¿Qué son las llamadas a herramientas? Guía completa para integrar IA

Los modelos de IA se basan en sus datos de entrenamiento y extrapolan a partir de ellos para responder a usuarios. Pero ¿qué ocurre cuando una solicitud va más allá del alcance de esa información inicial?

La llamada a herramientas es una capacidad que ayuda a cubrir estas carencias de conocimiento y funcionalidad, ya que permite a un modelo solicitar ayuda adicional a herramientas y sistemas externos, tanto para activar una acción, como enviar una actualización, como para extraer contenido de un panel de datos.

En este artículo, veremos qué es la llamada a herramientas, cómo se compara con la llamada a funciones y cómo ElevenAgents aprovecha la llamada a herramientas en workflows de IA conversacional.

Resumen

• La llamada a herramientas permite a un modelo de IA activar acciones y solicitar información de herramientas externas y API.
• Un modelo de IA no ejecuta una herramienta directamente. En su lugar, una capa de aplicación ejecuta la solicitud.
• La llamada a herramientas sigue un proceso de cinco pasos, y una misma solicitud puede activar varias herramientas diferentes.
• La llamada a herramientas puede servir para recuperar información, ejecutar código, controlar dispositivos o interactuar con workflows y procesos.
• ElevenAgents admite llamadas a herramientas en agentes de voz, lo que permite que tu asistente de IA conversacional complete tareas por ti.

¿Qué es la llamada a herramientas?

La llamada a herramientas es una capacidad de un modelo de IA que le permite interactuar con otro sistema. Ese sistema puede ser una base de datos, una API, un software o cualquier recurso que le permita realizar una función más allá de sus datos de entrenamiento. 

La llamada a herramientas genera una solicitud para que un sistema de terceros realice una tarea, normalmente en formato JSON. Un sistema de IA usa llamadas a herramientas para consultar sistemas externos, obtener información en tiempo real, ejecutar comandos o realizar operaciones. La capacidad de llamar a herramientas permite a la IA agéntica completar tareas más complejas o de varios pasos mediante el acceso a recursos externos y el uso dinámico de sistemas de terceros.

La capacidad de llamar a herramientas es lo que distingue a los asistentes de IA agéntica de los LLM que solo pueden responder basándose en lo que ya saben.

¿Por qué es importante la llamada a herramientas?

Los modelos de lenguaje de gran tamaño se entrenan con enormes volúmenes de datos históricos para desarrollar sus capacidades. Aunque esto los convierte en sistemas potentes para responder a usuarios y proporcionar información, les cuesta ir más allá de su contexto de entrenamiento inicial y su corpus de información. Si pides a los LLM información que queda fuera de su alcance o capacidades, necesitan ayuda externa para ofrecerla.

La llamada a herramientas proporciona esa ayuda externa, permitiendo a los LLM obtener datos recientes de otras fuentes o integrarse en sistemas activos que una empresa ya utiliza, como API de terceros o bases de datos internas.

La llamada a herramientas ofrece numerosas ventajas a los sistemas de IA:

• Menos alucinaciones: Un sistema que se apoya en llamadas directas a herramientas para verificar información trabaja con pruebas y datos, en lugar de inventar información o extrapolar a partir de los datos de entrenamiento.
• Más autonomía y alcance: Un LLM con llamadas a herramientas puede completar acciones que van más allá de proporcionar información. 
• Respuestas en tiempo real: Al consultar fuentes en directo, un LLM puede obtener datos en tiempo real de bases de datos o llamadas a API y proporcionarte información actualizada que no estaría disponible trabajando solo con datos de entrenamiento.
• Procesos automatizados de varios pasos: Una tarea que podría requerir que interactúes con varios sistemas distintos se reduce a un único prompt con un LLM que dispone de llamadas a herramientas. Puede consultar otros sistemas y obtener información por ti sin que tengas que salir de la ventana de interacción.

Gartner prevé que el 40 % de las aplicaciones empresariales estarán integradas con agentes de IA específicos para cada tarea a finales de 2026, frente a menos del 5 % en 2025. Un modelo capaz de llamar a la herramienta adecuada para una tarea amplía sus capacidades y permite a usuarios hacer más con prompts en lenguaje natural.

