Comparativa de Plataformas de Agentes de IA: Agentes Gestionados de Claude vs Vertex Agent Engine de Google
Comparamos 4 plataformas de agentes de IA en 3 dimensiones: finalización de tareas (10 tareas de codificación × 3 ejecuciones), capacidades específicas del entorno (dirección, reconexión, recuperación de conversaciones largas, manejo de archivos grandes) y costo.
Resultados de la comparativa de plataformas de agentes de IA
Plataforma | Modelo | Tasa de éxito | Tiempo real | Costo | Token |
|---|---|---|---|---|---|
Claude Managed Agents | Claude Sonnet 4.6 | 30/30 (100%) | 1,172s | $2.50 | 93k |
Vertex AI Agent Engine | Gemini 2.5 Pro | 30/30 (100%) | 1,447s | $1.45 | 159k |
OpenAI Responses + CI | GPT-5.4 | 27/30 (90%) | 522s | $1.54 | 113k |
Control (autoalojado) | Claude Sonnet 4.6 | 30/30 (100%) | 794s | $1.96 | 464k |
Claude Managed Agents y Vertex AI Agent Engine alcanzan ambas tasas de éxito del 100% en el conjunto de tareas, con Vertex ganando en costo ($1.45 vs $2.50). Para características específicas del entorno disponibles solo en plataformas gestionadas como la dirección en medio del flujo, desconexión/reconexión, compactación de conversaciones largas, Claude Managed Agents es el más capaz, pero Vertex Agent Engine iguala en las pruebas portátiles (compactación, manejo de archivos grandes).
Hallazgos clave de la comparativa de tareas
- Claude MA y Vertex AE empataron en tasa de éxito en 30/30 (100%). Ambas manejan todos los tipos de tareas, incluidas las tareas de red (06, 10) que confundieron a OpenAI.
- Los fallos de OpenAI se deben a su política de sandbox. Las tareas 06 (REST API) y 10 (descargador concurrente) requieren HTTP saliente. El sandbox de Code Interpreter restringe esto, y ambas fallaron 2/3 y 1/3, respectivamente. Vimos que GPT-5.4 puede escribir el código, pero el sandbox no lo ejecutará de manera confiable.
- Vertex AE es el más barato con un total de $1.45. Claude MA es el más caro con $2.50. Es un 72% más que Vertex en el mismo conjunto de tareas con la misma tasa de éxito.
- Vertex AE es el más lento. La orquestación gestionada de ADK añade sobrecarga.
Capacidades específicas del entorno
Se comparan dos plataformas cara a cara en características que solo existen porque hay un entorno gestionado.
Consulte la metodología de la comparativa a continuación.
Plataformas de agentes de IA
Claude Managed Agents
Los Claude Managed Agents de Anthropic proporcionan un tiempo de ejecución de agente alojado que combina sesiones con estado, ejecución de herramientas integrada, transmisión basada en eventos y compactación automática para cargas de trabajo autónomas de larga duración. La plataforma se diferencia mediante primitivas únicas no disponibles en ofertas comparables, como la inyección de eventos de usuario en medio del flujo para la dirección en vuelo, streams SSE resumibles para desconexión/reconexión e integración nativa de servidores MCP. Todos se entregan como un servicio completamente gestionado sin infraestructura que los desarrolladores deban aprovisionar.1
El precio es de $0.08 por hora de sesión además de los costos estándar de Claude API por token.
Pros:
- Sesiones con estado con inyección de eventos en medio del flujo permiten que nuevos mensajes de usuario dirijan a los agentes durante la ejecución en vuelo.
- Soporte de desconexión y reconexión a través de streams SSE persistentes; las sesiones continúan ejecutándose en el servidor a través de interrupciones de red y los clientes pueden reanudar el consumo de eventos al reconectar.
- El conjunto de herramientas de agente integrado incluye bash, operaciones de archivos (leer, escribir, editar, glob, grep) y herramientas web (web_fetch, web_search) accesibles mediante un único parámetro de configuración, eliminando la conexión de herramientas personalizadas.
