Handoffs entre agentes de IA: cómo transferir contexto y estado

Un handoff entre agentes es la transferencia controlada de una tarea, junto con su contexto y su estado, de un agente de IA a otro. En lugar de terminar de procesar una solicitud por sí mismo, un agente deriva el diálogo en curso a un agente especializado. La pregunta clave de diseño no es si se transfiere, sino qué se transfiere: el historial completo de la conversación, un resumen comprimido o un estado estructurado. Esta decisión determina, más que ninguna otra, si un sistema multiagente funciona o fracasa por pérdida de contexto.

• ¿Qué se transfiere? Contexto (diálogo previo, decisiones, resultados intermedios) y estado (datos estructurados, estado de la tarea, variables), en uno de tres niveles de fidelidad.
• ¿Quién asume el control? A diferencia de una llamada a herramienta, tras un handoff es el agente receptor quien continúa el diálogo; el agente que transfiere cede su turno.
• ¿Qué sale mal? Pérdida de contexto por compresión excesiva, handoffs infinitos (deadlock de recursos) y fallos en cascada, en los que un dato falso recorre toda la cadena.

Tres estrategias de handoff: historial completo, resumen y estado estructurado

Elegir la estrategia de transferencia es, en esencia, buscar el equilibrio entre fidelidad de la información y coste en tokens. Depende del acoplamiento de estado entre las subtareas.

1. Historial completo de la conversación. El agente receptor recibe toda la traza previa: todos los mensajes, llamadas a herramientas y decisiones intermedias. Para el trabajo estrechamente acoplado (en el que cada acción condiciona las decisiones siguientes), Cognition defiende exactamente esta postura: compartir trazas completas del agente, no solo mensajes sueltos. El motivo: cada acción lleva implícitas decisiones, y las decisiones contradictorias conducen a malos resultados (Don't Build Multi-Agents, junio de 2025). El precio: un consumo de tokens elevado que crece con cada handoff.

2. Resumen comprimido. Antes de transferir, el agente que cede la tarea condensa su contexto en un resumen. Es el patrón de referencia del Anthropic Research Agent (documentado en «How we built our multi-agent research system», 13 de junio de 2025): cada subagente trabaja en su propia ventana de contexto de unos 200k tokens y devuelve un resumen comprimido al agente principal, nunca la transcripción completa. El agente principal sintetiza la respuesta a partir de ahí. Así, su ventana de contexto queda reservada para el plan, los resultados de los subagentes y la síntesis, en lugar de llenarse con fragmentos de búsqueda en bruto. Eficiente en tokens y paralelizable, pero con riesgo de pérdida de contexto si se condensa demasiado.

3. Estado estructurado. En lugar de texto libre, se transfiere un esquema tipado (modelo Pydantic, JSON Schema o un artifact de A2A). Es la variante más robusta para transferencias bien definidas, porque el formato obliga a que estén completas y nada se pierde de forma implícita. LangGraph pasa un objeto de estado tipado a través de sus nodos y lo guarda de forma duradera en checkpoints: un workflow interrumpido continúa tras un reinicio del servidor desde el último checkpoint.

Handoffs en el OpenAI Agents SDK y en el modelo Swarm

El OpenAI Agents SDK (marzo de 2025) introduce los handoffs como concepto explícito de primer nivel. Es la versión renombrada y ampliada de OpenAI Swarm (octubre de 2024), el framework de referencia para el patrón peer-to-peer/swarm. La semántica según la documentación de OpenAI: el nuevo agente asume la conversación y, por defecto, ve todo el historial anterior. Un agente de triaje decide, por ejemplo, que una solicitud corresponde al agente de facturación y se la transfiere; a partir de ahí, el agente de facturación dirige el diálogo.

Esto distingue claramente los handoffs de la llamada a herramienta: en la llamada a herramienta, el mismo agente conserva el control y solo recibe un resultado. En el handoff cambia la responsabilidad. A modo de comparación, la semántica de paso de mensajes de los stacks más importantes:

Para transferencias entre proveedores (por ejemplo, un agente de Salesforce que llama a un agente de SAP Joule), el contrato no es el handoff del SDK, sino el protocolo A2A. Allí, el ciclo de vida de las tareas define los estados, el agente de destino publica una AgentCard con sus capacidades y el resultado vuelve como artifact. Los prompts y modelos internos permanecen ocultos de forma deliberada.