Llamada a herramientas frente a generación aumentada por recuperación (RAG)

Tanto la generación aumentada por recuperación como la llamada a herramientas buscan datos más allá del contexto proporcionado por los datos de entrenamiento de un modelo, pero se centran en aspectos distintos. RAG sirve principalmente para contenido estático, incluida información como artículos, documentos y bases de conocimiento conectadas a un modelo. Proporciona a un LLM contexto adicional que ayuda a generar respuestas más completas.

La llamada a herramientas sirve para acceder a información de forma dinámica, incluidos sistemas en tiempo real que cambian constantemente. RAG podría recuperar un PDF con precios de un año concreto, mientras que la llamada a herramientas podría obtener al instante precios actuales de un sistema conectado. La mayoría de sistemas de LLM utilizan estas capacidades conjuntamente, ya que recuperar bases de conocimiento y usar herramientas en directo es importante en muchos casos de uso.

¿Cómo funciona la llamada a herramientas?

La llamada a herramientas sigue un patrón bastante estándar, tanto si un agente de IA llama a una aplicación interna como a un modelo externo. 

Este es un resumen general de cómo funciona la llamada a herramientas:

1. Detectar cuándo se necesita una llamada a herramienta
2. Seleccionar la herramienta adecuada de los sistemas conectados
3. Crear y enviar una solicitud
4. Se ejecuta la solicitud y se devuelve un resultado
5. El modelo responde o realiza otra acción

Veamos cada paso con más detalle.

Paso 1: Detectar cuándo se necesita una llamada a herramienta

Después de escribir una solicitud en lenguaje natural, un modelo lee tu prompt y evalúa si necesita ayuda externa de una herramienta. Una pregunta que coincide con sus datos de entrenamiento no necesitará ayuda externa, pero algunas preguntas, como las que van más allá del contexto del modelo, sí la requieren.

Preguntas como «¿Cuáles fueron nuestras cifras de ventas del segundo trimestre en Salesforce?» y «¿Cuál es el número actual de usuarios activos de nuestra tienda de Shopify?» requerirían una llamada a herramienta.

Paso 2: Seleccionar la herramienta adecuada de los sistemas conectados

Cada herramienta a la que tiene acceso un modelo cuenta con un esquema: un nombre, una descripción en lenguaje natural de lo que hace y los parámetros que acepta. El modelo compara tu solicitud con cada una de estas descripciones para encontrar la herramienta adecuada. Sobre todo cuando un agente tiene un catálogo amplio de herramientas, ejecuta un proceso interno para filtrarlas y encontrar las relevantes, ya que revisar manualmente cientos de herramientas ralentizaría mucho la búsqueda de la herramienta correcta.

Paso 3: Crear y enviar una solicitud

Después de seleccionar la herramienta adecuada, el modelo crea una llamada estructurada, a menudo en formato JSON. Esta llamada define la herramienta que usará y lo que incluye la solicitud. Por ejemplo, consultar el tiempo en Bogotá podría tener este aspecto: {"name": "get_weather", "arguments": {"city": "Bogota"}}. El modelo genera esta llamada y la capa de aplicación la ejecuta en el siguiente paso.

Paso 4: Se ejecuta la solicitud y se devuelve un resultado 

La capa de aplicación recibe la solicitud de un modelo y ejecuta la herramienta o llama a una API para llevarla a cabo. Después, la respuesta se devuelve al modelo original como contexto adicional, que puede usarla para elaborar su respuesta a un usuario. 

Paso 5: El modelo responde o realiza otra acción

Con los datos o la información de la llamada a herramienta, el modelo responde a un usuario en lenguaje natural o confirma que se ha realizado una acción concreta. Esta última respuesta se produce si la tarea específica que el usuario quería lograr está orientada a la acción, como publicar un mensaje en una plataforma concreta o introducir datos en una base de datos.

Si la tarea requiere más pasos, el modelo repetirá los pasos del 1 al 4 según corresponda. Las solicitudes más complejas pueden requerir llamar a varias herramientas antes de crear una respuesta final para el usuario. Por ejemplo, si un usuario quisiera conocer un tipo de cambio actual y después convertir divisas, el modelo tendría que ejecutar varios pasos de forma secuencial para lograr este objetivo. 