- Integración nativa de servidores MCP (Model Context Protocol) para extensiones de herramientas personalizadas sin modificar el conjunto de herramientas integrado del agente.
Contras:
- Actualmente en beta; todas las solicitudes requieren el encabezado beta managed-agents-2026-04-01, y el comportamiento puede refinarse entre versiones.
- Solo Claude, sin flexibilidad de modelo en comparación con plataformas como AWS Bedrock AgentCore o Northflank que admiten múltiples proveedores de modelos.
Salesforce Agentforce
Salesforce Agentforce se diferencia mediante el acceso nativo a datos de CRM a través del Atlas Reasoning Engine y agentes predefinidos para flujos de trabajo de ventas, servicio, marketing y comercio.2
La plataforma se integra con MuleSoft Agent Fabric para la orquestación entre sistemas y ofrece Agentforce 360 para asociaciones con AWS.
Agentforce sirve a organizaciones que requieren flujos de trabajo autónomos orientados al cliente integrados directamente en su infraestructura existente de Salesforce Cloud.
Pros:
– El acceso nativo a datos de CRM a través del Atlas Reasoning Engine permite acciones de agente conscientes del contexto.
– Agentes predefinidos disponibles para ventas, servicio, marketing y comercio reducen el tiempo de implementación.
– Autorizado por FedRAMP en Salesforce Government Cloud para industrias reguladas.
– El nivel gratuito Foundations incluye 200,000 Flex Credits para pruebas iniciales.
Contras:
– SaaS solo en la nube sin opción de implementación en las instalaciones disponible.
– Agnosticismo de modelo limitado; predetermina a modelos gestionados por Salesforce con soporte restringido de proveedores externos.
– Requiere inversión existente en el ecosistema de Salesforce para obtener el valor completo.
Microsoft Copilot Studio
Pros:
– Incluido con licencias de Microsoft 365 Copilot para uso interno de agentes sin cargo adicional.3
– Agentes de voz en tiempo real y soporte de telefonía IVR para escenarios de servicio al cliente.
– Autorizado por FedRAMP a través de Azure Government para implementaciones del sector público.
– Admite OpenAI, modelos de Anthropic y frameworks de código abierto en un único entorno de construcción.
Contras:
– Funcionalidad limitada fuera del ecosistema de Microsoft; requiere compromiso con Azure o M365 para capacidades completas.
– No hay nivel gratuito permanente independiente; requiere suscripción existente a M365 Copilot para el uso incluido.
– El modelo de voz de IA en tiempo real está alojado solo en América del Norte a partir de abril de 2026.
Copilot Studio es más rentable para organizaciones que ya utilizan Microsoft 365, Teams y Azure, ofreciendo automatización orientada a empleados que hereda configuraciones de identidad, seguridad y cumplimiento existentes.
Google Agentspace y Vertex AI Agent Builder
La oferta dual de Google combina Agentspace para la gestión del conocimiento empresarial y Vertex AI Agent Builder para el desarrollo de bajo código, diferenciada por la integración de modelos Gemini, el contexto cruzado de productos de Google Workspace y el soporte de entrada multimodal para texto, voz e imágenes.4
La plataforma proporciona $300 en créditos gratuitos para nuevos usuarios y precios de pago por uso para Vertex AI Agent Engine.
Pros:
– $300 de crédito gratuito para nuevos usuarios permite prototipado extenso sin inversión inicial.
– La implementación en las instalaciones es compatible a través de Google Distributed Cloud para entornos regulados.
– Autorizado por FedRAMP a través de Google Cloud.
– Google ADK (Agent Development Kit) admite desarrollo basado en código en Python, TypeScript, Go y Java.
Contras:
– El diseño primario de Gemini limita la flexibilidad del modelo en comparación con plataformas totalmente agnósticas.
