Comparativa de plataformas de agentes de IA: Claude Managed Agents frente a Google Vertex Agent Engine

Comparamos 4 plataformas de agentes de IA en 3 dimensiones: finalización de tareas (10 tareas de codificación × 3 ejecuciones), capacidades específicas del arnés (dirección, reconexión, recuperación de conversaciones largas, manejo de archivos grandes) y coste.

Resultados de la comparativa de plataformas de agentes de IA

Claude Managed Agents y Vertex AI Agent Engine logran ambos una tasa de aprobación del 100 % en el conjunto de tareas, y Vertex gana en coste ($1,45 frente a $2,50). En cuanto a las funciones específicas del arnés, disponibles únicamente en plataformas gestionadas, como la dirección en mitad de flujo, la desconexión y reconexión y la compactación de conversaciones largas, Claude Managed Agents es la más capaz, pero Vertex Agent Engine iguala sus resultados en las pruebas portátiles (compactación, manejo de archivos grandes).

Conclusiones clave de la comparativa de tareas

1. Claude MA y Vertex AE empataron en la tasa de aprobación con 30/30 (100 %). Ambos gestionan todos los tipos de tareas, incluidas las tareas de red (06, 10) que hicieron fallar a OpenAI.
2. Los fallos de OpenAI se deben a su política de sandbox. Las tareas 06 (cliente de API REST) y 10 (descargador simultáneo) requieren HTTP saliente. El sandbox de Code Interpreter lo restringe, y ambas fallaron en 2 de 3 y 1 de 3, respectivamente. Observamos que GPT-5.4 puede escribir el código, pero el sandbox no lo ejecuta de forma fiable.
3. Vertex AE es la más barata, con un total de $1.45. Claude MA es la más cara, con $2.50. Cuesta un 72 % más que Vertex en el mismo conjunto de tareas y con la misma tasa de aprobación.
4. Vertex AE es la más lenta. La orquestación gestionada con ADK añade sobrecarga.

Capacidades específicas del arnés

Se comparan dos plataformas cara a cara en funciones que solo existen gracias a un arnés gestionado.

Consulte la metodología de la comparativa más abajo.

Plataformas de agentes de IA

Claude Managed Agents

El producto de Anthropic, Claude Managed Agents, ofrece un tiempo de ejecución de agentes alojado que combina sesiones con estado, ejecución integrada de herramientas, transmisión basada en eventos y compactación automática para cargas de trabajo autónomas de larga duración. La plataforma se diferencia mediante primitivas únicas que no están disponibles en ofertas comparables, como la inyección de eventos de usuario a mitad del flujo para dirigir la ejecución en curso, flujos SSE reanudables para la desconexión y reconexión, y la integración nativa del servidor MCP. Todo ello se ofrece como un servicio totalmente gestionado sin que los desarrolladores tengan que aprovisionar infraestructura.¹

El precio es de $0,08 por hora de sesión, además de los costes estándar de tokens de Claude API.

Ventajas:

• Las sesiones con estado y la inyección de eventos a mitad del flujo permiten que nuevos mensajes de usuario dirijan a los agentes durante la ejecución en curso.
• La compatibilidad con desconexión y reconexión mediante flujos SSE persistentes; las sesiones siguen ejecutándose en el servidor durante las interrupciones de red y los clientes pueden reanudar el consumo de eventos al reconectar.
• El conjunto de herramientas integrado del agente incluye bash, operaciones con archivos (read, write, edit, glob, grep) y herramientas web (web_fetch, web_search), accesibles mediante un único parámetro de configuración, lo que elimina el cableado de herramientas personalizadas.
• Integración nativa del servidor MCP (Model Context Protocol) para extensiones de herramientas personalizadas sin modificar el conjunto de herramientas integrado del agente.

Desventajas:

• Actualmente en beta; todas las solicitudes requieren la cabecera beta managed-agents-2026-04-01 y el comportamiento puede cambiar entre versiones.
• Solo Claude, sin flexibilidad de modelos en comparación con plataformas como AWS Bedrock AgentCore o Northflank que admiten varios proveedores de modelos.

Salesforce Agentforce

Salesforce Agentforce se diferencia por el acceso nativo a datos de CRM mediante Atlas Reasoning Engine y por 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 alianzas con AWS.

Agentforce atiende a organizaciones que requieren flujos de trabajo autónomos de cara al cliente integrados directamente en su infraestructura existente de Salesforce Cloud.

