# Modelos de respaldo para agentes de IA: cómo mantener tu agente activo cuando falla un modelo

> Cómo funcionan los modelos de respaldo para agentes de IA, qué errores deben activar una alternativa, por qué el respaldo se comporta de forma distinta y cómo probarlo antes de una interrupción.

Last updated: 2026-09-28T14:00:00

Canonical URL: https://crevio.co/es/blog/ai-agent-backup-models

*Última actualización: septiembre de 2026. Páginas de estado, informes de incidentes y documentación comprobados el 28 de septiembre de 2026.*

**El modelo de tu agente fallará, y el modelo de respaldo que hayas configurado para sustituirlo no se comportará como el modelo con el que hiciste las pruebas.** El 28 de septiembre de 2026, la página de estado de la API de Claude mostraba un 99,52 % de disponibilidad durante los 90 días anteriores. Suena casi perfecto hasta que haces cuentas: el 0,48 % de 90 días equivale aproximadamente a 10 horas de servicio degradado o no disponible en un trimestre. Un modelo de respaldo para agentes de IA es lo que permite que tu agente siga funcionando durante esas horas. Si lo configuras sin cuidado, también puede hacer que una tarea quede incompleta a medias sin que nadie se dé cuenta, en un modelo que nadie ha probado.

Esta guía está dirigida a propietarios y responsables de operaciones que ejecutan agentes según un calendario o de cara a sus clientes. Explica qué puede fallar, qué errores deberían activar un cambio, cómo lo gestionan las principales herramientas de enrutamiento y cómo demostrar que el respaldo funciona antes de necesitarlo.

- **Desde fuera, tres fallos distintos parecen iguales:** interrupciones, límites de uso y modelos retirados. Solo algunos requieren un modelo de respaldo
- **Primero reintenta; después cambia.** Muchos fallos desaparecen tras un reintento breve o al usar otro host que ejecute el mismo modelo
- **Un modelo de respaldo no es una copia que puedas sustituir sin más.** Los modelos más nuevos rechazan parámetros que los antiguos aceptaban, las llamadas a herramientas funcionan de forma distinta y la caché de prompts activa se pierde
- **Las alternativas cuestan más por paso de lo que parece,** porque el respaldo empieza con la caché fría
- **Un respaldo que no se ha probado es solo una suposición.** Provoca un fallo a propósito, ejecuta tareas reales con el respaldo y registra qué modelo respondió

## Qué es un modelo de respaldo para agentes de IA

Un modelo de respaldo para agentes de IA, a menudo llamado fallback de LLM, es un segundo modelo configurado de antemano para hacerse cargo cuando el modelo principal del agente no puede responder. El cambio suele ser automático: un router o gateway detecta el error, envía la misma solicitud al siguiente modelo de una lista y devuelve la respuesta como si no hubiera pasado nada.

Es una de las cuatro capas de protección y debería ser la tercera a la que recurras, no la primera:

| Capa | Qué hace | Soluciona | ¿Cambia el modelo? |
|---|---|---|---|
| **Reintento** | Vuelve a enviar la misma solicitud tras una breve espera | Picos breves y tiempos de espera puntuales | No |
| **Conmutación por error del host** | Envía la solicitud a otro proveedor que ejecuta el mismo modelo | Fallos de un centro de datos o un host | No |
| **Alternativa de modelo** | Envía la solicitud a un modelo distinto | Interrupciones completas y cuotas agotadas | Sí |
| **Migración planificada** | Mueve el agente a un modelo nuevo de forma intencionada | Retiradas y obsolescencia | Sí, de forma permanente |

El orden importa porque cada paso hacia abajo en la tabla cambia más aspectos del comportamiento de tu agente. Un reintento no cambia nada. Un modelo distinto cambia casi todo, como muestran las secciones siguientes.

