La mayoría de los equipos pierde semanas — a veces meses — debatiendo frameworks de agentes.
Y mientras tanto, no están construyendo nada que corra en producción.
Este artículo existe para evitar eso.
No desde teoría. Desde experiencia real construyendo sistemas multi-agente en producción para startups desde pre-seed hasta Series B.
👉 Si preferís que esta decisión la tomemos con vos y lo llevemos a producción, agendá una llamada de 30 minutos
El error de fondo (antes de hablar de frameworks)
Vamos directo al punto:
El framework casi nunca es el problema.
Hemos llevado a producción sistemas serios con:
- CrewAI
- Agno
- LangGraph
- y combinaciones custom
También vimos equipos fracasar con los tres.
La diferencia nunca fue el framework. Fue quién era dueño del sistema completo.
El framework importa menos de lo que pensás
Los problemas difíciles de los sistemas multi-agente son siempre los mismos:
- integración con sistemas reales
- manejo de errores
- evaluación de outputs
- latencia y costos
- despliegue y monitoreo
- handoff al equipo
Todo eso es agnóstico al framework.
Por eso, elegir bien te ahorra semanas. Elegir mal no mata el proyecto. No ejecutar, sí.
El framework que usamos según el caso (en producción)
CrewAI — cuando el workflow es “roles trabajando juntos”
Usamos CrewAI cuando:
- el sistema replica colaboración humana
- hay roles claros (researcher, writer, reviewer, etc.)
- el equipo quiere velocidad inicial
Ejemplo real: Un sistema de marketing AI con roles definidos. CrewAI encajó perfecto.
⚠️ No es ideal para:
- latencia crítica
- control fino del flujo
- performance extrema
Agno — cuando la latencia importa
Agno es nuestra elección cuando:
- el sistema es de alto volumen
- el tiempo de respuesta es crítico
- se necesita control fino y velocidad
Ejemplo real: TrustaNova — 15.000+ disputas/año, 78% resueltas solo con IA, sub-second latency. Acá la performance no era opcional.
LangGraph — cuando la complejidad manda
LangGraph entra cuando hay:
- ciclos
- branching complejo
- estados explícitos
- humanos en el loop
Ejemplo real: Pipelines de procesamiento documental con validaciones, rutas condicionales y checkpoints humanos.
Más potente. Más complejo. No para todo.
Cómo tomamos esta decisión con clientes
Las preguntas reales son:
- ¿Cuál es tu presupuesto de latencia?
- ¿Tu workflow parece un equipo humano?
- ¿Tenés ciclos, decisiones, estados complejos?
- ¿Qué tan madura es tu ingeniería?
- ¿Ya usás LangChain?
Estas preguntas importan más que cualquier benchmark.
La verdad incómoda
Si llevás más de una semana decidiendo frameworks, estás optimizando lo incorrecto.
Los equipos que llegan a producción:
- eligen algo razonable
- se comprometen
- y ejecutan con ownership claro
Eso es lo que separa demos de sistemas reales.
Dónde entra FACTA
FACTA existe para cerrar este gap: pasar de “sabemos qué framework usar” a “tenemos un sistema corriendo en producción”.
Trabajamos con startups como:
- CAIO fraccional (ownership técnico real)
- partner de ejecución (de decisión a deploy)
- partner técnico para sistemas críticos
Liderado por:
- Matías Baglieri — ejecución técnica y sistemas de IA en producción
- Carolina Fogliato — operación, gobernanza y escala en empresas reales
No damos opiniones. Nos quedamos hasta que el sistema funciona.
Cierre
El framework que importa es el que termina en producción.
Si querés seguir leyendo, este blog te va a servir.
Si querés salir a producción sin pagar el costo del error:
👉 Agendá una conversación de 30 minutos. Sin pitch. Sin presión.