AWS Bedrock Agents y AgentCore
AWS Bedrock Agents y la nueva plataforma AgentCore proporcionan gestión de infraestructura sin servidor para agentes a escala empresarial, lanzados en re:Invent 2025.5
Los diferenciadores incluyen precios de pago por uso a $0.0895 por hora de vCPU para el tiempo de ejecución de AgentCore, opciones de rendimiento aprovisionado y Mem0 como proveedor de memoria exclusivo.
Pros:
– Autorizado por FedRAMP High en AWS GovCloud para cargas de trabajo sensibles.
– La transmisión bidireccional admite agentes de voz con habla simultánea del usuario y del agente.
– Nivel gratuito disponible para nuevos clientes de AWS para experimentación inicial.
– Acceso a modelos de Anthropic, Amazon, Meta, Mistral y AI21 a través del catálogo de Bedrock.
Contras:
– No hay plantillas de agentes predefinidas específicas de dominio; requiere construcción desde cero usando SDK.
– No hay opción de implementación en las instalaciones; se ejecuta exclusivamente en infraestructura de AWS.
– Construir agentes requiere una codificación significativa de API/SDK en comparación con constructores visuales.
AWS Bedrock sirve a empresas que requieren infraestructura de agente escalable y sin servidor con una integración profunda en el ecosistema de AWS, ofreciendo eficiencia de costos a través de facturación granular basada en el uso.
IBM watsonx Orchestrate
IBM watsonx Orchestrate se dirige a empresas reguladas con más de 150 agentes predefinidos específicos de dominio para RRHH, adquisiciones, ventas y finanzas, junto con Skills Studio para construir habilidades personalizadas.6
La plataforma ofrece flexibilidad de implementación híbrida en la nube y en las instalaciones a través de IBM Cloud Pak for Data y Software Hub.
Pros:
– La instalación en las instalaciones es compatible a través de IBM Cloud Pak for Data para requisitos de residencia de datos.
– Más de 150 agentes y herramientas predefinidos de IBM y socios, con más de 80 integraciones de aplicaciones empresariales que incluyen SAP, Salesforce y Workday.
– La autorización de FedRAMP se amplió en abril de 2026 para implementaciones federales.
– Verdadero agnosticismo de modelo que admite múltiples proveedores de LLM sin bloqueo de proveedor.
Contras:
– No hay nivel gratuito permanente; requiere suscripción Essentials o Standard pagada para uso continuo.
– Las capacidades de voz y telefonía están disponibles dentro de watsonx Orchestrate a través de configuración de voz nativa en el ADK e integraciones con proveedores como Deepgram y ElevenLabs, aunque la telefonía avanzada puede requerir configuración adicional.
– Estructura de precios compleja que requiere cotizaciones personalizadas para funciones empresariales.
ServiceNow AI Agents
ServiceNow AI Agents se incrustan directamente en la plataforma Now, diferenciándose mediante la integración nativa con flujos de trabajo de TI, RRHH y servicio al cliente en lugar de operar como una plataforma independiente.
La plataforma incluye AI Control Tower para gobernanza, flujos de trabajo agénticos predefinidos para ITSM y HRSD, y un Context Engine que conecta el historial de políticas con las acciones del agente.7
Pros:
– Hereda la gobernanza existente de la plataforma Now, reglas de SLA y flujos de trabajo de aprobación.
– Los AI Voice Agents admiten Genesys Cloud, Twilio y 3CLogic como proveedores de CCaaS.
– Los AI Web Agents aprenden de demostraciones humanas para automatizar tareas basadas en navegadores.
Contras:
– No hay nivel gratuito permanente; los nuevos clientes reciben solo 100 llamadas gratuitas de Build Agent.
– La autorización de FedRAMP High para AI Agents, AI Agent Orchestrator y AI Agent Studio se confirmó para clientes de Government Community Cloud (GCC) a partir de marzo de 2026.
– Valor limitado para organizaciones que no utilizan ServiceNow para la gestión de servicios de TI o RRHH.
Kore.ai
Kore.ai se centra en la IA conversacional empresarial con más de 300 agentes predefinidos, más de 250 integraciones empresariales y una arquitectura agnóstica de modelos que admite implementaciones en la nube y en las instalaciones.
