¿Qué es la llamada a herramientas?

La llamada a herramientas (tool calling) es la capacidad de un modelo de AI para interactuar con herramientas externas, APIs o sistemas para realizar acciones y recuperar información más allá de lo que el modelo puede hacer por sí solo. En lugar de depender únicamente del conocimiento integrado en sus datos de entrenamiento, un modelo con capacidades de llamada a herramientas puede reconocer cuándo la solicitud de un usuario requiere ayuda externa, seleccionar la herramienta adecuada y estructurar una solicitud para realizar el trabajo.

Esta es la capacidad que separa a un chatbot estático de un agente de AI funcional. Sin la llamada a herramientas, un modelo de lenguaje grande solo puede generar texto basado en los patrones que aprendió durante el entrenamiento. Con ella, el mismo modelo puede verificar el inventario en tiempo real, consultar una base de datos, enviar un correo electrónico, ejecutar código o llamar a una API de terceros. La llamada a herramientas les da manos a los modelos de AI.

Por qué la llamada a herramientas es importante para los agentes de AI

Los agentes de AI son sistemas que pueden percibir su entorno, tomar decisiones y realizar acciones para lograr objetivos. La llamada a herramientas es lo que hace posible la parte de "realizar acciones". Un agente que no puede llamar a herramientas se limita a la conversación. Un agente que puede llamar a herramientas se convierte en un trabajador.

La transición de la AI generativa a la AI agéntica

La AI generativa produce texto, imágenes y código. La AI agéntica va más allá al planificar flujos de trabajo de varios pasos, utilizar herramientas para ejecutar cada paso y adaptarse en función de los resultados. La llamada a herramientas es el puente entre estos dos paradigmas. Es el mecanismo a través del cual un modelo de AI deja de describir lo que se podría hacer y comienza a hacerlo.

Por qué las empresas están prestando atención

El caso de negocio es sencillo. Según Gartner, el 40% de las aplicaciones empresariales integrarán agentes de AI específicos para tareas para finales de 2026, frente a menos del 5% en 2025. Ese crecimiento depende de una llamada a herramientas confiable. Si un agente no puede consultar de manera confiable un CRM, actualizar un registro o activar un flujo de trabajo descendente, no puede ofrecer un valor de nivel de producción.

La llamada a herramientas también cambia la forma en que los equipos piensan sobre la automatización. En lugar de crear integraciones rígidas y basadas en reglas para cada flujo de trabajo posible, las organizaciones pueden implementar agentes de AI que seleccionen e invoquen dinámicamente las herramientas adecuadas según el contexto. Esto hace que los sistemas sean más flexibles y reduce la sobrecarga de ingeniería de mantener conexiones punto a punto frágiles.

¿Cómo funciona la llamada a herramientas de AI?

La llamada a herramientas sigue un bucle estructurado. El modelo no ejecuta las herramientas directamente. En su lugar, genera solicitudes estructuradas que una capa de aplicación procesa y luego incorpora los resultados en su respuesta. Así es como funciona el proceso paso a paso.

Paso 1. Reconocer cuándo se necesita una herramienta

El proceso comienza cuando un usuario envía una solicitud que el modelo no puede responder únicamente con sus datos de entrenamiento. Si un usuario pregunta "¿Cuál es la capital de Francia?", el modelo responde directamente. Si un usuario pregunta "¿Cuáles fueron nuestras cifras de ventas del Q2?", el modelo reconoce que necesita consultar una fuente de datos externa.

Este reconocimiento depende del entrenamiento del modelo. Los modelos que admiten la llamada a herramientas se han ajustado para identificar cuándo una consulta queda fuera de sus límites de conocimiento y cuándo una herramienta disponible podría ayudar. El modelo evalúa la intención del usuario en comparación con la lista de herramientas a las que se le ha dado acceso.

Paso 2. Elegir la herramienta adecuada

Una vez que el modelo determina que se necesita una herramienta, selecciona la más adecuada de su conjunto disponible. Cada herramienta se describe al modelo mediante un esquema que incluye el nombre de la herramienta, qué hace y qué parámetros acepta. El modelo compara la solicitud del usuario con estas descripciones para elegir la herramienta correcta.