Ventajas:

– El acceso nativo a datos de CRM mediante Atlas Reasoning Engine permite acciones de agente sensibles al contexto.

– Los agentes predefinidos disponibles para ventas, servicio, marketing y comercio reducen el tiempo de despliegue.

– Autorización FedRAMP en Salesforce Government Cloud para sectores regulados.

– El nivel gratis de Foundations incluye 200.000 Flex Credits para pruebas iniciales.

Desventajas:

– Solo SaaS en la nube, sin opción de despliegue local.

– Independencia de modelos limitada; recurre por defecto a modelos gestionados de Salesforce con soporte restringido de proveedores externos.

– Requiere una inversión previa en el ecosistema de Salesforce para obtener todo su valor.

Microsoft Copilot Studio

Ventajas:

– Incluido con las licencias de Microsoft 365 Copilot para uso interno de agentes sin coste adicional.³

– Agentes de voz en tiempo real y soporte de telefonía IVR para escenarios de atención al cliente.

– Autorización FedRAMP mediante Azure Government para despliegues del sector público.

– Admite modelos de OpenAI, Anthropic y frameworks de código abierto dentro de un único entorno de compilación.

Desventajas:

– Funcionalidad limitada fuera del ecosistema de Microsoft; requiere compromiso con Azure o M365 para obtener todas las capacidades.

– No tiene un nivel gratis permanente e independiente; requiere una suscripción existente a M365 Copilot para el uso incluido.

– El modelo de IA de voz en tiempo real solo está alojado en Norteamérica a fecha de abril de 2026.

Copilot Studio resulta más rentable para organizaciones que ya usan Microsoft 365, Teams y Azure, ya que ofrece automatización orientada a los empleados que hereda las configuraciones existentes de identidad, seguridad y cumplimiento.

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 con poco código, y se diferencia por la integración del modelo Gemini, el contexto multiproducto de Google Workspace y la compatibilidad con entradas multimodales de texto, voz e imágenes.

La plataforma ofrece $300 en créditos gratis para nuevos usuarios y precios de pago por uso para Vertex AI Agent Engine.

Ventajas:

– El crédito de $300 gratis para nuevos usuarios permite crear prototipos ampliamente sin inversión inicial.

– Despliegue local compatible mediante Google Distributed Cloud para entornos regulados.

– Autorización FedRAMP mediante Google Cloud.

– Google ADK (Agent Development Kit) admite el desarrollo code-first en Python, TypeScript, Go y Java.

Desventajas:

– El diseño centrado en Gemini limita la flexibilidad de modelos en comparación con plataformas totalmente agnósticas.

AWS Bedrock Agents y AgentCore

AWS Bedrock Agents y la plataforma más reciente AgentCore ofrecen gestión de infraestructura sin servidor para agentes a escala empresarial, presentada en re:Invent 2025.⁴

Los diferenciadores incluyen precios de pago por uso de $0,0895 por vCPU-hora para el entorno de ejecución de AgentCore, opciones de rendimiento aprovisionado y Mem0 como proveedor exclusivo de memoria.

Ventajas:

– Autorización 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 la experimentación inicial.

– Acceso a modelos de Anthropic, Amazon, Meta, Mistral y AI21 a través del catálogo de Bedrock.

Desventajas:

– No incluye plantillas de agentes predefinidas para dominios específicos; requiere construir desde cero con el SDK.

– Sin opción de despliegue local; se ejecuta exclusivamente en la infraestructura de AWS.

– La creación de agentes requiere una codificación considerable de API o SDK en comparación con los creadores visuales.

AWS Bedrock atiende a empresas que requieren una infraestructura de agentes escalable y sin servidor con una integración profunda en el ecosistema de AWS, y ofrece eficiencia de costes mediante una facturación detallada basada en el uso.

IBM watsonx Orchestrate

IBM watsonx Orchestrate está dirigido a empresas reguladas con más de 150 agentes predefinidos para dominios específicos de RR. HH., compras, ventas y finanzas, junto con Skills Studio para crear habilidades personalizadas.⁵

La plataforma ofrece flexibilidad de despliegue en nube híbrida y local mediante IBM Cloud Pak for Data y Software Hub.

Ventajas:

– Instalación local compatible mediante IBM Cloud Pak for Data para cumplir los requisitos de residencia de datos.