Fuentes de error: pérdida de contexto y handoffs infinitos

Los handoffs generan clases de errores que un sistema de un solo agente no conoce. Cuatro de ellas afectan directamente a los handoffs:

• Fragmentación del contexto. Los subagentes toman decisiones implícitas incompatibles porque se perdió contexto en la transferencia. Contramedida: compartir trazas completas donde el acoplamiento es alto; contratos de decisión explícitos.
• Fallos en cascada. Un agente alucina un dato; el siguiente lo asume como verdad; más adelante en la cadena, otros agentes actúan sobre esa base falsa. Contramedida: un agente verificador que haga de juez, fuentes de retrieval fiables, citas obligatorias.
• Deadlock de recursos / handoffs infinitos. Los agentes se esperan entre sí de forma circular (A espera el resultado de B, B espera una aclaración de A) o se pasan una tarea una y otra vez. Contramedida: timeout para cada tarea, estado input-required explícito (A2A), un límite estricto de pasos de handoff por ejecución.
• Confusión de autoridad. Un subagente sobrescribe instrucciones del agente principal, o el agente principal pierde la autoridad sobre el diálogo. Contramedida: jerarquías de roles claras y contratos sólidos de AgentCard y de tarea.

Un aspecto de seguridad adicional: cada agente que procesa contenido no fiable es una superficie de ataque más para la inyección de prompts. En los handoffs con historial completo, una instrucción inyectada puede viajar con el contexto hasta el siguiente agente. Hasta qué punto es real el riesgo lo demuestra EchoLeak (CVE-2025-32711): una inyección de prompts zero-click en Microsoft 365 Copilot, notificada a Microsoft por Aim Labs y publicada en junio de 2025.

Buenas prácticas para handoffs robustos

Del diseño del agente de investigación de Anthropic y de la síntesis de Cognition (a fecha de 2026) se desprende una checklist práctica:

1. Mantener la ruta de escritura en un solo hilo. Muchos agentes pueden leer, investigar y proponer, pero solo un agente o una etapa del pipeline hace el commit. Cognition actualizó su postura en abril de 2026 (Multi-Agents: What's Actually Working): lo que funciona son configuraciones en las que varios agentes aportan inteligencia a una tarea mientras las escrituras siguen en un solo hilo. Los enjambres que escriben en paralelo rompen el contexto.
2. Obligar a que las salidas sigan un esquema tipado. Resultados de los subagentes como modelo Pydantic, JSON Schema o artifact de A2A, no como texto libre.
3. Comprimir antes de devolver. Nunca canalizar de vuelta al agente principal la transcripción completa de un subagente.
4. Enseñar la delegación de forma explícita. Cada subagente recibe un objetivo, un formato de salida, indicaciones sobre herramientas y fuentes, y límites claros de la tarea. En Anthropic, las delegaciones vagas provocaron trabajo duplicado y lagunas en la cobertura.
5. Limitar el presupuesto de tokens de cada subagente y asignar a cada handoff un trace ID y un timeout, para garantizar la trazabilidad y evitar bucles infinitos.

Ejemplo: gestión de siniestros con siete agentes (Allianz Project Nemo)

Allianz Project Nemo tramita siniestros por alimentos en mal estado tras catástrofes naturales con siete agentes especializados: Planner, Cyber, Coverage, Weather, Fraud, Payout, Audit. El workflow funciona como una cadena jerárquica de handoffs: el Planner descompone el caso y lo transfiere a Coverage y Weather para su revisión, a Fraud para el control de fraude y, por último, a Payout. El agente Audit dedicado genera un resumen completo de todas las decisiones de los agentes y sus justificaciones, de modo que la pista de auditoría queda integrada en la propia topología de agentes y no solo en el logging.

Cifras concretas (desplegado en Australia en julio de 2025, en producción en menos de 100 días): todo el workflow de siete agentes se completa en menos de cinco minutos, y el tiempo de tramitación y liquidación de los siniestros admisibles por debajo de 500 AUD se redujo un 80 %. Lo decisivo: el pago final sigue siendo human-in-the-loop. Un tramitador revisa el resumen de auditoría. Es escritura en un solo hilo en estado puro: seis agentes aportan inteligencia, uno (más una persona) decide.

Pseudocódigo del núcleo del handoff:

```
planner.handoff(coverage, state={id_siniestro, poliza, importe_siniestro})
coverage.handoff(fraud, state + {cobertura_ok: true})
fraud.handoff(payout, state + {score_fraude: 0.04})
payout.handoff(audit, state + {recomendacion: "pagar", importe: 480})
audit -> human_review(resumen) # único commit de escritura
```

Para agencias y responsables de decisión B2B

Si planeas poner en producción workflows multiagente, ya sea como pyme europea con uno o dos casos de uso o como agencia que convierte servicios agénticos en producto, deberías hacer de la estrategia de handoff tu primera decisión de arquitectura. La regla general: por defecto, estado estructurado o resumen comprimido; historial completo solo con acoplamiento alto; ruta de escritura en un solo hilo; cada handoff con timeout, límite de pasos y trace ID. Como agencia, merece la pena hacer que tus propios agentes sean compatibles con A2A mediante AgentCards publicadas, para que los sistemas de tus clientes (Agentforce, Joule, Copilot Studio) puedan usarlos sin integración a medida. Blck Alpaca acompaña a equipos B2B de toda Europa en la integración de agentes de IA, en el desarrollo de software a medida y en el diseño de este tipo de arquitecturas de handoff, desde la selección de patrones hasta la observabilidad de toda la cadena de agentes.