Por ejemplo, si un agente tiene acceso tanto a una API del clima como a una herramienta de consulta de base de datos, y el usuario pregunta sobre el pronóstico de mañana, el modelo selecciona la API del clima. Si el usuario pregunta sobre los ingresos del mes pasado, selecciona la herramienta de consulta de base de datos.

Paso 3. Crear y enviar la solicitud

Después de seleccionar una herramienta, el modelo genera una salida estructurada, normalmente en JSON, que especifica qué herramienta llamar y qué argumentos pasar. El modelo no ejecuta esta llamada por sí mismo. Produce la solicitud y la capa de aplicación se encarga de la ejecución.

Paso 4. Recibir y procesar la respuesta

La herramienta externa ejecuta la solicitud y devuelve un resultado. Esto podría ser una carga útil de datos (payload) de una base de datos, una confirmación de que se completó una acción, un mensaje de error o cualquier otra respuesta estructurada. La capa de aplicación devuelve este resultado al modelo como contexto para generar su respuesta final.

Paso 5. Entregar la respuesta o ejecutar una acción

Con la respuesta de la herramienta en mano, el modelo sintetiza una respuesta en lenguaje natural para el usuario. Si el usuario solicitó las cifras de ventas del Q2, el modelo podría responder: "Las ventas del Q2 de 2026 en América del Norte sumaron un total de $14.3 millones, un 12% más que en el Q1". El modelo combina los datos brutos de la herramienta con sus capacidades lingüísticas para producir una respuesta clara y contextual.

En algunos casos, el resultado no es una respuesta conversacional sino una acción ejecutada, como un correo electrónico enviado, un registro de base de datos actualizado o un flujo de trabajo activado. El modelo confirma la acción al usuario.

Paso 6. Iterar y perfeccionar el resultado

La llamada a herramientas no siempre es de un solo paso. Las solicitudes complejas pueden requerir múltiples llamadas a herramientas en secuencia. A un agente al que se le pide "preparar un resumen del rendimiento del último trimestre y enviarlo por correo electrónico al equipo de liderazgo" podría primero consultar una base de datos para obtener métricas de rendimiento, luego llamar a una herramienta de ejecución de código para generar un gráfico y después invocar una API de correo electrónico para enviar el resumen.

En cada paso, el modelo evalúa si tiene suficiente información para continuar o si se necesitan llamadas a herramientas adicionales. Este bucle iterativo es lo que hace que los sistemas de AI agénticos sean capaces de manejar flujos de trabajo de varios pasos.

Tipos comunes de llamada a herramientas

La llamada a herramientas no es un patrón único. Diferentes casos de uso requieren diferentes tipos de herramientas, y cada una cumple un propósito distinto en el flujo de trabajo de un agente.

Búsqueda y recuperación de información

El tipo más común de llamada a herramientas implica obtener datos que el modelo no tiene. Esto incluye consultar bases de datos, buscar en repositorios de documentos, llamar a APIs de búsqueda o recuperar información en tiempo real como precios de acciones, datos meteorológicos o noticias. La generación aumentada por recuperación (RAG) es una forma específica de este patrón en la que el modelo consulta una base de conocimientos para fundamentar sus respuestas en datos verificados.

Ejecución de código

Algunas tareas requieren que el modelo escriba y ejecute código en lugar de simplemente generar texto. Las herramientas de ejecución de código permiten a los agentes realizar cálculos, transformar datos, generar visualizaciones o ejecutar scripts analíticos. Un agente de codificación de AI podría escribir una función de Python, ejecutarla en un entorno aislado (sandbox) y devolver el resultado al usuario.

Automatización de procesos

La llamada a herramientas permite a los agentes activar acciones en sistemas externos. Esto incluye enviar correos electrónicos, crear tickets en herramientas de gestión de proyectos, actualizar registros de CRM, iniciar flujos de trabajo de aprobación o publicar mensajes en plataformas de comunicación. Estas herramientas convierten a los agentes en participantes de los procesos de negocio en lugar de observadores pasivos.

Dispositivos inteligentes y monitoreo de IoT

En contextos industriales y operativos, la llamada a herramientas conecta a los agentes de AI con sistemas físicos. Un agente podría consultar datos de sensores de equipos de fabricación, ajustar la configuración del termostato en un edificio inteligente o monitorear la telemetría de una flota de vehículos. Estas integraciones extienden las capacidades de la AI del mundo digital al físico.