– Más de 150 agentes y herramientas predefinidos de IBM y sus socios, con más de 80 integraciones de aplicaciones empresariales, incluidas SAP, Salesforce y Workday.

– Autorización FedRAMP ampliada en abril de 2026 para despliegues federales.

– Verdadera independencia de modelos compatible con múltiples proveedores de LLM sin dependencia de un proveedor.

Desventajas:

– No tiene un nivel gratis permanente; requiere una suscripción de pago Essentials o Standard para el uso continuado.

– Las capacidades de voz y telefonía están disponibles en watsonx Orchestrate mediante la configuración nativa de voz 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 presupuestos personalizados para las funciones empresariales.

ServiceNow IA Agents

ServiceNow IA Agents se integran directamente en la Now Platform y se diferencian por su integración nativa con flujos de trabajo de TI, RR. HH. y atención al cliente, en lugar de operar como una plataforma independiente.

La plataforma incluye IA Control Tower para la gobernanza, flujos de trabajo agénticos predefinidos para ITSM y HRSD, y un Context Engine que conecta el historial de políticas con las acciones de los agentes.⁶

Ventajas:

– Hereda la gobernanza, las reglas de SLA y los flujos de aprobación existentes de Now Platform.

– Los agentes de voz con IA admiten Genesys Cloud, Twilio y 3CLogic como proveedores de CCaaS.

– Los agentes web con IA aprenden de demostraciones humanas para automatizar tareas basadas en el navegador.

Desventajas:

– No tiene un nivel gratis permanente; los nuevos clientes solo reciben 100 gratis llamadas de Build Agent.

– La autorización FedRAMP High para IA Agents, IA Agent Orchestrator y IA Agent Studio se confirmó para los clientes de Government Community Cloud (GCC) a partir de marzo de 2026.

– Valor limitado para organizaciones que aún no usan ServiceNow para la gestión de servicios de TI o RR. HH.

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 independiente del modelo compatible con despliegues en la nube y locales.

La plataforma atiende a seis verticales, entre ellas banca, sanidad y comercio minorista.⁷

Ventajas:

– Infraestructura de voz nativa que ofrece interacciones de voz globales con baja latencia.

– Despliegue flexible, con opciones locales y de nube privada.

– Compatible con múltiples proveedores de LLM.

Desventajas:

– No tiene un nivel gratis permanente; solo ofrece $500 en créditos únicos para las pruebas iniciales.

LangGraph

Ventajas:

– La licencia de código abierto MIT permite el uso comercial y la modificación sin restricciones.

– El control determinista del flujo de trabajo mediante la arquitectura de grafos garantiza rutas de ejecución reproducibles.

– La integración de observabilidad de LangSmith proporciona supervisión y trazabilidad en producción.

Desventajas:

– No incluye un creador visual sin código; requiere código Python o JavaScript para definir grafos de agentes.

– No tiene integración nativa de voz o telefonía; requiere codificación personalizada para canales de voz.

– Curva de aprendizaje pronunciada para equipos poco familiarizados con los paradigmas de programación basados en grafos.

LangGraph se adapta a equipos de ingeniería que crean agentes de calidad de producción que requieren lógica condicional compleja, recuperación de errores y auditabilidad de los pasos de ejecución individuales.

CrewAI

Ventajas:

– La abstracción basada en roles refleja las estructuras de equipos humanos para una coordinación intuitiva de los agentes.

– Núcleo de código abierto gratuito sin tarifas de licencia para despliegues autohospedados.

– Editor visual y copiloto de IA disponibles en el nivel gratis para miembros no técnicos del equipo.

Desventajas:

– No cuenta con un mercado de plantillas mantenido oficialmente por el proveedor; depende de las contribuciones de la comunidad.

– El enfoque code-first requiere conocimientos de Python para crear agentes.

– El precio del plan Enterprise solo está disponible bajo petición, lo que puede generar incertidumbre presupuestaria a los equipos pequeños en comparación con otras opciones de código abierto.

CrewAI permite la creación rápida de prototipos de pipelines de agentes basados en roles, especialmente adecuados para el procesamiento de documentos, flujos de trabajo de investigación y tareas de generación de contenido de varios pasos.

n8n

n8n opera bajo una licencia de fair-code (Sustainable Use License) y ofrece más de 400 conectores de aplicaciones nativos con nodos visuales de IA e infraestructura autohospedable.

Ventajas:

– La Community Edition autohospedada incluye SSO SAML, LDAP, RBAC y almacenes de secretos cifrados sin coste.

