¿Qué es el tool calling (llamada a herramientas)?

Tool calling, function calling y llamada a herramientas nombran lo mismo: el mecanismo con el que un modelo de lenguaje deja de limitarse a escribir y pide que se haga algo fuera de él, como consultar existencias, buscar en un catálogo o calcular un envío. Anthropic lo llama tool use y lo da por sinónimo de function calling.⁠^{[1]Anthropic, documentación de Claude. Tool use with Claude} No es un protocolo ni un plugin que se instala: es una capacidad del modelo, y es la pieza que hay debajo de cualquier agente de IA y de cualquier conector. A una tienda le importa porque un asistente que habla de tus productos con datos al día casi siempre los ha pedido a una herramienta, y lo que esa herramienta devuelve es lo que el asistente acaba diciendo.

Cómo funciona

OpenAI lo define como la forma de que sus modelos se conecten con sistemas externos y accedan a datos que no estaban en su entrenamiento, y lo describe en cinco pasos:⁠^{[2]OpenAI, documentación de la API. Function calling}

1. La aplicación hace una petición al modelo con las herramientas que podría llamar.
2. El modelo responde con una llamada a herramienta: qué función y con qué argumentos.
3. La aplicación ejecuta su propio código con esos argumentos.
4. La aplicación hace una segunda petición al modelo con el resultado.
5. El modelo responde al usuario, o pide otra herramienta.

El paso 3 es el que más se malinterpreta. El modelo no ejecuta la función: Google lo subraya en su documentación de Gemini, y pide extraer el nombre y los argumentos y ejecutarla en tu aplicación.⁠^{[3]Google AI for Developers. Function calling with the Gemini API} En la API de Anthropic, cuando Claude quiere usar una herramienta definida por ti, la respuesta se detiene con el motivo tool_use; tu código hace la operación y devuelve un bloque tool_result con lo que obtuvo.⁠^{[1]Anthropic, documentación de Claude. Tool use with Claude} La excepción son las herramientas de servidor, como la búsqueda web de Anthropic, que se ejecutan en la infraestructura del proveedor y no en la tuya.⁠^{[1]Anthropic, documentación de Claude. Tool use with Claude}

Qué lleva una herramienta

Una función se declara con un nombre, una descripción de cuándo y cómo usarla y un esquema JSON con los parámetros que acepta. En OpenAI, el modo estricto (strict) hace que las llamadas se ajusten siempre al esquema, en lugar de intentarlo sin garantía.⁠^{[2]OpenAI, documentación de la API. Function calling}

La descripción no es un comentario para programadores: es lo que el modelo lee para decidir si llama a la herramienta. Claude decide cuándo usarla según la petición del usuario y la descripción de la herramienta.⁠^{[1]Anthropic, documentación de Claude. Tool use with Claude} OpenAI da tres consejos que cualquier tienda entiende: nombres y descripciones claros y detallados; pocas funciones a la vez, menos de 20 al empezar cada turno, porque así acierta más; y la «prueba del becario», que consiste en preguntarse si una persona sabría usar la función solo con lo que le has dado al modelo.⁠^{[2]OpenAI, documentación de la API. Function calling} Las definiciones, además, se inyectan en las instrucciones del modelo y cuentan como tokens de entrada.⁠^{[2]OpenAI, documentación de la API. Function calling}

Quién decide si se llama a una herramienta también se configura. El modo automático deja que el modelo elija entre llamar a una función o responder directamente; otros modos le obligan a llamar a alguna o se lo prohíben.⁠^{[3]Google AI for Developers. Function calling with the Gemini API} Y un mismo turno puede traer varias llamadas en paralelo, salvo que la aplicación lo desactive.⁠^{[2]OpenAI, documentación de la API. Function calling}

Leer o actuar

Google agrupa los usos en tres: ampliar conocimiento (consultar bases de datos o API), ampliar capacidades (un cálculo, un gráfico) y actuar en otros sistemas, como programar una cita, crear una factura o enviar un correo.⁠^{[3]Google AI for Developers. Function calling with the Gemini API} La guía de OpenAI para construir agentes separa igual las herramientas de datos, que traen contexto, de las de acción, que cambian registros o envían mensajes, y pide asignar a cada herramienta un riesgo bajo, medio o alto según si solo lee o también escribe, si su efecto se puede deshacer, qué permisos exige y qué impacto económico tiene.⁠^{[4]OpenAI. A practical guide to building agents}