La plataforma sirve a seis verticales que incluyen banca, atención médica y comercio minorista.8
Pros:
– Infraestructura de voz nativa que ofrece interacciones de voz globales de baja latencia.
– Implementación flexible que incluye opciones en las instalaciones y en la nube privada.
– Admite múltiples proveedores de LLM.
Contras:
– No hay nivel gratuito permanente; ofrece solo $500 en créditos únicos para pruebas iniciales.
LangGraph
Pros:
– Licencia de código abierto MIT permite uso y modificación comercial sin restricciones.
– El control determinista del flujo de trabajo a través de la arquitectura de gráficos garantiza rutas de ejecución reproducibles.
– La integración de observabilidad de LangSmith proporciona monitoreo y trazado de producción.
Contras:
– No hay constructor visual sin código; requiere código Python o JavaScript para definir gráficos de agentes.
– No hay integración nativa de voz o telefonía; requiere codificación personalizada para canales de voz.
– Curva de aprendizaje pronunciada para equipos no familiarizados con paradigmas de programación basados en gráficos.
LangGraph es adecuado para equipos de ingeniería que construyen agentes de nivel de producción que requieren lógica condicional compleja, recuperación de errores y auditoría de pasos de ejecución individuales.
CrewAI
Pros:
– La abstracción basada en roles refleja las estructuras de equipos humanos para una coordinación intuitiva de agentes.
– Núcleo de código abierto gratuito sin tarifas de licencia para implementaciones autoalojadas.
– Editor visual y copiloto de IA disponibles en el nivel gratuito para miembros del equipo no técnicos.
Contras:
– No hay mercado oficial de plantillas mantenido por el proveedor; depende de contribuciones de la comunidad.
– El enfoque basado en código requiere conocimiento de Python para la creación de agentes.
– Los precios del plan empresarial están disponibles solo bajo solicitud, lo que puede crear incertidumbre presupuestaria para equipos pequeños en comparación con otras opciones de código abierto.
CrewAI permite el prototipado rápido de pipelines de agentes basados en roles, particularmente adecuado para procesamiento de documentos, flujos de trabajo de investigación y tareas de generación de contenido de múltiples pasos.
n8n
n8n opera bajo una licencia de código justo (Sustainable Use License), ofreciendo más de 400 conectores de aplicaciones nativos con nodos de IA visuales e infraestructura autoalojable.
Pros:
– La Community Edition autoalojada incluye SSO SAML, LDAP, RBAC y almacenes de secretos cifrados sin costo.
– Soporte nativo para LangChain y LlamaIndex dentro de flujos de trabajo visuales.
– El editor de flujo de trabajo visual permite automatización compleja sin codificación.
Contras:
– La licencia de código justo requiere licencia pagada para alojamiento comercial o productos SaaS.
– No hay nodo nativo de voz o telefonía; requiere integración de API externa para voz.
– No se ha confirmado autorización de FedRAMP.
n8n conecta la automatización de flujos de trabajo tradicional y los agentes de IA, sirviendo a analistas de negocios técnicos y equipos de DevOps que requieren implementación autoalojada para residencia de datos mientras mantienen capacidades de construcción visual.
Dify
Dify es una plataforma de LLMOps de código abierto.
La plataforma admite pipelines RAG, herramientas de ingeniería de prompts y arquitectura agnóstica de modelos.
Pros:
– La Community Edition autoalojada es permanentemente gratuita con control total de datos a través de implementación Docker.
– El constructor de flujo de trabajo visual permite la creación de agentes complejos sin codificación.
– Admite cientos de LLM propietarios y de código abierto de docenas de proveedores de inferencia.
Contras:
– El soporte de voz requiere plugins de mercado como Agora o Tencent RTC; no hay telefonía PSTN nativa.
– No hay autorización de FedRAMP.
– El plan Cloud Team a $159 por mes puede ser costoso para equipos pequeños.