– Compatibilidad nativa con LangChain y LlamaIndex dentro de flujos de trabajo visuales.

– El editor visual de flujos de trabajo permite automatizaciones complejas sin programar.

Desventajas:

– La licencia fair-code exige una licencia de pago para el alojamiento comercial o los productos SaaS.

– No tiene nodo nativo de voz o telefonía; requiere integración con una API externa para la voz.

– No se ha confirmado la autorización FedRAMP.

n8n conecta la automatización de flujos de trabajo tradicional con los agentes de IA, y atiende a analistas de negocio técnicos y equipos de DevOps que requieren un despliegue autohospedado para la residencia de datos sin renunciar a las capacidades de construcción visual.

Dify

Dify es una plataforma LLMOps de código abierto.

La plataforma admite pipelines de RAG, herramientas de ingeniería de prompts y una arquitectura independiente del modelo.

Ventajas:

– La Community Edition autohospedada es permanentemente gratis con control total de los datos mediante despliegue con Docker.

– El creador visual de flujos de trabajo permite crear agentes complejos sin programar.

– Admite cientos de LLM propietarios y de código abierto de decenas de proveedores de inferencia.

Desventajas:

– El soporte de voz requiere plugins del mercado como Agora o Tencent RTC; no hay telefonía PSTN nativa.

– Sin autorización FedRAMP.

– El plan Cloud Team por $159 al mes puede resultar costoso para equipos pequeños.

Dify se adapta a equipos de producto y operaciones que necesitan agentes con conocimiento de documentos y sólidas capacidades de RAG, especialmente los que priorizan el control de los datos mediante el autohospedaje.

Voiceflow

Voiceflow se diferencia por ser la única gran plataforma que trata el diseño de agentes con prioridad de voz como ciudadano de primera clase y no como un complemento, con un lienzo de diseño creado específicamente para agentes de voz y chat con latencia inferior a 500ms.

La plataforma se especializa en la automatización de tickets de atención al cliente y en sistemas IVR.

Ventajas:

– Canales nativos de voz y telefonía con soporte IVR y latencia inferior a 500ms.

– Capacidades de extracción de entidades para consultas en la base de conocimiento.

– El plan gratuito incluye 2 agentes y 100 tokens de IA mensuales sin caducidad.

– Lienzo visual diseñado específicamente para flujos de trabajo de IA conversacional.

Desventajas:

– El despliegue local solo está disponible mediante acuerdos empresariales personalizados.

Voiceflow atiende a equipos de experiencia del cliente y soporte que crean agentes conversacionales de cara al cliente y que requieren despliegue en canales de voz, chat y mensajería desde una única interfaz de diseño.

Relevance IA

Relevance IA ofrece flexibilidad bring-your-own-LLM (BYOLLM) con un modelo de facturación basado en acciones, lo que permite a los equipos no técnicos crear equipos de múltiples agentes mediante descripciones en lenguaje natural.

Ventajas:

– El nivel gratuito incluye 100 créditos al día sin caducidad.

– Más de 2.000 integraciones, incluidas HubSpot, Salesforce, Slack y Gmail.

– Verdadera independencia de modelos compatible con múltiples proveedores de LLM.

Desventajas:

– Sin opciones de autohospedaje ni despliegue local; solo SaaS en la nube.

– Sin autorización FedRAMP para sectores regulados.

– Las capacidades de voz requieren integración con Vapi o Twilio en lugar de telefonía nativa.

Lindy IA

Lindy IA ofrece varias integraciones a través de Pipedream, plantillas de agentes predefinidas para la clasificación de correos electrónicos y la programación, y capacidades de agentes de llamadas telefónicas mediante la función de voz Gaia.⁸

La plataforma utiliza un modelo de ejecución basado en créditos y dispone de un nivel gratis.

Ventajas:

– El nivel gratuito incluye 400 créditos al mes y una base de conocimiento de 1 millón de caracteres.

– Verdadera independencia de modelos y una amplia biblioteca de integraciones.

Desventajas:

– El despliegue local solo está disponible mediante acuerdos empresariales personalizados para sectores regulados.

Ideal para usuarios de negocio individuales, fundadores y equipos de operaciones que requieren una automatización rápida de los flujos de trabajo de correo electrónico, calendario y CRM sin recursos de ingeniería.