## Tres formas en las que falla tu modelo principal

### Interrupciones

Todos los proveedores importantes las han sufrido, y los informes de incidentes son públicos. El 11 de diciembre de 2024, [todos los servicios de OpenAI sufrieron una degradación significativa o dejaron de estar disponibles](https://status.openai.com/incidents/ctrsv3lwd797) entre las 15:16 y las 19:38, hora del Pacífico: 4 horas y 22 minutos que afectaron a ChatGPT, la API y Sora. La causa fue un nuevo servicio de telemetría que saturó el plano de control de Kubernetes de OpenAI. El error solo aparecía en clústeres grandes, por lo que las pruebas no lo detectaron.

![Incidente de la página de estado de OpenAI del 11 de diciembre de 2024, marcado como Resolved y Full outage, con 9 componentes de la API y 5 componentes de ChatGPT afectados y barras de estado rojas y ámbar](https://crevio.co/vite/assets/openai-status-december-2024-incident-gqiohlkd.png)

Las interrupciones más cortas son mucho más habituales. El 4 de marzo de 2026, OpenAI informó de [30 minutos de errores elevados en la API](https://status.openai.com/incidents/01KJXQDJ6P1CG5YNXKZRY2H6RX/write-up) después de que un lote de cambios de capacidad retrasados se ejecutara a la vez y dejara los motores de inferencia fuera de servicio. La página de estado de Anthropic muestra el mismo patrón: largos periodos en verde con una dispersión constante de días cortos en rojo y ámbar.

![Página de estado de Claude con todos los sistemas operativos y barras de disponibilidad de 90 días para claude.ai, con un 99,43 %, Claude Console, con un 99,95 %, y la API de Claude, con un 99,52 %](https://crevio.co/vite/assets/claude-status-page-eal06oie.png)

Una interrupción de 30 minutos apenas se nota cuando estás chateando. Importa mucho cuando una tarea programada se activa durante ese intervalo, porque no hay nadie que pulse el botón de reintento.

### Límites de uso y errores 429

Un error 429 significa que el proveedor está operativo, pero no va a atenderte en ese momento. La mayoría de las veces se trata de un límite por minuto: la API de Anthropic utiliza un [token bucket que se recarga continuamente](https://platform.claude.com/docs/en/api/rate-limits) y envía una cabecera `retry-after` que indica cuántos segundos debes esperar. Esperar ese tiempo y volver a intentarlo con el mismo modelo es lo correcto.

Sin embargo, no todos los errores 429 son temporales. Cuando una organización de Anthropic alcanza su límite de gasto mensual, la API devuelve un 429 **sin** la cabecera `retry-after`, y la documentación lo deja claro: «Los reintentos, incluidos los reintentos automáticos de los SDK, fallan hasta que se restablece el acceso». El acceso vuelve al comienzo del mes siguiente. Un agente que trate todos los errores 429 como «esperar y reintentar» seguirá reintentando toda la noche contra un límite que quizá no se restablezca durante semanas.

### Obsolescencia y retiradas

Los modelos se retiran según un calendario, y un modelo retirado no se degrada de forma gradual. La [política de obsolescencia de Anthropic](https://platform.claude.com/docs/en/about-claude/model-deprecations) garantiza al menos 60 días de aviso para los modelos publicados, y establece que «las solicitudes a modelos cuya fecha de retirada ya ha pasado fallarán». Claude Opus 4.1 es un ejemplo reciente: los desarrolladores recibieron el aviso el 5 de junio de 2026 y el modelo se retiró el 5 de agosto de 2026.

![Página de documentación de Claude Platform sobre la obsolescencia de modelos, que explica las etapas Active, Legacy, Deprecated y Retired del ciclo de vida y advierte de que los modelos obsoletos probablemente sean menos fiables que los activos](https://crevio.co/vite/assets/claude-model-deprecations-gt44ujck.png)

La [página de obsolescencias de OpenAI](https://developers.openai.com/api/docs/deprecations) ofrece al menos seis meses de aviso para los modelos disponibles de forma general, pero los modelos en vista previa «pueden retirarse con un aviso mucho más breve, por ejemplo, de 2 semanas». En junio de 2026 anunció que las snapshots de GPT-5 y o3 dejarían de funcionar el 11 de diciembre de 2026. Un modelo de respaldo no resuelve una retirada. Solo la oculta hasta que llega la fecha de retirada del propio respaldo.