Dify es adecuado para equipos de producto y operaciones que requieren agentes conscientes de documentos con fuertes capacidades de RAG, particularmente aquellos que priorizan el control de datos a través del autoalojamiento.
Voiceflow
Voiceflow se diferencia como la única plataforma importante que trata el diseño de agentes centrado en la voz como un ciudadano de primera clase en lugar de un complemento, con un lienzo de diseño diseñado específicamente para agentes de voz y chat con latencia inferior a 500 ms.
La plataforma se especializa en la automatización de tickets de servicio al cliente y sistemas IVR.
Pros:
– Canales de voz y telefonía nativos con soporte IVR y latencia inferior a 500 ms.
– Capacidades de extracción de entidades para consultas de base de conocimientos.
– El plan gratuito incluye 2 agentes y 100 tokens de IA mensuales sin expiración.
– Lienzo visual diseñado específicamente para flujos de trabajo de IA conversacional.
Contras:
– La implementación en las instalaciones solo está disponible a través de acuerdos empresariales personalizados.
Voiceflow sirve a equipos de CX y soporte que construyen agentes conversacionales orientados al cliente que requieren implementación a través de canales de voz, chat y mensajería desde una única interfaz de diseño.
Relevance AI
Relevance AI ofrece flexibilidad bring-your-own-LLM (BYOLLM) con un modelo de facturación basado en acciones, permitiendo a equipos no técnicos construir equipos de múltiples agentes a través de descripciones en lenguaje natural.
Pros:
– El nivel gratuito incluye 100 créditos por día sin expiración.
– Más de 2,000 integraciones que incluyen HubSpot, Salesforce, Slack y Gmail.
– Verdadero agnosticismo de modelo que admite múltiples proveedores de LLM.
Contras:
– No hay opciones de autoalojamiento o implementación en las instalaciones; SaaS solo en la nube.
– No hay autorización de FedRAMP para industrias reguladas.
– Las capacidades de voz requieren integración con Vapi o Twilio en lugar de telefonía nativa.
Lindy AI
Lindy AI proporciona varias integraciones a través de Pipedream, plantillas de agentes predefinidas para triaje de correo electrónico y programación, y capacidades de agente de llamadas telefónicas a través de la función de voz Gaia.9
La plataforma utiliza un modelo de ejecución basado en créditos con un nivel gratuito disponible.
Pros:
– El nivel gratuito incluye 400 créditos por mes y una base de conocimientos de 1 millón de caracteres.
– Verdadero agnosticismo de modelo y extensa biblioteca de integraciones.
Contras:
– La implementación en las instalaciones solo está disponible a través de acuerdos empresariales personalizados para industrias reguladas.
Ideal para usuarios comerciales individuales, fundadores y equipos de operaciones que requieren automatización rápida de correo electrónico, calendario y flujos de trabajo de CRM sin recursos de ingeniería.
Metodología
¿Qué entrega realmente una plataforma de agente de IA gestionada sobre sus competidores y sobre la alternativa de construir su propio entorno de agente? El espacio de herramientas de IA tiene un punto ciego persistente aquí. Los productos de "agente gestionado" se comparan rutinariamente utilizando las mismas tarjetas de puntuación de finalización de tareas utilizadas para modelos de lenguaje sin procesar, lo que confunde dos cosas muy diferentes: la capacidad del modelo para generar código correcto y la capacidad del entorno para ejecutar ese código de manera confiable en un tiempo de ejecución gestionado con estado, herramientas y aislamiento. Diseñamos esta comparativa para separar esas señales.
¿Qué es una plataforma de agente gestionado?
Estamos comparando una categoría específica: tiempos de ejecución alojados que empaquetan inferencia de LLM, orquestación de agentes y ejecución de código en sandbox en un único servicio gestionado. Esto es distinto de (1) APIs de inferencia de LLM sin procesar, (2) frameworks de orquestación de agentes que usted aloja usted mismo y (3) sandboxes de computación que combina con su propio modelo. Las cuatro plataformas en prueba toman cada una una forma ligeramente diferente de este paquete:
- Claude Managed Agents (Anthropic): Entorno gestionado completo. Las definiciones de agentes, sesiones, transmisión basada en eventos, compactación y ejecución de herramientas son todas en el servidor. Uno de los dos verdaderos competidores en esta categoría.
