MAF 1.0, LangGraph o CrewAI: ¿Cómo elegir un framework de agentes en 2026?

Microsoft lanzó Agent Framework 1.0 (MAF) el 3 de abril de 2026. Este framework combina AutoGen y Semantic Kernel en un único paquete destinado al uso en entornos de producción, y llegó a un mercado donde LangGraph y CrewAI ya eran las opciones predominantes. Los equipos que antes se preguntaban qué framework elegir ahora consideran la posibilidad de hacer un cambio. A continuación se presenta una comparación para ayudar en esa decisión, con todos los datos actualizados al 11 de abril de 2026.

Respuesta breve

Utiliza CrewAI para prototipos. Elige LangGraph para flujos de trabajo complejos en Python que no dependan de la nube. Elige MAF si trabajas en Azure, ya que está disponible tanto para .NET como para Python. Si ya tienes código escrito con LangGraph, el paquete langchain-azure-ai lo conecta con Azure Foundry, evitándote tener que reescribirlo.

Qué cambió desde 2025

• AutoGen y Semantic Kernel se fusionaron en MAF 1.0, que se puso a disposición del público el 3 de abril de 2026.
• LangGraph v1 ya tiene definido su tiempo de ejecución y sus herramientas.
• CrewAI se desarrolló a partir de flujos y puntos de verificación.
• MCP, A2A y AG-UI pasaron de ser algo conveniente a ser algo esperado.

Tres modelos mentales diferentes

Los frameworks difieren en cuanto a qué es exactamente un agente, y esa discrepancia es más importante que cualquier tabla de características.

LangGraph modela un flujo de trabajo como un grafo dirigido. Los nodos son funciones, las aristas son decisiones, y el estado se mueve a través del grafo de forma visible. Piensas en código.

# LangGraph: explicit graph control
from langgraph.graph import StateGraph
from langgraph.checkpoint.sqlite import SqliteSaver

graph = StateGraph(State)
graph.add_node("classify", classify_doc)
graph.add_node("extract", extract_data)
graph.add_conditional_edges("classify", route_by_type)
app = graph.compile(checkpointer=SqliteSaver("agent.db"))

CrewAI modela un equipo. Cada agente tiene un rol, un objetivo y una historia de fondo, todo escrito en lenguaje cotidiano, para que pienses en organigramas.

# CrewAI: role-based simplicity
from crewai import Agent, Crew, Process

researcher = Agent(role="Researcher", goal="Find accurate data",
                   llm="gpt-4o")
writer = Agent(role="Writer", goal="Draft clear reports",
               llm="gpt-4o")
crew = Crew(agents=[researcher, writer], tasks=[...],
            process=Process.sequential)

MAF ofrece dos estilos bajo un mismo techo: conversaciones libres impulsadas por LLM, heredadas de AutoGen, y flujos de trabajo empresariales fijos, heredados de Semantic Kernel. Puedes combinarlos.

# MS Agent Framework: simple agent in Python
import asyncio
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient

async def main():
    client = AIProjectClient(
        endpoint="https://your-project.services.ai.azure.com/api",
        credential=DefaultAzureCredential()
    )
    agent = client.agents.create_agent(
        model="gpt-4.1",
        instructions="You are a concise data analyst."
    )
asyncio.run(main())

Problemas de producción, uno por uno

Estado y persistencia

Es aquí donde una implementación tiene éxito o no. LangGraph es el único de los tres que incluye integrado el reproceso de puntos de control a nivel de paso. Si un agente falla en el paso 7 de 12, se pueden revisar todos los estados anteriores y reiniciar desde el paso 6. En industrias reguladas esta capacidad es casi obligatoria, por lo que LangGraph gana esta ronda.

MAF cuenta con un motor de flujos de trabajo basado en grafos que abarca patrones secuenciales, concurrentes, de transferencia y de chat en grupo, además de funciones duraderas para mantener el estado durante mucho tiempo. Su README menciona el viaje en el tiempo en los flujos de trabajo de grafos, pero las herramientas de reproceso son menos refinadas que las que ofrece LangSmith. La integración con tareas duraderas aún está en versión beta en Python, y una vez que se estabilice, la brecha podría reducirse para los equipos nativos de Azure. CrewAI necesita herramientas externas para esto.

Memoria

La memoria es el mayor diferenciador, pero también la mayor debilidad de cada framework. MAF es el único que cuenta con una capa de memoria completamente gestionada capaz de escalar para empresas, aunque solo funciona en Azure y sigue en versión de prueba. La memoria gestionada de Foundry, en versión de prueba pública desde enero de 2026, extrae información de las conversaciones, resuelve conflictos entre ellas y presenta el contexto relevante en sesiones posteriores, sin que sea necesario contar con infraestructura propia. Gana ventaja si su empresa ya ha estandarizado su uso en Microsoft Foundry.