### El fallo que ningún respaldo detecta

El fallo más caro nunca genera un error. En 2025, Anthropic publicó [un análisis posterior a un incidente sobre tres errores de infraestructura](https://www.anthropic.com/engineering/a-postmortem-of-three-recent-issues) que degradaron las respuestas de Claude durante semanas. En la hora más crítica, uno de ellos afectó al 16 % de las solicitudes a Sonnet 4. Una de las razones por las que tardaron tanto en encontrarlo fue que «Claude suele recuperarse bien de los errores aislados», lo que ocultó el problema.

Ninguna cadena de alternativas se activa ante una respuesta peor, porque una respuesta peor sigue devolviendo un 200. Para eso sirven las [comprobaciones puntuales de lo que produce el agente](/es/blog/human-in-the-loop-ai-agents), no el enrutamiento.

## Qué fallos deberían activar un modelo de respaldo para agentes de IA

Lee el error antes de reaccionar. El mismo mensaje de «el modelo ha fallado» puede significar que debes esperar cinco segundos, cambiar de modelo inmediatamente o corregir tu propia solicitud.

![Cinco fallos de proveedores y la respuesta adecuada para cada uno: esperar y reintentar ante un 429 con retry-after; cambiar al respaldo ante un 429 sin retry-after; reintentar, cambiar de host y después cambiar de modelo ante errores 5xx o tiempos de espera; corregir la solicitud ante un 400; y promover el reemplazo antes de la fecha de retirada](https://crevio.co/vite/assets/which-failures-need-a-backup-model-mvzdhotu.svg)

Dos filas merecen una explicación más detallada:

- **Errores 5xx, de saturación y de tiempo de espera.** La [referencia de errores de Anthropic](https://platform.claude.com/docs/en/api/errors) incluye un `overloaded_error` para tráfico elevado de todos los usuarios, y sus SDK ya reintentan dos veces los fallos transitorios con retroceso exponencial. Un reintento adicional está bien. Cinco son la forma de convertir un bache de 30 segundos en una espera de 10 minutos
- **Errores 400.** Un parámetro incorrecto o una solicitud mal formada también fallará con el respaldo, a menudo por el mismo motivo. La excepción es un prompt demasiado largo: algunos routers lo envían a un modelo con una ventana de contexto mayor; ese sí es un respaldo útil

## Cómo funcionan las cadenas de alternativas y el enrutamiento

Rara vez tendrás que crear tú mismo la lógica de alternativas. Una capa de enrutamiento entre tu agente y los proveedores se encarga de ello, y hay cuatro opciones habituales:

| Herramienta | Cómo configuras el respaldo | Qué lo activa | Cómo saber qué modelo respondió |
|---|---|---|---|
| **OpenRouter** | Un array `models` en orden de prioridad | Tiempo de inactividad, límites de uso, errores de longitud de contexto y alertas de moderación | El campo `model` de la respuesta |
| **LiteLLM** | `fallbacks`, además de alternativas independientes para la ventana de contexto y la política de contenido | Límites de uso y errores del servidor, con periodos de enfriamiento tras fallos repetidos | Registros del proxy y callbacks |
| **Vercel AI Gateway** | Un array `models` combinado con un `order` del proveedor | Cualquier fallo de todos los proveedores de un modelo | Una lista `modelAttempts` en los metadatos del proveedor |
| **Cloudflare AI Gateway** | Una lista de pasos en el endpoint Universal | Errores y tiempos de espera de las solicitudes | La cabecera de respuesta `cf-aig-step` |