Llamada a herramientas frente a llamada a funciones

Estos dos términos están estrechamente relacionados y a menudo se usan indistintamente, pero existe una distinción significativa que vale la pena comprender.

La llamada a funciones (function calling) es cómo comenzó la llamada a herramientas (tool calling). Cuando OpenAI introdujo por primera vez esta capacidad, se planteó como una forma para que los modelos generaran argumentos estructurados para funciones definidas por el desarrollador. A medida que el ecosistema maduró y los agentes comenzaron a orquestar flujos de trabajo más complejos que involucraban múltiples sistemas externos, el término más amplio "llamada a herramientas" se convirtió en el estándar.

En la práctica, si lee documentación que dice "llamada a funciones", está describiendo el mismo mecanismo subyacente. Databricks admite ambos términos en su documentación y en las capacidades de la plataforma. Para analizar más a fondo cómo se evalúa la llamada a funciones en la práctica, consulte las pruebas de rendimiento de llamada a funciones de Databricks.

Ejemplos del mundo real de llamada a herramientas de AI en acción

La llamada a herramientas ya está funcionando en producción en diversos sectores. A continuación, se presentan ejemplos concretos de cómo la utilizan las organizaciones.

Agentes de atención al cliente

Un agente de soporte recibe un mensaje de un cliente preguntando por el estado de un pedido. El agente llama a una herramienta para consultar el sistema de gestión de pedidos, recupera la información de seguimiento y responde con una estimación de entrega. Si el cliente desea cambiar la dirección de envío, el agente llama a una herramienta de actualización para modificar el registro. Cada interacción con las herramientas está gobernada y es auditable a través de plataformas como Unity Catalog, que aplica controles de acceso y mantiene el linaje desde las acciones del agente hasta los datos de origen.

Flujos de trabajo de análisis de datos

Un analista le pide a un agente de AI que compare los ingresos de este trimestre entre regiones. El agente llama a una herramienta de consulta SQL para extraer datos del lakehouse, llama a una herramienta de ejecución de código para calcular las tasas de crecimiento y generar un gráfico, y devuelve un resumen formateado. Lo que a un analista le habría llevado 30 minutos de consultas manuales y trabajo con hojas de cálculo ocurre en un solo intercambio conversacional.

Operaciones y monitoreo de IT

Un equipo de operaciones implementa un agente que monitorea el estado de la infraestructura. Cuando el uso de la CPU de un servidor supera un umbral, el agente llama a una herramienta de diagnóstico para recopilar los registros del sistema, llama a una herramienta de alerta para notificar al ingeniero de guardia y llama a una herramienta de remediación para escalar los recursos automáticamente. El agente gestiona el flujo de trabajo de primera respuesta sin intervención humana.

Búsqueda empresarial y gestión del conocimiento

Un empleado le pregunta a un asistente de AI interno sobre la política de licencia parental de la empresa. El agente llama a una herramienta de recuperación para buscar en la base de conocimientos de HR, encuentra el documento de política relevante y devuelve una respuesta concisa con un enlace al documento completo. Este patrón reemplaza la experiencia común de buscar en una intranet y leer varias páginas para encontrar una respuesta específica.

Comience a crear agentes de AI con llamada a herramientas en Databricks

Databricks ofrece una plataforma completa para crear, implementar y gobernar agentes de llamada a herramientas a través de Agent Bricks. Según Databricks, las organizaciones ya han creado más de 100,000 agentes en la plataforma, procesando más de mil billones de tokens al año.

Cómo admite Databricks la llamada a herramientas

Agent Bricks admite de forma nativa el Model Context Protocol (MCP), el estándar abierto emergente para la integración de herramientas. Esto proporciona a los agentes un acceso seguro a APIs, bases de datos y aplicaciones SaaS a través de una interfaz estandarizada. Las herramientas de MCP se pueden descubrir y compartir en toda la organización a través de un catálogo integrado, con cada integración visible, autorizada y auditable a través de Unity Catalog.