- Vertex AI Agent Engine (Google): Entorno gestionado completo. Implemente un agente definido por ADK en un tiempo de ejecución gestionado; la implementación aloja el estado del agente y la ejecución de herramientas. Se accede a través del SDK vertexai.agent_engines.
- OpenAI Responses API con Code Interpreter: Categoría adyacente. API de inferencia con una herramienta de sandbox Python integrada, pero sin estado de sesión persistente de múltiples turnos ni dirección en medio del flujo.
- Control: Claude Messages API con un bucle de herramientas local: Incluido como línea base. El mismo modelo que Claude MA (claude-sonnet-4-6), pero implementamos el bucle de agente localmente en ~150 líneas de Python. Las herramientas (bash, write, read, edit) se ejecutan en un tempdir por tarea en la máquina de la comparativa. Esto aísla lo que el entorno gestionado contribuye más allá de "modelo más bucle de herramientas". Ejecutar la API Messages con un bucle de agente local produce una comparación donde el modelo es idéntico pero el entorno está ausente. Cualquier delta entre Claude MA y el control es atribuible enteramente al entorno, no a la capacidad del modelo.
El conjunto de tareas
Diez tareas de codificación que abarcan tres niveles de dificultad. Cada tarea tiene un prompt fijo que especifica el entregable, un script de verificación que codifica criterios deterministas de aprobado/fallado. Cada tarea se ejecuta tres veces por plataforma para medir la varianza.
Añadir como fuente preferidaPruebas de estrés específicas del entorno
El conjunto de tareas mide la corrección de extremo a extremo. No puede medir capacidades que existen solo debido a un entorno gestionado: persistencia de sesión con estado, dirección en medio del flujo, reanudación de conexión, compactación automática de contexto y manejo de artefactos de sistema de archivos gestionado. Para estos, diseñamos dos conjuntos de pruebas adicionales.
Conjunto A: Dirección e interrupción
Tres pruebas que ejercitan primitivas específicas del entorno.
A1 inicia un agente en una tarea de codificación, luego inyecta un nuevo evento de usuario mediante POST /events después de 10 segundos cambiando los requisitos, y verifica inspeccionando el sistema de archivos del contenedor que el artefacto final refleja el nuevo requisito en lugar del original.
A2 abre un stream SSE, deja caer la conexión después de cuatro eventos, reconecta y verifica que la sesión aún alcanza status_idle.
A3 envía un prompt deliberadamente contradictorio y mide si el agente pide aclaración o elige silenciosamente una interpretación.
Solo A3 es portable entre plataformas. La inyección de eventos en medio del flujo de A1 no tiene equivalente directo en OpenAI Responses (solicitud/respuesta única) o Vertex Agent Engine (el modelo de sesión carece de inyección de mensajes en vuelo). La desconexión/reconexión de A2 tampoco tiene equivalente en otro lugar. Estas son ventajas estructurales genuinas del modelo de sesión impulsado por eventos de Claude MA, no comparables en las alternativas. Ejecutamos A1 y A2 solo en Claude MA y ejecutamos A3 en ambos Claude MA y Vertex Agent Engine.
Conjunto B: Compactación y contexto
Dos pruebas que ejercitan funciones de contexto gestionado.
B1 planta una cadena de canario única (un token derivado de UUID) en el primer turno de una sesión, ejecuta 23 turnos de relleno de tareas de codificación pequeñas no relacionadas que producen llamadas a herramientas y resultados de herramientas, luego le pide al agente que recuerde el canario de memoria en el turno 25 sin permitir búsqueda de archivos. El recuerdo exitoso después de 23 turnos de relleno es evidencia de que el entorno preserva el contexto temprano a través de la política de compactación que utilice.