Las [alternativas de modelos de OpenRouter](https://openrouter.ai/docs/guides/routing/model-fallbacks) son las más sencillas de visualizar: pasas una lista de identificadores de modelos y «si el primer modelo devuelve un error, OpenRouter probará automáticamente el siguiente modelo de la lista». Las solicitudes se facturan al precio del modelo que finalmente responde. Por separado, su [enrutamiento de proveedores](https://openrouter.ai/docs/guides/routing/provider-selection) gestiona la conmutación por error del host para el mismo modelo. De forma predeterminada, da preferencia a los proveedores que «no hayan sufrido interrupciones significativas en los últimos 30 segundos», y `allow_fallbacks` permanece activado hasta que lo desactives.

![Página de documentación de OpenRouter sobre Model Fallbacks, que explica que el parámetro models prueba automáticamente otros modelos si los proveedores del modelo principal están inactivos, limitados o se niegan a responder](https://crevio.co/vite/assets/openrouter-model-fallbacks-docs-k3qy0sqx.png)

Los [ajustes de fiabilidad de LiteLLM](https://docs.litellm.ai/docs/proxy/reliability) dividen el problema con más precisión. Los `fallbacks` normales cubren los límites de uso y los errores del servidor, `context_window_fallbacks` envía un prompt demasiado grande a un modelo mayor y `content_policy_fallbacks` detecta los errores de política de contenido. `allowed_fails` y `cooldown_time` retiran temporalmente de la rotación un modelo que está fallando, para que un proveedor con problemas no reciba peticiones constantemente.

Las [alternativas de modelos de Vercel AI Gateway](https://vercel.com/docs/ai-gateway/models-and-providers/model-fallbacks) combinan ambas capas: prueba todos los proveedores permitidos para el modelo principal, pasa después al siguiente modelo del array `models` y registra cada intento. Las [alternativas de Cloudflare AI Gateway](https://developers.cloudflare.com/ai-gateway/configuration/fallbacks/) funcionan en su endpoint Universal e indican en una cabecera de dónde procede la respuesta: `cf-aig-step: 0` significa que respondió el modelo principal; `1` significa que respondió la primera alternativa.

Hay una advertencia que se aplica a las cuatro opciones. **El gateway también es una dependencia.** La propia red de Cloudflare sufrió una interrupción importante el [18 de noviembre de 2025](https://blog.cloudflare.com/18-november-2025-outage/), entre las 11:20 y las 17:06 UTC, después de que un archivo de configuración incorrecto se propagara por ella. Una cadena de alternativas te protege frente al fallo de un proveedor de modelos. No puede protegerte frente a la capa que ejecuta la cadena.

## Por qué un modelo de respaldo para agentes de IA se comporta de forma distinta

Que una alternativa devuelva una respuesta no significa necesariamente que haya completado el trabajo. Los agentes son más frágiles que los chatbots en este aspecto, porque cuando se produce el cambio el agente está en mitad de una tarea de varios pasos y arrastra un historial extenso de llamadas a herramientas que el nuevo modelo tiene que retomar.

![Qué cambia cuando un agente cambia de modelo: pasar al mismo modelo en otro host conserva el comportamiento del prompt, el formato de las llamadas a herramientas, los parámetros y la ventana de contexto, mientras que un modelo más nuevo del mismo proveedor o un modelo de otro proveedor cambia la mayoría de estos elementos; además, cada cambio pierde la caché de prompts activa](https://crevio.co/vite/assets/what-changes-when-an-agent-switches-models-nxjdqm6x.svg)

### Parámetros que un modelo acepta y otro rechaza

Esto puede ocurrir incluso con un mismo proveedor. Según las [notas de obsolescencia](https://platform.claude.com/docs/en/about-claude/model-deprecations) y la [referencia de errores](https://platform.claude.com/docs/en/api/errors) de Anthropic:

