Llamada a funciones: cómo usa un modelo de lenguaje tus herramientas

La llamada a funciones (en inglés, function calling, tool calling o tool use) es la forma en que un modelo de lenguaje hace cosas fuera de su propio texto: le pide a tu programa que ejecute una función que tú le has descrito, con los argumentos que él rellena, y después usa el resultado para responder. La respuesta corta a 23 de octubre de 2026: el modelo nunca ejecuta nada por su cuenta. La guía de OpenAI lo describe como «una conversación de varios pasos entre tu aplicación y un modelo», la documentación de Google dice que «el modelo no ejecuta la función» y Anthropic explica que Claude devuelve «una llamada estructurada que tu aplicación ejecuta». Esta guía explica el bucle, los ajustes que lo controlan, lo que cuesta y los errores que conviene evitar. Se basa en la documentación de las API de OpenAI, Anthropic y Google, leída el 23 de octubre de 2026; no hemos medido con qué precisión elige herramientas cada modelo.

Cómo funciona la llamada a funciones, paso a paso

La guía de OpenAI describe cinco pasos, y los otros dos fabricantes siguen el mismo esquema con otros nombres de campo:

1. Tu aplicación envía la petición con la definición de las herramientas. Cada herramienta tiene un nombre, una descripción y un esquema JSON con sus parámetros.
2. El modelo responde con una llamada en lugar de texto. Indica la función y rellena los argumentos. En la API de Anthropic la respuesta termina con stop_reason: "tool_use" y uno o varios bloques tool_use.
3. Tu código ejecuta la función. Comprueba los argumentos, consulta tu base de datos o tu API y obtiene un resultado.
4. Devuelves el resultado en una segunda petición (Anthropic lo llama bloque tool_result).
5. El modelo responde o pide más llamadas. OpenAI señala que el bucle puede seguir durante tantas llamadas como necesite la tarea.

El ejemplo de Anthropic lo deja claro. Una herramienta get_weather recibe una location. Ante una pregunta sobre el tiempo en San Francisco, Claude responde con una llamada a get_weather y el argumento {"location": "San Francisco, CA"}; la aplicación consulta el tiempo, devuelve «15 grados, parcialmente nublado» y Claude redacta la respuesta final. Ese bucle, repetido hasta cumplir un objetivo, es lo que convierte un chatbot en un agente.

Anthropic distingue además entre herramientas de cliente, que se ejecutan en tu aplicación, y herramientas de servidor, como la búsqueda web, la lectura de páginas o la ejecución de código, que corren en la infraestructura de Anthropic y devuelven el resultado en la misma respuesta.

Los ajustes que controlan las llamadas

Tabla: ajustes de las llamadas a herramientas en las tres API (documentación oficial, comprobada el 23 de octubre de 2026)

El modo estricto tiene reglas. En la API de OpenAI, cada objeto de los parámetros debe llevar additionalProperties en false y todos los campos deben marcarse como obligatorios; un campo opcional se escribe con un tipo que admite también null. Google describe VALIDATED como el modo en el que el modelo garantiza que se cumple el esquema de la función.

Lo que cuestan las llamadas

Las herramientas no son gratis aunque la función lo sea. OpenAI indica que las definiciones de funciones cuentan para el límite de contexto del modelo y se facturan como tokens de entrada. Anthropic cobra como tokens el parámetro tools, cada bloque tool_use y cada bloque tool_result, y añade un prompt de sistema oculto que activa el uso de herramientas: 286 tokens en Claude Opus 5.5, Sonnet 5.5 y Haiku 5.5 cuando tool_choice es auto o none, y 406 tokens en Haiku 5.5 cuando es any o tool. Las herramientas de servidor, como la búsqueda web, suman un cargo por uso.

Lo que sorprende es la repetición. Cada paso del bucle es una petición nueva que vuelve a enviar la conversación y las definiciones. Como ejemplo, 15 herramientas descritas en unos 150 tokens cada una añaden 2.250 tokens a cada petición; una tarea de seis pasos las envía seis veces, 13.500 tokens de entrada antes de cualquier contenido útil. Nuestra guía sobre qué es un token explica cómo se convierte el texto en unidades que se cobran, y la caché de prompts es la forma habitual de pagar menos por un prefijo largo que se repite.

Cuántas herramientas y cómo describirlas

Los fabricantes coinciden en que menos herramientas, y más claras, funcionan mejor:

• OpenAI: recomienda tener menos de 20 funciones disponibles al empezar cada turno, lo presenta como una sugerencia y no como un límite, y pide mantener pocas funciones iniciales para ganar precisión.
• Google: aconseja un máximo de 10 a 20 herramientas activas, tipos concretos (entero, texto, enum) y validar las llamadas antes de ejecutarlas.
• Anthropic: cuando falta un parámetro obligatorio, Claude Opus tiende mucho más a darse cuenta y preguntarlo, mientras que Claude Sonnet puede inventarse un valor razonable. Su ejemplo muestra un "location": "New York, NY" supuesto para una pregunta que no mencionaba ninguna ciudad. Para catálogos muy grandes, Anthropic ofrece una herramienta de búsqueda que carga las herramientas cuando hacen falta.

De ahí salen las reglas prácticas: una tarea por herramienta, una descripción que diga cuándo usarla y cuándo no, listas cerradas (enum) en vez de texto libre siempre que se pueda y validación en tu código aunque el modo estricto esté activado, porque un esquema válido no garantiza un valor correcto.

Llamada a funciones, MCP y agentes

La llamada a funciones es el mecanismo entre tu aplicación y la API de un modelo. El Model Context Protocol trabaja un nivel por encima: estandariza cómo los servidores describen y ofrecen sus herramientas, para que un mismo servidor sirva a muchas aplicaciones. Nuestra guía sobre qué es MCP explica esa capa, y la API de Anthropic puede conectarse directamente a servidores MCP remotos. Cuando pones llamadas a funciones dentro de un bucle con un objetivo y una regla para parar, tienes un agente: cómo crear un agente recorre un ejemplo probado con dos herramientas, un límite de pasos y aprobación humana.

El modelo propone, tu código decide

Como tu aplicación ejecuta cada llamada, los controles de seguridad viven ahí, no en el modelo. La lista de Google termina pidiendo una autenticación adecuada para las API externas, y la misma lógica vale para todos: da a cada herramienta el permiso mínimo que necesita, comprueba los argumentos con tus propias reglas de negocio, pide a una persona que apruebe cualquier acción irreversible o cara y registra cada llamada. Trata lo que devuelve una herramienta, como una página web o un correo, como datos y no como instrucciones, porque puede contener texto escrito para engañar al modelo. Nuestra guía de agentes para empresas repasa los riesgos que conviene prever antes de conectar un modelo a sistemas reales.