Metodología

¿Qué ofrece realmente una plataforma gestionada de agentes de IA frente a sus competidores y frente a la alternativa de crear tu propio arnés de agente? El sector de las herramientas de IA tiene aquí un punto ciego persistente. Los productos de “agente gestionado” se comparan habitualmente con las mismas tarjetas de resultados de finalización de tareas que se usan para los modelos de lenguaje puros, lo que confunde dos cosas muy diferentes: la capacidad del modelo para generar código correcto y la capacidad del arnés para ejecutar ese código de forma fiable en un entorno de ejecución gestionado con estado, herramientas y aislamiento. Diseñamos esta comparativa para separar esas señales.

¿Qué es una plataforma de agentes gestionada?

Estamos comparando una categoría específica: entornos de ejecución alojados que combinan la inferencia de LLM, la orquestación de agentes y la ejecución de código en un sandbox en un único servicio gestionado. Esto es distinto de (1) la inferencia pura de LLM mediante APIs, (2) los frameworks de orquestación de agentes que alojas tú mismo y (3) los sandboxes de cómputo que combinas con tu propio modelo. Las cuatro plataformas analizadas adoptan una forma ligeramente distinta de este paquete:

• Claude Managed Agents (Anthropic): arnés totalmente gestionado. Las definiciones de agentes, las sesiones, la transmisión basada en eventos, la compactación y la ejecución de herramientas se realizan en el servidor. Es uno de los dos verdaderos competidores de esta categoría.
• Vertex AI Agent Engine (Google): arnés totalmente gestionado. Despliega un agente definido con ADK en un entorno de ejecución gestionado; el despliegue 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 de Python integrada, pero sin estado de sesión persistente de varios turnos ni dirección en mitad del flujo.
• Control: Claude Messages API con un bucle de herramientas local: se incluye como referencia. El mismo modelo que Claude MA (claude-sonnet-4-6), pero implementamos el bucle del agente localmente en unas 150 líneas de Python. Las herramientas (bash, write, read, edit) se ejecutan en un directorio temporal por tarea en la máquina de la comparativa. Esto aísla lo que aporta el arnés gestionado más allá del “modelo más bucle de herramientas”. Ejecutar la API Messages con un bucle de agente local produce una comparación en la que el modelo es idéntico, pero el arnés está ausente. Cualquier diferencia entre Claude MA y el control es atribuible por completo al arnés, no a la capacidad del modelo.

El conjunto de tareas

Diez tareas de programación que abarcan tres niveles de dificultad. Cada tarea tiene un prompt fijo que especifica el entregable y un script de verificación que codifica criterios deterministas de aprobado o suspenso. Cada tarea se ejecuta tres veces por plataforma para medir la varianza.

Pruebas de estrés específicas del arnés

El conjunto de tareas mide la corrección de extremo a extremo. No puede medir capacidades que solo existen gracias a un arnés gestionado: persistencia de sesiones con estado, dirección en mitad del flujo, reanudación de conexiones, compactación automática del contexto y gestión de artefactos en el sistema de archivos. Para ello diseñamos dos conjuntos de pruebas adicionales.

Suite A: Dirección e interrupción

Tres pruebas que ejercitan primitivas específicas del arnés.

A1 inicia un agente en una tarea de programación, inyecta un nuevo evento de usuario mediante POST /events después de 10 segundos para cambiar 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 flujo SSE, corta la conexión después de cuatro eventos, se reconecta y verifica que la sesión sigue alcanzando el estado idle.

A3 envía un prompt deliberadamente contradictorio y mide si el agente pide aclaraciones o elige una interpretación de forma silenciosa.

Solo A3 es portátil entre plataformas. La inyección de eventos en mitad del flujo de A1 no tiene un equivalente directo en OpenAI Responses (solicitud o respuesta única) ni en Vertex Agent Engine (el modelo de sesión carece de inyección de mensajes en curso). La desconexión y reconexión de A2 tampoco tiene equivalente en ningún otro sitio. Se trata de ventajas estructurales genuinas del modelo de sesión basado en eventos de Claude MA, que no se pueden comparar en las alternativas. Ejecutamos A1 y A2 solo en Claude MA y ejecutamos A3 tanto en Claude MA como en Vertex Agent Engine.

Suite B: Compactación y contexto

Dos pruebas que ejercitan las funciones de contexto gestionado.