- Establecer `temperature`, `top_p` o `top_k` en un valor distinto del predeterminado devuelve un 400 en Claude Opus 4.7 y versiones posteriores
- Forzar una herramienta concreta con `tool_choice` devuelve un 400 en Claude Opus 5.5, Sonnet 5.5 y Fable 5.1
- Rellenar previamente el comienzo de la respuesta del asistente devuelve un 400 en Claude 4.6 y modelos posteriores

Por tanto, una cadena que cambie de un modelo antiguo a otro más nuevo y «mejor» puede fallar al instante con un error que el modelo principal nunca produjo. La opción [`require_parameters` de OpenRouter](https://openrouter.ai/docs/guides/routing/provider-selection) existe en parte por este motivo: solo enruta a proveedores compatibles con todos los parámetros enviados.

### Llamadas a herramientas y prompts

Los distintos proveedores esperan que las herramientas, los resultados y el razonamiento tengan formatos diferentes, por lo que una alternativa entre proveedores depende de que el gateway traduzca correctamente la conversación. Incluso cuando el formato se conserva, el respaldo no es el modelo con el que ajustaste tus instrucciones. Puede llamar a las herramientas en otro orden, detenerse antes o interpretar «sé breve» como «omite la comprobación». Algunos datos de razonamiento ni siquiera se transfieren: Anthropic señala que «un bloque de thinking de un modelo que el modelo de destino no puede leer se descarta».

### Ventanas de contexto

Si el respaldo puede leer menos contexto que el modelo principal, una ejecución larga del agente puede superar su capacidad en el momento en que se hace cargo. Por eso OpenRouter incluye los errores de longitud de contexto entre los activadores de alternativas y LiteLLM les asigna su propia lista. Incluye en la cadena un respaldo con una ventana de contexto al menos tan grande como la del modelo principal o haz que el agente resuma el historial más antiguo antes de cambiar.

## Cuánto cuestan las alternativas

Un modelo de respaldo cambia el coste de tres formas, y ninguna aparece en una tabla comparativa de precios.

**La caché activa desaparece.** La caché de prompts es una parte importante de lo que mantiene asequibles a los agentes: las instrucciones, las definiciones de herramientas y el historial se vuelven a enviar en cada paso y, en su mayor parte, se facturan a la tarifa de caché. Las cachés están vinculadas a un modelo concreto en un proveedor concreto; por eso OpenRouter utiliza el [enrutamiento persistente](https://openrouter.ai/docs/guides/best-practices/prompt-caching) «para dirigir las solicitudes posteriores al mismo endpoint del proveedor después de una solicitud almacenada en caché». Si cambias de modelo, el siguiente paso se factura a precio completo. Al [precio de lista de Claude Sonnet 5.5](https://platform.claude.com/docs/en/about-claude/pricing) de 2,00 $ por millón de tokens de entrada y 0,20 $ con caché, un historial de agente de 50.000 tokens cuesta aproximadamente 0,01 $ al volver a enviarlo desde la caché y unos 0,10 $ sin ella. Es diez veces más por paso hasta que la caché del respaldo se calienta.

**Pagas por el modelo que respondió y por sus propios tokens.** OpenRouter factura el modelo que finalmente respondió, por lo que cambiar a un modelo más caro cuesta más; pero un respaldo más barato que necesite pasos adicionales para terminar también puede acabar costando más. El recuento de tokens tampoco es transferible: la [página de precios](https://platform.claude.com/docs/en/about-claude/pricing) de Anthropic señala que sus modelos Claude 4.7 y posteriores utilizan un tokenizador nuevo que genera aproximadamente un 30 % más de tokens para el mismo texto.

**Los reintentos también se facturan.** Una solicitud que falla a mitad de un stream a menudo ya ha generado tokens facturables, y cada reintento vuelve a enviar todo el contexto. Explicamos cómo se acumula este coste en [Costes de ejecución de un agente de IA](/es/blog/ai-agent-running-costs): las ejecuciones fallidas y los bucles pueden convertirse en una cola de gasto que supere la media.