LangGraph puede llamar a los agentes de Foundry Agent Service a través de langchain-azure-ai, pero la memoria gestionada es una característica de MAF y no permite una integración completa. LangGraph sí ofrece una ejecución duradera y un estado persistente a través de puntos de control. Simplemente no los envuelve en una abstracción de memoria gestionada ya preparada. Para configuraciones autohospedadas, CrewAI cuenta con la gestión de memoria más completa desde el primer uso.

Depuración y observabilidad

Imagínese que un agente toma una decisión errónea a las 3 de la mañana. ¿Qué puede ver el ingeniero de turno? LangGraph combinado con LangSmith ofrece la mejor solución: la visualización de trazas junto con la reproducción de puntos de control constituyen la configuración de depuración más eficaz para los agentes en la actualidad. Las trazas de MAF se integran de forma nativa en Application Insights y en el nuevo panel de control de Foundry Agents, que está listo para producción pero no incluye función de reproducción. CrewAI depende de herramientas de terceros.

Un detalle útil: al instalar langchain-azure-ai[opentelemetry], las trazas de LangGraph también llegan a Azure Application Insights. Eso le brinda LangSmith durante el desarrollo y Azure Monitor en producción.

MCP y A2A

Estos protocolos determinan cómo los agentes acceden a las herramientas y entre sí. MAF es la opción ganadora aquí. La pestaña “Herramientas” del portal Foundry reúne en un solo lugar servidores MCP, puntos finales A2A, Fabric, SharePoint, Azure AI Search y más de 1,400 conectores de Logic Apps, y no hay otra solución que ofrezca tal amplitud para la integración empresarial. El soporte nativo de protocolos de CrewAI es sólido. LangGraph requiere más configuración manual.

Python en Azure: dos opciones reales

Muchas comparaciones presentan a Azure como un entorno exclusivo para .NET. Eso no es cierto. Los equipos que trabajan con Python tienen dos rutas viables.

Opción uno: MAF para Python

MAF 1.0 estuvo disponible para Python el 3 de abril de 2026, el mismo día que .NET. No se trata de una versión preliminar.

# MAF Python: working agent in a few lines
import asyncio
from agent_framework import Agent
from agent_framework.openai import OpenAIChatClient

async def main():
    agent = Agent(
        client=OpenAIChatClient(),
        instructions="You are a helpful data analyst.",
        tools=[get_weather, get_menu_specials]
    )
    response = await agent.run("What's the weather in Amsterdam?")
asyncio.run(main())

Ofrece varias ventajas que LangGraph no puede igualar:

• La memoria gestionada por Foundry, que extrae, consolida y recupera datos a lo largo de las sesiones
• Agent 365, para una gobernanza centralizada y despliegue directo en Microsoft 365 (disponible generalmente el 1 de mayo)
• La API Voice Live, para agentes de conversación en tiempo real nativos
• Foundry IQ, que proporciona RAG dinámico a través de una única API de anclaje
• Foundry Control Plane, que abarca la identidad, las políticas y la capacidad de observación de forma integrada

El precio refleja las dificultades propias de quienes adoptan estas tecnologías de forma temprana. En el momento de redactar este texto, Python GA tenía solo ocho días de existencia. Varias integraciones, como A2A, AG-UI, Azure Functions, Cosmos DB y Mem0, siguen en versión beta y requieren el flag --pre. El material disponible en la comunidad, como tutoriales y respuestas en Stack Overflow, es escaso en comparación con el de LangGraph, y es probable que los paquetes beta causen problemas en los próximos meses.

Opción dos: LangGraph más langchain-azure-ai

Microsoft misma mantiene langchain-azure-ai (v1.2.1, lanzado el 26 de marzo de 2026) y lo recomienda como la forma de ejecutar LangChain y LangGraph en Azure. No se trata de una solución alternativa desarrollada por la comunidad.

# LangGraph + Azure Foundry via the bridge
from langchain_azure_ai.chat_models import AzureAIOpenAIApiChatModel
from azure.identity import DefaultAzureCredential

model = AzureAIOpenAIApiChatModel(
    project_endpoint="https://myproject.services.ai.azure.com/api",
    credential=DefaultAzureCredential(),
    model="gpt-5.2"
)

Obtienes la comprobada capacidad de depuración de LangGraph junto con los modelos y servicios de Azure. Lo que pierdes es todo lo exclusivo de MAF: memoria gestionada por Foundry, Voice Live, gobernanza de Agent 365 y Foundry IQ. El puente conecta la infraestructura de Azure, no sus características específicas para agentes.