Tipos de llamadas a herramientas

La llamada a herramientas describe cualquier ocasión en la que un modelo llama a un sistema externo para obtener datos que van más allá de su entrenamiento subyacente. El proceso puede recurrir a varios sistemas distintos, y muchos casos de uso utilizan diferentes tipos de herramientas.

• Recuperación de información: Incluye obtener datos de una fuente externa, como una API, una base de datos empresarial conectada o un índice de búsqueda, para responder a una pregunta que va más allá del contexto de entrenamiento original de un modelo.
• Ejecución de código: La ejecución de cualquier script, proceso de transformación de datos o cálculo mediante un entorno de código. Se utiliza normalmente para analizar datos, en lugar de limitarse a describir cómo podría funcionar un análisis en la práctica.
• Automatización de procesos: Describe cuándo una llamada a una API activa un workflow específico en otro sistema, como interactuar con un CMS, programar una reunión, actualizar registros, enviar notificaciones o convertir solicitudes en acciones completadas. Es especialmente habitual en sistemas agénticos que realizan tareas para una persona.
• Control de dispositivos y sistemas: Las llamadas a herramientas que interactúan con otro dispositivo, un sistema de telefonía, un asistente doméstico inteligente y más se incluyen en esta categoría.

A menudo, la llamada a herramientas no encaja claramente en una sola de estas categorías. Puedes tener llamadas de varios pasos y encadenadas que combinan varias de las categorías anteriores en una secuencia continua. Por ejemplo, podrías consultar el estado del pedido de un cliente, activar un reembolso, actualizar tu CRM interno y transmitir esa información a un agente en directo.

Llamada a herramientas frente a llamada a funciones: diferencias clave

La llamada a herramientas es una categoría más amplia que la llamada a funciones, ya que abarca un alcance mayor y un conjunto más diverso de capacidades potenciales. La llamada a funciones se produce cuando un modelo genera una llamada estructurada, con argumentos, a una función predefinida.

Esta tabla resume las diferencias entre una llamada a herramienta y una llamada a función. 

¿Qué fiabilidad tiene la llamada a herramientas? 

La fiabilidad de la llamada a herramientas depende por completo del modelo que realiza las llamadas. Del mismo modo, los fallos pueden manifestarse de forma distinta en diferentes sistemas. Por ejemplo, tras fallar una llamada a herramienta, un modelo de IA puede simplemente alucinar una respuesta, mientras que otro puede pedir al usuario que lo intente de nuevo. 

La clasificación Berkeley Function Calling es una clasificación de referencia habitual que compara el rendimiento de distintos modelos en llamadas a herramientas. Aunque se describe como una clasificación de llamadas a funciones, en la práctica mide la eficacia de las llamadas a herramientas probando modelos con llamadas a API, recopilando información mediante consultas a bases de datos, ejecutando llamadas en paralelo o respondiendo en conversaciones de varios turnos.

Los modelos se evalúan en aspectos como el coste total, la capacidad de buscar en la web, la precisión en conversaciones de varios turnos, la medición de alucinaciones, la latencia y más. Si vas a ejecutar workflows complejos o de varios pasos, saber qué modelos tienen capacidades más completas para llamar a herramientas es información útil. 

Empieza a usar ElevenAgents para llamadas a herramientas

En ElevenAgents, puedes elegir entre varios modelos para adaptar tu carga de trabajo al mejor modelo subyacente posible. Los agentes de voz recurren a herramientas, buscan pedidos, consultan registros, actualizan bases de datos y recopilan información de API.

Puedes utilizar varios tipos de herramientas, como herramientas webhook para llamar a API externas, herramientas de cliente para activar acciones en aplicaciones o en un navegador, herramientas de código para lógica personalizada del lado del servidor, herramientas MCP que se conectan a servidores de herramientas externos y herramientas de sistema para acciones integradas, como transferir a un agente humano.

ElevenLabs también ofrece conectores nativos preconfigurados para servicios como Zendesk, HubSpot, Salesforce y muchos más, para que no tengas que configurar soluciones personalizadas. Descubre más sobre ElevenAgents o regístrate para empezar hoy a crear agentes de voz con llamadas a herramientas.

Preguntas frecuentes