Nada de esto argumenta en contra de los respaldos. Es un motivo para mantenerlos como respaldos, dejando que los reintentos y la conmutación por error del host absorban los errores cotidianos para que el costoso cambio de modelo solo se produzca durante interrupciones reales.

## Prueba tu alternativa antes de necesitarla

La mayoría de las cadenas de alternativas se prueban por primera vez durante un incidente, justo el peor momento para descubrir que el respaldo no puede llamar a tus herramientas. Un ejercicio breve una vez por trimestre, y después de cada cambio de modelo, detecta la mayoría de los problemas:

1. **Fuerza el fallo.** Apunta el modelo principal a un identificador de modelo que no exista o utiliza el interruptor de prueba de tu router. LiteLLM ofrece `mock_testing_fallbacks=True` en su SDK y recomienda provocar un error real del proveedor en un entorno que no sea de producción para su proxy
2. **Ejecuta tareas reales, no un prompt de «hola, mundo».** Elige tres o cuatro trabajos reales de tu agente, incluida una ejecución larga con muchas herramientas, y deja que terminen por completo en el respaldo
3. **Compara los resultados.** ¿Ha llamado a las mismas herramientas, se ha detenido en el mismo punto y ha seguido tus reglas de formato? Lee las transcripciones, no solo la respuesta final
4. **Confirma qué modelo ha respondido.** Comprueba el campo `model` de la respuesta, `modelAttempts` o la cabecera `cf-aig-step`. Un ejercicio en el que el modelo principal haya respondido en silencio no demuestra nada
5. **Configura alertas para las alternativas.** Un respaldo que se activa todos los días ya no es un respaldo. Es tu modelo real, sin probar con ese volumen, y necesitas saberlo
6. **Apunta las fechas de retirada en tu calendario.** Consulta las páginas de obsolescencia del modelo principal y del respaldo, y cambia al reemplazo con suficiente antelación respecto a cualquiera de las dos fechas

Para los trabajos programados, combina esto con un plan para las ejecuciones que fallen de todos modos. Nuestra guía sobre [cómo programar tareas recurrentes de agentes de IA](/es/blog/schedule-recurring-ai-agent-tasks) explica cómo es un buen fallo: un resultado parcial, un mensaje claro y una tarea que se detiene por sí sola en lugar de reintentarlo indefinidamente.

## Cómo gestiona Crevio los fallos de modelos

[Crevio](https://crevio.co/) es un creador de negocios con IA: describes lo que quieres vender y su agente crea, lanza y gestiona el trabajo. Crevio elige y ejecuta los modelos que utiliza ese agente, por lo que no tienes que gestionar cuentas de proveedores, claves ni versiones de modelos. Esto es lo que ocurre cuando un modelo funciona mal, explicado con claridad, incluido lo que el sistema no hace.

**Lo que hace actualmente:**

- **Reintenta automáticamente con el mismo modelo.** Cuando una llamada al modelo falla por saturación, límite de uso, error del servidor, tiempo de espera o una respuesta que se corta a mitad del stream, el agente vuelve a intentarlo hasta tres veces, esperando un poco más cada vez (aproximadamente 2, 4 y 8 segundos). Los errores que no se pueden solucionar reintentando, como una solicitud mal formada, no se reintentan
- **Evita un host que acaba de fallar.** En los modelos que se pueden servir desde más de un host, un reintento posterior a un error del host omite el que acaba de producirlo
- **Resume las conversaciones largas.** Si una conversación crece más allá de lo que el modelo puede leer, el agente resume el historial antiguo y lo intenta una vez más en lugar de detenerse
- **Comprueba la lista de modelos en cada lanzamiento.** Cada vez que Crevio publica una actualización, confirma que todos los modelos de los que depende el agente siguen disponibles; si alguno ha desaparecido, el lanzamiento se marca como fallido