Los desarrolladores pueden conectar agentes a herramientas de varias maneras:

• Servidores MCP administrados para fuentes de datos de Databricks
• Servidores MCP externos registrados como servicios MCP gobernados
• Funciones de Unity Catalog para lógica personalizada y herramientas específicas de tareas
• Herramientas personalizadas creadas con el Agent SDK basado en Python

El Agent SDK gestiona la ejecución de herramientas, la llamada a funciones, los flujos de trabajo de varios pasos y la gestión del estado de la conversación. Los desarrolladores definen qué herramientas puede utilizar el agente y cómo debe comportarse en conversaciones de varios turnos.

Primeros pasos

Para los equipos que exploran la llamada a herramientas por primera vez, AI Playground ofrece un entorno de pruebas sin código donde puede seleccionar un LLM, agregar herramientas y probar el comportamiento del agente antes de exportarlo a código. Agent Bricks es compatible con marcos de agentes populares, incluidos LangGraph, CrewAI, Agno, Claude Code SDK y los SDK de agentes de OpenAI, para que los equipos puedan crear con los entornos de trabajo que ya conocen.

La gobernanza está integrada desde el principio. La gobernanza de agentes y la gobernanza de datos se gestionan directamente en Unity Catalog, con controles de acceso basados en roles aplicados a modelos, herramientas y conexiones. Las políticas de toda la organización para la prevención de inyección de prompts, la detección de datos sensibles y el filtrado de contenido se configuran dentro de un único plano de control.

Para comenzar a crear y probar agentes de llamada a herramientas con sus propios datos, explore Agent Bricks y el marco de herramientas de agentes de Databricks.

Preguntas frecuentes

¿Qué significa la llamada a herramientas en AI?

La llamada a herramientas es la capacidad de un modelo de AI para invocar herramientas externas, APIs o sistemas para realizar tareas más allá de la generación de texto. Permite a los modelos recuperar datos en tiempo real, ejecutar código y activar acciones en aplicaciones externas.

¿Cuál es la diferencia entre la llamada a herramientas y la llamada a funciones?

La llamada a funciones es un subconjunto de la llamada a herramientas. La llamada a funciones se refiere específicamente a un modelo que genera argumentos estructurados para una función predefinida. La llamada a herramientas es el concepto más amplio que abarca la llamada a funciones junto con integraciones de API, consultas de bases de datos, ejecución de código y otras interacciones externas.

¿Cómo funciona la llamada a herramientas en los LLM?

Un LLM con soporte para llamada a herramientas sigue un bucle: reconoce cuándo la solicitud de un usuario requiere una herramienta externa, selecciona la herramienta adecuada de su conjunto disponible, genera una solicitud estructurada con los parámetros correctos y luego incorpora la respuesta de la herramienta en su respuesta final. El modelo no ejecuta las herramientas directamente, sino que produce una salida estructurada que una capa de aplicación procesa.

¿Qué LLM es mejor para la llamada a herramientas?

El rendimiento de la llamada a herramientas varía según el modelo y el caso de uso. La Berkeley Function Calling Leaderboard (BFCL) es la prueba de rendimiento más consultada para evaluar la confiabilidad de la llamada a herramientas en diferentes modelos. Databricks admite múltiples proveedores de LLM, incluidos modelos de OpenAI, Anthropic, Google y Meta, para que los equipos puedan seleccionar y comparar modelos en función de sus requisitos específicos.

¿Cuál es la diferencia entre la llamada a herramientas de AI y MCP?

La llamada a herramientas es la capacidad. MCP (Model Context Protocol) es una capa de estandarización sobre cómo se describen, descubren e invocan las herramientas. MCP proporciona una interfaz consistente para que los agentes puedan conectarse a cualquier herramienta compatible con MCP sin necesidad de código de integración personalizado. Databricks Agent Bricks admite de forma nativa MCP para el acceso gobernado a herramientas.

¿Por qué es importante la llamada a herramientas para los agentes de AI?

Sin la llamada a herramientas, los agentes de AI se limitan a generar texto basado en sus datos de entrenamiento. La llamada a herramientas les da a los agentes la capacidad de actuar: consultar bases de datos, llamar a APIs, enviar mensajes, ejecutar código y activar flujos de trabajo. Es el mecanismo principal que transforma un modelo de lenguaje en un agente de AI autónomo capaz de realizar tareas del mundo real.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original