B1 coloca una cadena canaria única (un token derivado de un UUID) en el primer turno de una sesión, ejecuta 23 turnos de relleno con pequeñas tareas de programación no relacionadas que producen llamadas a herramientas y resultados, y luego pide al agente que recuerde el valor canario de memoria en el turno 25 sin permitir la búsqueda de archivos. El recuerdo correcto tras 23 turnos de relleno demuestra que el arnés conserva el contexto inicial mediante la política de compactación que utilice.

B2 pide al agente que genere un archivo de texto de 50.000 líneas con un marcador oculto y que luego responda a una pregunta que requiere encontrar el marcador. Esto comprueba si el agente puede razonar sobre artefactos mayores que su ventana de contexto sin intentar leer el archivo completo.

Tanto B1 como B2 se ejecutaron en Claude MA y en Vertex Agent Engine, con los mismos prompts y protocolos.

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

LLM-as-judge para la puntuación conductual

En la Suite A3 (contradicciones), el resultado de aprobado o suspenso no es una comprobación determinista; tratamos la pregunta “¿pidió el agente una aclaración?” como un juicio cualitativo sobre el comportamiento conversacional. Utilizamos un diseño de LLM-as-judge con tres salvaguardas metodológicas:

1. El modelo juez es distinto del modelo evaluado: Claude Opus 4.6 actúa como juez para evitar el sesgo de autoevaluación.
2. Rúbrica estructurada con 4 dimensiones booleanas: el juez devuelve una puntuación en JSON: recognized_contradiction, asked_for_clarification, proceeded_with_assumption, documented_assumption y un razonamiento de un párrafo.
3. Comprobación de consistencia en 3 ejecuciones: cada juicio se ejecuta 3 veces. Informamos del consenso mayoritario por dimensión y de la tasa de acuerdo por dimensión. Si el acuerdo de alguna dimensión cae por debajo del 67 %, el juez se marca como inconsistente en esa dimensión y el resultado se trata con baja confianza.

Una heurística de palabras clave se ejecuta en paralelo como comprobación de saneamiento. Las divergencias entre la heurística y el juez se registran para una revisión manual.

Puntuación

Para cada ejecución de tarea en cada plataforma:

• Aprobado o suspenso
• Tiempo total: segundos transcurridos desde el envío del prompt hasta la recepción del evento terminal (status_idle para Claude MA, finalización de la tarea para Vertex AE, finalización de la respuesta para OpenAI y salida del bucle de herramientas para el control).
• Número de llamadas a herramientas: invocaciones de herramientas distintas. Es útil como huella conductual, pero menos útil como métrica de eficiencia porque la granularidad de las herramientas difiere significativamente entre plataformas.
• Uso de tokens: analizado a partir de los eventos model_request_end en Claude MA, usage_metadata en Vertex AE, response.usage en OpenAI y la acumulación por turno en el bucle de mensajes del control. Se desglosa en entrada, salida, lectura de caché y creación de caché.
• Coste en USD: calculado a partir del uso de tokens con los 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 las tarifas de infraestructura específicas de cada plataforma: Claude MA cobra $0,08 por hora de sesión prorrateada por el tiempo total; OpenAI, $0,03 por contenedor cuando se produjo alguna llamada a herramienta; Vertex AE, aproximadamente $0,35 por hora de alojamiento prorrateada por el tiempo de actividad del despliegue.

Los resultados de las suites A y B también capturan métricas a nivel de sesión (turnos, recuerdo del canario, consenso del juez y acuerdo).

Consideraciones de equidad y limitaciones conocidas

Varias asimetrías en la configuración afectan a la forma en que deben leerse las cifras; las señalamos explícitamente:

El control ejecuta las herramientas en la máquina de la comparativa, sin un viaje de ida y vuelta a la nube. Esto le otorga una ventaja injusta en el tiempo total que no refleja tanto la velocidad del agente como la ausencia de red. Cuando observamos que el control completa las tareas aproximadamente un 25 % más rápido que Claude MA con el mismo modelo, aproximadamente la mitad de esa diferencia se debe a la asimetría del viaje de ida y vuelta.

OpenAI Code Interpreter opera en un sandbox con restricciones de red. Las tareas 06 (cliente de API REST) y 10 (descargador simultáneo) requieren HTTP saliente, que CI solo permite de forma intermitente. Los fallos de OpenAI en esas tareas son fallos de la política del sandbox, no fallos de capacidad del modelo. GPT-5.4 puede escribir código HTTP simultáneo correcto; la plataforma no siempre puede ejecutarlo. Los lectores no deben interpretar “OpenAI falla en las tareas de red” como una afirmación sobre el modelo.

