Tool calling

Tool calling, o llamada a herramientas, es la capacidad de un modelo de lenguaje de invocar funciones externas: consultar una base de datos, llamar a una API o ejecutar una acción concreta. Es el mecanismo que transforma a un modelo que solo conversa en un sistema que puede actuar sobre la realidad de una empresa.

El modelo no ejecuta las acciones por sí mismo. El desarrollador le declara un conjunto de herramientas (funciones con un nombre, una descripción y sus parámetros) y, cuando hace falta, el modelo decide cuál usar y con qué datos. Un sistema externo ejecuta la función, devuelve el resultado y el modelo continúa el razonamiento con esa información fresca. Así un asistente puede cotizar, registrar un pedido o consultar stock en vez de inventar la respuesta.

Esta capacidad de operar sobre sistemas reales es el corazón de los Agentes de IA: sin tool calling, un modelo produce texto; con él, el texto se convierte en acciones acotadas a los permisos que la empresa definió.

Cómo funciona, paso a paso. El tool calling sigue un ciclo bastante simple de entender. Primero, el desarrollador declara las herramientas disponibles: cada una lleva un nombre, una descripción en lenguaje natural de qué hace y qué parámetros espera (por ejemplo, una función "consultar stock" que recibe un código de producto). Cuando llega un pedido del usuario, el modelo evalúa si alguna herramienta lo ayuda; si la respuesta es sí, en vez de redactar texto, emite una llamada estructurada indicando qué función invocar y con qué valores. El sistema que rodea al modelo ejecuta esa función contra el sistema real (el CRM, un ERP, una API de pagos), captura el resultado y se lo devuelve al modelo, que recién entonces formula la respuesta final o decide dar otro paso. Es importante el matiz: el modelo decide y describe la llamada, pero no la ejecuta por sí mismo. La ejecución vive siempre fuera del modelo, lo que permite aplicar permisos, validaciones y registros de auditoría.

Por qué importa para el negocio. Un modelo de lenguaje aislado solo sabe lo que vio durante su entrenamiento y solo puede producir texto. Eso lo vuelve útil para redactar o resumir, pero inútil para operar. El tool calling rompe esa pared: conecta el lenguaje con los datos vivos y las acciones reales de la empresa. Una empresa argentina que quiere un asistente de atención al cliente capaz de decir el estado real de un pedido, no una respuesta genérica, necesita tool calling para que el agente consulte el sistema de gestión en el momento. Lo mismo para emitir un link de pago, agendar una visita o crear una oportunidad en el CRM. Sin esta capacidad, cualquier "agente" es en realidad un chatbot que improvisa; con ella, pasa a ser una pieza operativa.

Un ejemplo concreto. Un cliente le escribe por WhatsApp a una distribuidora: "¿Cuándo llega mi pedido 4821?". El agente reconoce la intención, decide llamar a la herramienta de estado de pedido con ese número, el sistema consulta el ERP y devuelve "en reparto, entrega estimada mañana". El modelo toma ese dato y responde en lenguaje natural. Si el cliente pide adelantar la entrega, el agente puede invocar otra herramienta para crear un caso, pero si la acción es sensible (por ejemplo, emitir una nota de crédito), lo habitual es frenar y derivar a una persona mediante un human in the loop. Ese encadenamiento de pensar, llamar a una herramienta, observar el resultado y seguir es justamente el patrón ReAct que ordena a casi todos los agentes productivos.

Qué hace falta para usarlo bien. Implementar tool calling de forma confiable exige más que conectar funciones:

• Descripciones claras de cada herramienta, porque el modelo elige según lo que entiende del texto; una descripción ambigua lleva a llamadas equivocadas.
• Validación de parámetros antes de ejecutar, para no disparar acciones con datos inventados o fuera de rango.
• Permisos y límites por herramienta, definiendo qué puede leer y qué puede modificar el agente (esto se gobierna con guardrails).
• Manejo de errores, para que el agente reaccione cuando una API falla o devuelve un resultado inesperado, en vez de quedarse trabado.
• Aprobación humana en los pasos críticos, cuando la acción tiene consecuencias difíciles de revertir.

En qué se diferencia de conceptos cercanos. El tool calling se confunde a menudo con otras piezas del stack de IA. La tabla resume las diferencias clave:

Errores comunes. El primero es declarar demasiadas herramientas con descripciones pobres: el modelo se confunde y elige mal. El segundo es no validar lo que el modelo propone ejecutar, confiando ciegamente en sus parámetros. El tercero es darle al agente permisos amplios sobre sistemas sensibles sin un human in the loop para los pasos irreversibles. Y el cuarto es asumir que el tool calling reemplaza a la integración: el modelo decide la llamada, pero alguien tiene que construir y mantener las funciones que conectan con cada sistema real. Bien hecho, el tool calling es lo que hace que un agente deje de hablar y empiece a trabajar.