Elegir entre ellos

Para un nuevo proyecto en Azure que valore la integración profunda, la memoria gestionada, la gobernanza y la voz, elige MAF Python y acepta estar entre los primeros en utilizarlo. Si lo que más te importa es la fiabilidad probada, la depuración mediante puntos de control o la portabilidad, elige LangGraph con el puente. Ambas son opciones válidas para la producción, y ninguna es un error.

Costo de ejecución

Todos los tres frameworks son de código abierto bajo la licencia MIT, pero el costo total de propiedad varía rápidamente. Las cifras aproximadas que se indican a continuación dependen de precios similares a los de GPT, de una duración promedio de las conversaciones y de una tasa moderada de llamadas a herramientas; incluyen el alojamiento, pero no el tiempo de trabajo de ingeniería. Considérelas como rangos aproximados, no como promesas.

CrewAI es la opción más económica para comenzar. LangGraph ofrece la mejor relación entre precio y flexibilidad. Los servicios gestionados de MAF pueden ahorrar meses de trabajo de ingeniería, pero también lo vinculan más estrechamente a Microsoft.

Un proceso de decisión basado en tres preguntas

1. ¿Está utilizando Azure? Con .NET, MAF es la elección obvia. Con Python, tiene las dos opciones anteriores: MAF para una integración más profunda, o LangGraph junto con una herramienta de enlace para depuración y portabilidad. Si no está en Azure, pase al siguiente punto.
2. ¿Necesita ramificaciones complejas, bucles o depuración basada en puntos de control? Entonces LangGraph, cuyo modelo de grafos y capacidad de viaje en el tiempo no tienen rivales reales.
3. ¿Necesita un prototipo multiagente funcional esta semana? Entonces CrewAI, que permite crear un equipo operativo con unas 20 líneas de código. De lo contrario, LangGraph es la opción predeterminada neutral con respecto a la nube: más trabajo ahora, menos arrepentimientos a gran escala.

Cómo suelen desarrollarse los proyectos empresariales

Un enfoque común es prototipar con CrewAI durante las primeras dos semanas para demostrar el caso de uso, reconstruir el sistema con MAF o LangGraph entre los meses uno y tres, y luego escalarlo en infraestructura gestionada, ya sea con Foundry Agent Service, LangGraph Cloud o ambos.

Las empresas que utilizan Azure suelen dividirse en dos grupos. Los equipos que comienzan de cero tienden a optar por MAF Python, ya que la memoria gestionada, Agent 365 y el Foundry Control Plane son difíciles de replicar en otros entornos. Los equipos que ya tienen código LangGraph utilizan langchain-azure-ai para integrarse con Azure sin tener que reescribir nada; se trata de un puente de migración y no de una recomendación para proyectos desde cero. En el caso de las empresas que usan .NET, MAF 1.0 es claramente la mejor opción, mientras que fuera de Azure LangGraph sigue siendo la opción predeterminada.

¿Qué determina si el proyecto se lanza?

Después de tres años de implementación de agentes, este framework explica quizás el 20% del resultado final. El 80% restante depende de cinco factores que ningún SDK puede gestionar por ti.

El diseño del flujo de trabajo es más importante que la arquitectura. Si una persona no puede explicar claramente la lógica de toma de decisiones, un agente no podrá inventarla por sí solo; por lo tanto, debes mapear el proceso humano de principio a fin antes de escribir cualquier código de agente.

La calidad de los datos sigue siendo el cuello de botella. Los agentes amplifican todo lo que se les proporciona, así que primero hay que limpiar las entradas.

La redacción de instrucciones diferencia lo bueno de lo malo. Los sistemas elegantes de LangGraph fallan con instrucciones vagas, mientras que los prototipos sencillos de CrewAI tienen éxito porque alguien dedicó dos días a perfeccionar las instrucciones. La mayoría de los equipos invierten muy poco en esto.

La revisión humana es una decisión de diseño, no una opción. Decida de antemano qué nivel de confianza activa una revisión y qué acciones necesitan aprobación explícita.

La gestión de cambios es la parte más difícil. Nadie presupuesta para ella, y arruina más proyectos que una mala elección tecnológica.

El grado de escalabilidad de su implementación depende mucho más de estos aspectos básicos que del SDK que importe. Elija el framework que se adapte a las habilidades de su equipo y a la tecnología utilizada por su organización, y luego invierta esfuerzo real en todo aquello que el framework no pueda hacer por usted.