Gemini 3.1-pro-preview está limitado por una lista de permitidos de vista previa a 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; los despliegues de Agent Engine con el modelo se realizaron correctamente, pero las llamadas de inferencia no devolvieron ningún evento ni error. Recurrimos a gemini-2.5-pro.

Una batería de tareas de refactorización de varias horas, depuración en bases de código desconocidas o flujos de trabajo autónomos de larga duración sometería a los arneses a un estrés diferente y probablemente separaría con más claridad las opciones de primer nivel.

No medimos la latencia de aprovisionamiento, el comportamiento en arranque en frío, el rendimiento de sesiones simultáneas ni los límites de tasa. Son aspectos importantes para cargas de trabajo de producción con alto rendimiento, pero quedaron fuera del alcance de esta ronda.

Funciones comunes a todas las plataformas de agentes de IA

Todas las plataformas de esta comparativa ofrecen capacidades básicas que definen la categoría de agentes de IA. Estas funciones comunes establecen el producto mínimo viable para la automatización agéntica, mientras que las funciones diferenciadoras determinan la elección de la plataforma.

Orquestación de múltiples agentes: todas las plataformas admiten la orquestación de múltiples agentes, aunque la implementación varía (consulte las secciones individuales de cada plataforma más arriba).

Uso de herramientas e integraciones externas: los agentes de todas las plataformas pueden llamar a APIs externas, bases de datos y aplicaciones empresariales. El número de conectores predefinidos va de aproximadamente 50 (Dify) a más de 2.000 (Relevance IA), y todas las plataformas admiten definiciones de API personalizadas.

Memoria persistente y gestión del contexto: retener información dentro de las sesiones (memoria a corto plazo) y entre sesiones (memoria a largo plazo) es una capacidad estándar que se logra mediante bases de datos vectoriales, objetos de sesión o ventanas de contexto configurables según la plataforma.

Supervisión y observabilidad: todas las plataformas exponen registros, trazas o analíticas para inspeccionar la ejecución de los agentes, realizar un seguimiento del uso de tokens y de la latencia e identificar fallos.

Supervisión humana y controles de aprobación: en todas las plataformas existen mecanismos de revisión, aprobación o anulación de las acciones de los agentes. Algunos ejemplos son las puertas de aprobación por herramienta de n8n, las primitivas de interrupción y reanudación de LangGraph, los controles de políticas de Bedrock AgentCore, ServiceNow IA Control Tower y la escalada automática de Lindy.

Base de conocimiento y generación aumentada por recuperación (RAG): fundamentar los agentes en conocimiento personalizado mediante la indexación y recuperación de documentos es una capacidad básica en toda la categoría. Entre las implementaciones se incluyen el pipeline de RAG de Dify, Voiceflow Knowledge Base, Bedrock Knowledge Bases, Vertex AI RAG Engine y Kore.ai Search IA.

Interfaz de creación de agentes sin código o con poco código: en todas las plataformas hay interfaces gráficas o de lenguaje natural para crear agentes. Las plataformas empresariales ofrecen estudios sin código (Agentforce Builder, Copilot Studio, watsonx Orchestrate), mientras que los frameworks para desarrolladores proporcionan herramientas visuales complementarias (LangGraph Studio, AutoGen Studio, CrewAI Studio).

Cita este benchmark

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: Claude Managed Agents frente a Google Vertex Agent Engine}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/ai-agent-platforms}},
  note   = {AIMultiple. Recuperado el 4 de mayo de 2026}
}

Enlaces de referencia

1.

Claude Managed Agents overview - Claude Platform Docs

2.

Agentforce: The AI Agent Platform | Salesforce

3.

Microsoft Copilot Studio Plans and Pricing

4.

Amazon Bedrock AgentCore - AWS

5.

IBM watsonx Orchestrate Agent Catalog

6.

AI Agents - ServiceNow 

7.

Agentic AI Applications for the Enterprise | Kore.ai

Kore.ai

8.

Pricing - Lindy

Şevval Alper

Investigadora de IA

Síguenos

Şevval es investigadora de IA en AIMultiple. Tiene experiencia previa en investigación sobre la generación de números pseudoaleatorios mediante sistemas caóticos.
Şevval se centra en herramientas de codificación con IA, agentes de IA y tecnologías cuánticas.

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