Un equipo agrega herramientas a su agente de IA cada vez que aparece un caso de uso nuevo. Búsqueda web, lectura de documentos, envío de emails, consulta a la base de datos, generación de reportes. A los seis meses, el agente tiene acceso a veinte herramientas distintas. Y elige mal con más frecuencia que cuando tenía cinco.

Esto no es una anécdota aislada — está documentado en benchmarks académicos, no es solo intuición de equipo.

En síntesis

  • Más herramientas disponibles no es más capacidad: es más superficie de error en la selección.
  • Un benchmark académico reconocido mide esto directamente, no es solo intuición de equipo.
  • La solución no es un modelo más grande. Es aplicar el mismo principio de menor privilegio que ya usás en sistemas y permisos, pero a las herramientas de cada agente.
  • Es uno de los criterios centrales de la certificación oficial de arquitectura de agentes de Anthropic, y algo que auditamos de forma recurrente.

Más opciones no es más capacidad

Cuando un modelo de lenguaje tiene que decidir qué herramienta usar, evalúa la tarea contra la descripción de cada una de las disponibles. Cuantas más opciones hay sobre la mesa, más chance de que dos se parezcan lo suficiente como para confundir al modelo, o de que simplemente pierda precisión eligiendo entre un catálogo grande.

El Berkeley Function-Calling Leaderboard es el benchmark académico de referencia para medir exactamente esto: qué tan bien elige un modelo la herramienta correcta, con los argumentos correctos, dado un conjunto de opciones disponibles. Existe precisamente porque la selección de herramientas es un problema medible, no una cuestión de sentido común.

El principio de menor privilegio, aplicado a tools

En seguridad de sistemas, el principio de menor privilegio dice algo simple: cada componente recibe el acceso mínimo necesario para hacer su trabajo, ni un permiso más. Aplicado a agentes de IA, la traducción es directa: cada agente o cada rol dentro de un sistema multiagente recibe el set mínimo de herramientas relevante para su tarea específica.

Pensemos en un caso hipotético pero típico: un agente encargado de verificar datos simples —fechas, nombres, cifras puntuales— dentro de un pipeline más grande. La gran mayoría de sus verificaciones son triviales. Una porción menor requiere investigación más profunda, y hoy se resuelve escalando esa porción a un componente separado con más capacidad de búsqueda.

La tentación es simplificar dándole a ese agente acceso a todo el catálogo de herramientas de búsqueda disponible, “por si acaso”. Es exactamente el error que hay que evitar: eso rompe la separación de responsabilidades y degrada la precisión del agente en su tarea principal, que en este escenario es la abrumadora mayoría de su trabajo real.

La alternativa correcta es una herramienta de scope acotado, diseñada solo para lo que ese agente necesita, con la investigación compleja resuelta en otro lugar del sistema.

No es un problema que se resuelva con más modelo

Un error común es asumir que un modelo más grande o más nuevo compensa el problema de tener demasiadas herramientas disponibles. No es así: la dilución de precisión por exceso de opciones es un fenómeno estructural del proceso de selección, no una limitación de capacidad del modelo en sí. Un modelo mejor elige mejor entre pocas opciones bien diferenciadas. Frente a veinte herramientas parecidas, sigue confundiéndose.

En Arteclaw ayudamos a organizaciones a adoptar arquitecturas agénticas de forma segura. Como parte de ese trabajo, sometemos sistemas —los nuestros y los de las organizaciones que asesoramos— a auditorías periódicas contra un framework propio, informado por los criterios de la certificación oficial de arquitectos de Claude de Anthropic. En nuestras auditorías, la sobre-exposición de herramientas aparece de forma recurrente: no por mala intención, sino porque agregar una herramienta más siempre parece la solución más rápida en el momento.

La pregunta que conviene hacerse

Si estás diseñando un sistema con agentes de IA, la pregunta no es “¿qué herramientas podría necesitar este agente en el futuro?”. Es “¿qué necesita exactamente para la tarea que tiene hoy?”. Cada herramienta que agregás sin necesidad inmediata no suma capacidad — resta precisión a las decisiones que el agente sí tiene que tomar bien.

Inspirado en la serie de BridgeIntoAI sobre la certificación oficial Claude Certified Architect Foundations de Anthropic.