B2 le pide al agente que genere un archivo de texto de 50,000 líneas con un marcador enterrado, luego responda una pregunta que requiera encontrar el marcador. Esto prueba si el agente puede razonar sobre artefactos más grandes que su ventana de contexto sin intentar leer todo el archivo.
Tanto B1 como B2 se ejecutaron en ambos Claude MA y Vertex Agent Engine, utilizando los mismos prompts y protocolos.
LLM como juez para puntuación de comportamiento
Para el Conjunto A3 (contradicciones), aprobado/fallado no es una verificación determinista; tratamos "¿el agente pidió aclaración?" como un juicio cualitativo sobre el comportamiento conversacional. Utilizamos un diseño de LLM como juez con tres salvaguardas metodológicas:
- El modelo juez es diferente del modelo probado: Claude Opus 4.6 es el juez para evitar el sesgo de autoevaluación.
- Rúbrica estructurada con 4 dimensiones booleanas: El juez devuelve puntuación en JSON: recognized_contradiction, asked_for_clarification, proceeded_with_assumption, documented_assumption, y un párrafo de razonamiento.
- Verificación de consistencia de 3 ejecuciones: Cada juicio se ejecuta 3 veces. Informamos consenso mayoritario por dimensión y tasa de acuerdo por dimensión. Si el acuerdo de cualquier dimensión cae por debajo del 67%, el juez se marca como inconsistente en esa dimensión, y el resultado se trata como de baja confianza.
Una heurística de palabras clave se ejecuta en paralelo como verificación de sanidad. La divergencia entre la heurística y el juez se registra para revisión manual.
Puntuación
Para cada ejecución de tarea en cada plataforma:
- Aprobado/fallado
- Tiempo real: Segundos transcurridos desde el envío del prompt hasta recibir el evento terminal (status_idle para Claude MA, finalización de tarea para Vertex AE, finalización de respuesta para OpenAI, salida del bucle de herramientas para control).
- Recuento de llamadas a herramientas: Invocaciones de herramientas distintas. Útil como huella digital de comportamiento; menos útil como métrica de eficiencia porque la granularidad de las herramientas difiere significativamente entre plataformas.
- Uso de tokens: Analizado desde eventos model_request_end en Claude MA, usage_metadata en Vertex AE, response.usage en OpenAI, acumulación por turno en el bucle de mensajes del control. Desglosado en entrada, salida, lectura de caché y creación de caché.
- Costo en USD: Calculado a partir del uso de tokens contra precios publicados: claude-sonnet-4-6 a $3/$15/$0.30/$3.75 por millón; gpt-5.4 a $2.50/$15/$0.25; gemini-2.5-pro a $1.25/$10/$0.13. Se añaden tarifas de infraestructura específicas de la plataforma: $0.08/hora de sesión de Claude MA prorrateado por tiempo real, $0.03/contenedor de OpenAI cuando ocurrió alguna llamada a herramienta, tarifa de alojamiento de aproximadamente $0.35/hora de Vertex AE prorrateada por tiempo de actividad de implementación.
Los resultados de los conjuntos A y B capturan además métricas a nivel de sesión (turnos, recuerdo de canario, consenso y acuerdo del juez).
Consideraciones de equidad y limitaciones conocidas
Varias asimetrías en la configuración afectan cómo deben leerse los números; señalándolas explícitamente:
El control ejecuta la ejecución de herramientas en la máquina de la comparativa sin ida y vuelta a la nube. Esto le da una ventaja injusta de tiempo real que no refleja la velocidad del agente tanto como el salto de red. Cuando observamos que el control completa tareas ~25% más rápido que Claude MA en el mismo modelo, aproximadamente la mitad de esa brecha es asimetría de ida y vuelta.
Code Interpreter de OpenAI opera en un sandbox restringido por red. Las tareas 06 (REST API) y 10 (descargador concurrente) requieren HTTP saliente, que CI permite solo intermitentemente. Los fallos de OpenAI en esas tareas son fallos de política de sandbox, no fallos de capacidad del modelo. GPT-5.4 puede escribir código HTTP concurrente correcto; la plataforma no siempre puede ejecutarlo. Los lectores no deben interpretar "OpenAI falla en tareas de red" como una declaración sobre el modelo.
