lleven un registro del estado de los demás y que los cambios en el estado de un agente no interrumpan a los otros.

Los creadores de agentes facilitan esto permitiendo que los desarrolladores se centren en la lógica de la aplicación, en lugar de lidiar con alucinaciones de IA, integraciones de herramientas, orquestación, etc.

Los creadores aportan los componentes necesarios para crear agentes de IA más confiables y capaces, incluyendo:

• Marcos que definen una especialización (por ejemplo, gestión de flujos de trabajo) del modelo de IA agéntica.
• Plantillas de datos que ayudan a aumentar la probabilidad de que un modelo de IA genere salidas exactas, reduciendo alucinaciones.
• Almacenes de datos que permiten acceso a datos externos, bases de datos SQL y NoSQL para almacenamiento y consultas.
• Herramientas de orquestación integradas (por ejemplo, protocolos de comunicación, etc.) que coordinan múltiples agentes.
• Componentes de gestión de estado para permitir que los agentes recuerden interacciones pasadas y ajusten su comportamiento en entornos dinámicos.

Leer más

Si estás buscando la infraestructura que alimenta la IA agéntica con capacidad web, aquí tienes nuestras últimas pruebas de referencia:

• Navegadores remotos: cómo la infraestructura del navegador permite que los agentes interactúen con la web de forma segura.
• Prueba de referencia del navegador MCP: mejores servidores MCP para uso de herramientas y acceso web.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

Tutorial para crear un agente CrewAI

En este tutorial práctico, crearemos un agente de IA con CrewAI para recomendar laptops adaptadas a las necesidades específicas de un CTO.

Escenario: Recomendar las 3 mejores laptops para un Director de Tecnología (CTO) que trabaja principalmente con correo electrónico y realiza un desarrollo de software extensivo basado en Python.

Instalación

Comencemos instalando las bibliotecas necesarias:

¿Por qué necesitamos la OpenAI API?

CrewAI utiliza un LLM, como los modelos GPT de OpenAI, para impulsar el razonamiento y las respuestas del agente. El agente interpreta tareas y genera salidas, lo que requiere una clave de API de OpenAI.

Nota: La clave de API es necesaria para acceder a modelos de OpenAI como GPT-4. CrewAI también puede funcionar con modelos de código abierto, como Llama 3.

Definir el agente

Crearemos un agente experto en productos: un asistente de IA con conocimientos sobre productos tecnológicos. Dado que nuestro escenario implica apoyar a un usuario técnico (un CTO), necesitamos un agente con sólidos conocimientos y habilidades analíticas sobre productos.

CrewAI define un agente según su relación con las tareas. Para cada agente, debemos aclarar su rol, objetivo, historia y las herramientas que puede usar:

• rol: El área de especialidad que representa el agente; en este caso, un experto en productos con conocimientos técnicos.
• objetivo: Un objetivo claro y específico para el agente.
• historia: Da al agente carácter, profundidad y conocimiento del dominio.

Definir la tarea

En esta parte, asignamos al agente la tarea de recomendar tres laptops adecuadas para el CTO, incluyendo sus precios y un breve resumen de una oración para cada una.

CrewAI maneja el razonamiento y el formato según tus restricciones, especificadas por los parámetros description, expected_output y agent.

• description: Explica qué debe hacer el agente.
• expected_output: Define la estructura de salida; esto asegura claridad y calidad.
• agent: Asigna la tarea al agente que creamos.

Crear el equipo y ejecutar el flujo de trabajo

A continuación, creamos el equipo, un sistema en el que se crean agentes, se les asignan tareas y se interactúa para completar sus objetivos.

CrewAI en acción: salida de ejecución del agente

Una vez que se llama al método crew.kickoff(), CrewAI ejecuta la tarea usando el agente definido. A continuación se muestra una salida de ejemplo desde la terminal, mostrando cómo se asigna la tarea, se ejecuta y se devuelve la respuesta final por el agente experto en productos:

Luego el agente proporciona su salida de la siguiente manera:

Esta salida muestra cómo un agente, cuando está bien definido, puede entregar respuestas estructuradas, relevantes y de alta calidad para integrarse en herramientas o flujos de trabajo del mundo real.

Qué diferencia a los creadores de agentes de IA

Elegir entre creadores de agentes de IA no se trata de encontrar la "mejor" herramienta, sino de ajustar los compromisos arquitectónicos a las habilidades de tu equipo y las necesidades del proyecto. Aquí está lo que realmente diferencia a estas plataformas.

Control frente a comodidad

Plataformas de bajo código (Microsoft Copilot Studio, Beam AI) te permiten arrastrar y soltar componentes para crear agentes. No se requiere codificación. La plataforma maneja automáticamente la orquestación, gestión de estado y manejo de errores.