![Formulario de nueva tarea de Crevio para un resumen matutino diario de ventas, con instrucciones para indicar a qué fuente de datos no se ha podido acceder, configurado para repetirse cada día y con Notify via establecido en notificación dentro de la aplicación y correo electrónico](https://crevio.co/vite/assets/crevio-task-failure-notifications-cq6okyoe.png)

**Qué ocurre cuando sigue fallando:** la ejecución fallida de una tarea programada se comunica a través de los canales indicados en el ajuste **Notify via**, junto con lo que se ha completado y lo que ha salido mal. De forma predeterminada, una tarea recurrente se desactiva después de tres ejecuciones fallidas consecutivas y te avisa, en lugar de fallar todas las mañanas sin que nadie lo detecte. En un chat en directo, una respuesta que agota sus reintentos simplemente se detiene y tú vuelves a enviar el mensaje.

**Lo que todavía no hace:** el agente de Crevio no cambia automáticamente a otro modelo a mitad de una tarea cuando su modelo principal no está disponible. Actualmente, la protección consiste en reintentos y conmutación por error del host con el mismo modelo. Tampoco puedes elegir el modelo del agente ni conectar tu propia clave de proveedor. Si necesitas una cadena de alternativas ajustada a medida entre varios proveedores, una herramienta de enrutamiento de la tabla anterior, dentro de tu propia infraestructura, te ofrece ese control.

[Crevio](https://crevio.co/) ofrece un plan gratuito, y el plan Starter incluye 20 créditos de IA al mes.

## Preguntas frecuentes

### ¿Necesito un modelo de respaldo si ya utilizo un gateway de IA?

El gateway es el lugar donde configuras el respaldo, no un respaldo en sí mismo. Algunos reintentan o cambian automáticamente entre hosts del mismo modelo, pero la alternativa de modelo solo se produce si incluyes uno en la lista. Además, añaden su propia dependencia, así que comprueba cómo se comportó tu gateway durante incidentes anteriores.

### ¿Debería proceder de otro proveedor el modelo de respaldo de un agente de IA?

Para las interrupciones, sí: un respaldo del mismo proveedor suele caer durante el mismo incidente. Para los límites de uso, un segundo modelo del mismo proveedor puede ser suficiente, ya que los límites suelen establecerse por modelo. La contrapartida es la compatibilidad: cuanto más se aleje el respaldo del modelo principal, más tendrás que probar en él los prompts, las llamadas a herramientas y los parámetros.

### ¿Con qué frecuencia debería probar mi fallback de LLM?

Haz un ejercicio después de cada cambio en el modelo principal, el respaldo o las instrucciones y herramientas del agente, y al menos una vez por trimestre en los demás casos. Comprueba también las fechas de obsolescencia de ambos modelos cada vez, porque un respaldo que se ha retirado falla exactamente cuando más lo necesitas.

## Un respaldo que nunca has ejecutado es solo una suposición

Las interrupciones, los límites de uso y las retiradas forman parte de la rutina, y un buen modelo de respaldo para agentes de IA las convierte de un informe matutino perdido en uno que llega un poco más tarde. Pero su valor está en el orden en que lo aplicas: reintento, después otro host y, por último, otro modelo; y solo si ya has visto que el respaldo completa trabajo real. Si no lo has probado, no tienes una alternativa. Tienes otra cosa que puede fallar.

## Artículos relacionados

- [Costes de ejecución de un agente de IA: cuánto cuesta realmente un agente al mes](/es/blog/ai-agent-running-costs)
- [Cómo programar tareas recurrentes de agentes de IA que se ejecuten sin ti](/es/blog/schedule-recurring-ai-agent-tasks)
- [Agentes de IA con supervisión humana: qué aprobar y qué dejar que se ejecute](/es/blog/human-in-the-loop-ai-agents)
- [Agentes de IA para empresas: qué implementar primero, departamento por departamento](/es/blog/ai-agents-for-business)