En una tienda

Un ejemplo ficticio: una tienda de cafeteras ofrece a su asistente una sola herramienta, consultar_stock. Así la declara, en el formato que usan las API de los modelos:⁠^{[2]OpenAI, documentación de la API. Function calling}

{
  "type": "function",
  "name": "consultar_stock",
  "description": "Devuelve las existencias y el plazo de entrega de un producto por su SKU. Úsala cuando el cliente pregunte si hay stock o cuándo llega.",
  "parameters": {
    "type": "object",
    "properties": {
      "sku": {
        "type": "string",
        "description": "Código del producto, por ejemplo MOKA-6-INOX"
      },
      "codigo_postal": { "type": "string", "description": "Código postal de entrega" }
    },
    "required": ["sku", "codigo_postal"],
    "additionalProperties": false
  },
  "strict": true
}

Una clienta pregunta: «¿Tenéis la cafetera de acero de seis tazas y me llega a Valencia antes del viernes?». El modelo no contesta todavía: devuelve consultar_stock con {"sku": "MOKA-6-INOX", "codigo_postal": "46001"}. La aplicación de la tienda consulta su sistema, obtiene «12 unidades, entrega el miércoles» y se lo pasa al modelo, que entonces redacta la respuesta. Cada dato de esa frase salió de la herramienta, no del modelo. Si el sistema de la tienda devuelve un stock de ayer, el asistente dirá un stock de ayer con toda la seguridad del mundo.

Fíjate en dos detalles. El código postal es obligatorio, así que el modelo tiene que conseguirlo de la conversación. Y la herramienta solo lee: crear el carrito sería otra función, con otro riesgo.⁠^{[4]OpenAI. A practical guide to building agents}

Cómo comprobarlo

1. Pide la lista de herramientas a quien te venda un asistente o un conector para la tienda: nombre, descripción y parámetros de cada una. Si no puede enseñártela, no sabes qué hace.⁠^{[2]OpenAI, documentación de la API. Function calling}
2. Clasifica cada herramienta en leer o actuar y ponle un riesgo según si escribe, si se puede deshacer, qué permisos usa y qué dinero mueve.⁠^{[4]OpenAI. A practical guide to building agents}
3. Haz la prueba del becario con cada descripción: si una persona no sabría usarla solo con ese texto, el modelo tampoco.⁠^{[2]OpenAI, documentación de la API. Function calling}
4. Lanza una petición incompleta (sin talla, sin dirección) y mira si el asistente pregunta o rellena el hueco por su cuenta.⁠^{[1]Anthropic, documentación de Claude. Tool use with Claude}
5. Comprueba que toda acción pide confirmación: la especificación de MCP recomienda que siempre haya una persona capaz de rechazar una llamada y que la aplicación muestre qué herramientas se invocan.⁠^{[5]Model Context Protocol. Tools (Model Context Protocol, especificación 2026-07-28)}

Concepto cercano: MCP

El tool calling ocurre dentro de una aplicación: el desarrollador describe sus funciones al modelo y ejecuta las llamadas. El MCP resuelve otra cosa: que un servidor publique sus herramientas una vez y cualquier aplicación compatible las descubra con tools/list y las invoque con tools/call. En ese flujo, el modelo sigue haciendo lo mismo, elegir la herramienta, y es el cliente MCP quien envía la llamada al servidor MCP y devuelve el resultado al modelo.⁠^{[5]Model Context Protocol. Tools (Model Context Protocol, especificación 2026-07-28)} Sin tool calling, MCP no tendría quién eligiera; sin MCP, cada herramienta se reescribe para cada aplicación.

Para seguir, el agente autónomo frente al asistido explica quién aprueba las llamadas que actúan, el comercio agéntico cuenta para qué las usa un agente que compra, y la ruta de lectura ordena el resto de términos.