La ventaja: Equipos no técnicos pueden crear agentes funcionales en horas. Perfecto para flujos de trabajo comerciales estándar como procesamiento de pedidos, enrutamiento de servicio al cliente o automatización de entrada de datos.

La limitación: No puedes personalizar la lógica principal. ¿Necesitas un patrón de coordinación novedoso u optimización específica? Estás limitado a lo que ofrece la plataforma. Estas herramientas funcionan muy bien hasta que tu caso de uso se desvía de sus plantillas.

Marcos de código abierto (LangGraph, Atomic Agents) te dan control completo. Escribes código que define exactamente cómo piensan, coordinan y ejecutan los agentes.

La ventaja: Personalización ilimitada. Construye cualquier patrón de coordinación, optimiza para casos extremos, implementa bucles de razonamiento personalizados. La gestión explícita de estado de LangGraph funciona para procesos complejos de múltiples pasos. Atomic Agents te permite controlar el manejo de entradas, integración de herramientas y memoria a un nivel granular.

La limitación: Requiere experiencia seria en desarrollo y tiempo. Lo que lleva horas en una plataforma de bajo código lleva semanas en un marco.

Opciones híbridas como CrewAI intentan encontrar un punto intermedio: plantillas para comenzar rápidamente, personalización a nivel de código cuando se necesita. Pero la estructura rígida de roles de CrewAI dificulta cambios dinámicos a mitad del flujo de trabajo. Obtienes un desarrollo inicial más fácil a costa de adaptabilidad.

Lectura adicional

• Comparar 20 herramientas de seguridad para LLM y marcos de código abierto 
• Comparar más de 50 herramientas de agentes de IA

Cita esta investigación

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Sezer, Sena},
  title  = {{20+ creadores de agentes de IA: Microsoft, CrewAI, LangGraph y más}},
  year   = {2026},
  month  = mar,
  howpublished    = {\url{https://aimultiple.com/ai-agent-builders}},
  note   = {AIMultiple. Recuperado el 27 de Marzo de 2026}
}

Enlaces de referencia

1.

January 2026: LangChain Newsletter

LangChain Blog

2.

What's new in Copilot Studio - Microsoft Copilot Studio | Microsoft Learn

3.

LangChain - Changelog | LangGraph 1.0 is now generally available

4.

Changelog - Docs by LangChain

5.

LangChain vs LangGraph: When to Use Each & Migration Tutorial

ClickIT DevOps & Software Development

6.

AutoGen Update · microsoft/autogen · Discussion #7066 · GitHub

7.

Introducing Microsoft Agent Framework | Microsoft Azure Blog

Microsoft Azure Blog

8.

crewai · PyPI

9.

GitHub - crewAIInc/crewAI: Framework for orchestrating role-playing, autonomous AI agents. By fostering collaborative intelligence, CrewAI empowers agents to work together seamlessly, tackling complex tasks. · GitHub

10.

Changelog - CrewAI

Mintlify

11.

Solving Scalability and Management Woes: Integrating CrewAI with an MCP Server · Technical news about AI, coding and all

12.

Multi-Agent Collaboration Mechanisms: A Survey of LLMs

13.

AI Agents: What They Are and Their Business Impact | BCG

Boston Consulting Group

14.

AI Agents — Introduction, Workflows and Application | by Sulbha Jain | Medium

Medium

Cem Dilmegani

Analista principal

Síguenos

Cem ha sido el analista principal de AIMultiple desde 2017. AIMultiple informa a cientos de miles de empresas (según similarWeb), incluyendo el 55% de las empresas Fortune 500 cada mes. El trabajo de Cem ha sido citado por importantes publicaciones globales como Business Insider, Forbes, Washington Post, firmas globales como Deloitte, HPE y ONG como el Foro Económico Mundial y organizaciones supranacionales como la Comisión Europea. Puede consultar más empresas y recursos de renombre que citan a AIMultiple. A lo largo de su carrera, Cem se desempeñó como consultor, comprador y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización. Lideró la estrategia y adquisición de tecnología de una empresa de telecomunicaciones, reportando directamente al CEO. Asimismo, lideró el crecimiento comercial de la empresa de tecnología avanzada Hypatos, que alcanzó ingresos recurrentes anuales de siete cifras y una valoración de nueve cifras partiendo de cero en tan solo dos años. El trabajo de Cem en Hypatos fue reseñado por importantes publicaciones tecnológicas como TechCrunch y Business Insider. Cem participa regularmente como ponente en conferencias internacionales de tecnología. Se graduó en ingeniería informática por la Universidad de Bogazici y posee un MBA de la Columbia Business School.

Ver perfil completo

Investigado por

Sena Sezer

Analista de la industria

Síguenos

Sena es analista del sector en AIMultiple. Se licenció en la Universidad de Bogazici.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario