¿Qué es Tool Use y cómo un agente IA elige qué herramienta usar y cuándo?
La capacidad del LLM de elegir, encadenar y ejecutar herramientas para completar tareas multi-paso. Base de cualquier agente IA serio. Patrón ReAct, orquestación y guardrails.
Actualizado mayo 2026
Tool use: el LLM decide qué herramienta usar y orquesta llamadas para completar una tarea.
Tool use en agentes IA es la capacidad del LLM de elegir entre múltiples herramientas disponibles, llamarlas con argumentos correctos, interpretar los resultados y encadenar varias llamadas para completar una tarea multi-paso. Es la diferencia entre un asistente que responde con texto y un agente IA que ejecuta acciones reales.
Técnicamente se apoya en function calling (los dos términos se usan casi como sinónimos). La diferencia es de escala: function calling describe el mecanismo de una llamada; tool use describe el patrón de decisión y orquestación cuando hay múltiples herramientas y la tarea requiere varias llamadas encadenadas.
El patrón más usado es ReAct (Reasoning + Acting), publicado por Yao et al. (2022): el agente alterna ciclos de razonar ("¿qué necesito hacer ahora? ¿qué herramienta usar?") y actuar (llamar herramienta), incorporando el resultado como contexto para el siguiente razonamiento. Es el patrón base de la mayoría de frameworks de agentes (LangChain, LlamaIndex, Anthropic Computer Use, OpenAI Assistants).
En una pyme española en 2026, tool use bien diseñado permite agentes que: buscar clientes en CRM, calcular cotización, mandar email, agendar reunión y crear ticket de seguimiento en una sola conversación. Sin tool use, cada paso requiere intervención humana. Con tool use bien diseñado, el agente orquesta autónomo. Sin diseño cuidadoso, los agentes con tools fallan en loops, alucinaciones de argumentos o ejecuciones peligrosas.
Seis patrones de tool use en agentes IA
Las arquitecturas que vemos funcionar en producción 2025-2026.
ReAct: razonar + actuar
Ciclos alternos de pensamiento y acción. El agente piensa qué hacer, llama herramienta, lee resultado, vuelve a pensar. Patrón base. Soportado por LangChain, LlamaIndex, Anthropic.
Tool routing
Primer LLM "router" decide qué tool especialista usar (CRM, ERP, calendario). Cada tool tiene su propio sub-agente. Reduce ruido de tener 30 funciones a la vez en un prompt.
Sub-agentes especializados
Agente principal delega tareas a sub-agentes especializados (uno para ventas, uno para soporte, uno para finanzas). Cada uno con sus tools propias. Anthropic Claude implementa este patrón.
Plan-then-execute
Agente primero genera plan completo (lista de pasos), luego ejecuta cada paso con tools. Menos flexible que ReAct pero más predecible. Útil cuando la tarea tiene estructura conocida.
Multi-turn con humano en el bucle
Agente avanza autónomo hasta paso crítico (transferir dinero, borrar dato, mandar email). En ese punto, pide confirmación humana antes de seguir. Guardrails contra acciones peligrosas.
Computer use / browser agent
Tool use con herramientas de control de UI (clic, escribir, leer pantalla). Anthropic Computer Use, OpenAI Operator. Agente opera apps que no tienen API. Frágil pero potente cuando funciona.
Cinco fases para diseñar tool use que aguante producción
Saltarse pasos sale caro. Cada uno previene clases enteras de fallo.
Inventario y diseño de herramientas
Listar herramientas necesarias: lectura (consulta CRM, BBDD), escritura (crear lead, mandar email), cálculo (precio con descuentos). Cada una con nombre claro, descripción precisa y schema de argumentos.
Prompt sistémico con instrucciones de uso
Cuándo usar cada tool, en qué orden, qué hacer si una falla. Few-shot con ejemplos de trayectorias completas (input → secuencia de tool calls → respuesta final).
Guardrails y permisos
Permisos por tipo de acción: read-only sin restricción, write con validación, delete con confirmación. Rate limits por usuario. Validación de argumentos antes de ejecutar. Confirmación humana en acciones críticas.
Observabilidad de trayectorias
Cada conversación con su secuencia de tool calls debe loggearse: input, tools usadas, argumentos, resultados, decisiones intermedias. Sin trazas, debugging es imposible. Langfuse, LangSmith, Arize Phoenix lo cubren.
Evaluación con casos reales
Dataset de trayectorias completas etiquetadas (entrada → secuencia correcta de tools → output esperado). Cada cambio en prompt o tool se valida contra dataset. Sin esto, mejoras son intuición.
Cinco errores típicos en tool use de agentes
Demasiadas tools en un solo agente
Dar 40 funciones a un agente único. La elección se degrada con cantidad. Mejor: routing a sub-agentes especializados con 5-10 tools cada uno. Más mantenible y más fiable.
No manejar errores de tools
Tool falla (API caída, argumento mal) y el agente no sabe. Patrón obligatorio: devolver al agente el error en formato estructurado para que reintente o pida ayuda humana. Sin esto, el agente queda colgado.
Loops infinitos
Agente llama tool A → recibe X → llama tool B → recibe Y → vuelve a A. Sin límite, gasta tokens infinitos. Patrón: <strong>max_iterations</strong> (típico 10-20), guard contra repetir misma llamada con mismos args.
Permisos demasiado amplios desde el inicio
Tools de borrado, transferencia, compra activas en producción día 1. Una alucinación puede causar daño real. Empezar con read-only, ampliar a write tras validación, mantener acciones críticas con confirmación humana.
No medir tasa de éxito de trayectorias
Saber que individualmente cada tool funciona pero no medir si trayectorias completas terminan bien. Métrica clave: <strong>% de conversaciones que terminan con éxito según humano evaluador</strong>. Sin esto, optimizas piezas, no el sistema.
Tool use en el mapa de IA empresarial.
Tool use es lo que convierte a un LLM en agente IA. Se construye sobre function calling y se beneficia de chain-of-thought (el modelo razona antes de elegir tool). Estándar emergente para estandarizar tools entre proveedores: MCP de Anthropic.
En arquitecturas avanzadas, tool use se combina con RAG: el agente tiene tool "search_docs" que ejecuta RAG cuando necesita información. Permite mezclar conocimiento estable (vía RAG) con acciones dinámicas (vía tools).
La disciplina operativa de tool use cae bajo LLMOps: trazas de trayectorias, evaluación de éxito, monitorización de coste por tool, alertas por errores. Sin LLMOps, los agentes en producción son cajas negras frágiles. Ver también agentes IA vs automatización clásica.
Para pymes españolas que quieran montar agentes con tool use serio (no demos), Magnetia diseña arquitectura completa: tools, prompt sistémico, guardrails, observabilidad, evaluación. Servicio integrado en automatización de procesos con IA, cofinanciable Kit Consulting.
Dudas que nos hacéis llegar
¿Quieres un agente IA que de verdad ejecute tareas?
Diseñamos arquitectura completa: tools, prompt sistémico, guardrails, observabilidad, evaluación. Agente que opera CRM, ERP, calendario con seguridad y trazabilidad.