Gemini 3.1-pro-preview está restringido detrás de una lista de permitidos de nivel de proyecto. Intentamos comparar este modelo tanto en la API directa de Vertex como en Vertex Agent Engine. Las llamadas directas a la API devolvieron 404; las implementaciones de Agent Engine con el modelo tuvieron éxito en el momento de la implementación, pero las llamadas de inferencia devolvieron cero eventos sin error. Recurrimos a gemini-2.5-pro.
Un conjunto de tareas de refactorización de varias horas, depuración en bases de código desconocidas o flujos de trabajo autónomos de larga duración estresarían los entornos de manera diferente y probablemente separarían las opciones de primer nivel con más claridad.
No medimos latencia de aprovisionamiento, comportamiento de inicio en frío, rendimiento de sesiones concurrentes o techos de límites de tasa. Estos son importantes para cargas de trabajo de producción de alto rendimiento pero estaban fuera del alcance de esta ronda.
Características comunes a todas las plataformas de agentes de IA
Cada plataforma en esta comparación proporciona capacidades básicas que definen la categoría de agente de IA. Estas características comunes establecen el producto mínimo viable para la automatización agéntica, mientras que las características diferenciadoras determinan la selección de la plataforma.
Orquestación multiagente: Todas las plataformas admiten orquestación multiagente, aunque la implementación varía (ver secciones de plataforma individuales arriba).
Uso de herramientas e integraciones externas: Los agentes en todas las plataformas pueden llamar a APIs externas, bases de datos y aplicaciones empresariales. Los recuentos de conectores predefinidos oscilan entre aproximadamente 50 (Dify) y 2,000+ (Relevance AI), con todas las plataformas que admiten definiciones de API personalizadas.
Memoria persistente y gestión de contexto: Retener información dentro de sesiones (memoria a corto plazo) y entre sesiones (memoria a largo plazo) es una capacidad estándar, lograda a través de bases de datos vectoriales, objetos de sesión o ventanas de contexto configurables dependiendo de la plataforma.
Monitoreo y observabilidad: Cada plataforma expone registros, rastros o análisis para inspeccionar la ejecución del agente, rastrear el uso de tokens y la latencia, e identificar fallos.
Supervisión humana y controles de aprobación: Los mecanismos para revisión, aprobación o anulación humana de las acciones del agente están presentes en todas las plataformas. Ejemplos incluyen puertas de aprobación por herramienta de n8n, primitivas de interrupción y reanudación de LangGraph, controles de política de Bedrock AgentCore, AI Control Tower de ServiceNow y escalación automática de Lindy.
Base de conocimientos y generación aumentada por recuperación (RAG): Anclar agentes en conocimiento personalizado a través de indexación y recuperación de documentos es una capacidad básica en toda la categoría. Las implementaciones incluyen pipeline RAG de Dify, Base de conocimientos de Voiceflow, Bases de conocimientos de Bedrock, Vertex AI RAG Engine y Search AI de Kore.ai.
Interfaz de constructor de agente sin código o de bajo código: Las interfaces gráficas o de lenguaje natural para la creación de agentes están disponibles en todas las plataformas. Las plataformas empresariales ofrecen estudios sin código (Agentforce Builder, Copilot Studio, watsonx Orchestrate), mientras que los frameworks de desarrolladores proporcionan herramientas visuales complementarias (LangGraph Studio, AutoGen Studio, CrewAI Studio).
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{alper2026,
author = {Alper, Şevval},
title = {{Comparativa de Plataformas de Agentes de IA: Agentes Gestionados de Claude vs Vertex Agent Engine de Google}},
year = {2026},
month = may,
howpublished = {\url{https://aimultiple.com/ai-agent-platforms}},
note = {AIMultiple. Recuperado el 5 de Mayo de 2026}
}Enlaces de referencia
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.