Un agente de IA puede razonar muy bien y aun así quedarse “encerrado” si no tiene manos para tocar nada. Es como un asesor brillante que nunca puede abrir tu calendario, revisar un repositorio o consultar una base de datos: sabe qué habría que hacer, pero no puede hacerlo. La idea que subraya Google en su anuncio es justo esa transición de “conversar” a “actuar”, y el factor que la habilita no es magia, sino acceso seguro y estandarizado a herramientas externas. Según el blog de Google for Developers, el potencial real llega cuando el agente puede gestionar sistemas de desarrollo, lanzar flujos de trabajo, consultar datos y devolver resultados verificables, no solo respuestas plausibles.
Qué es Agent Development Kit y qué cambia con el nuevo ecosistema
El Agent Development Kit (ADK) se presenta como un framework open source con “primitivas” para construir, probar y desplegar flujos agenticos de nivel producción. En la práctica, se trata de un conjunto de piezas que te permiten ensamblar un agente como si fuera un electrodoméstico modular: el motor (el modelo), el panel de control (las instrucciones y la lógica) y los accesorios (las herramientas). La novedad anunciada el 27 de febrero de 2026 por Shubham Saboo y Kristopher Overholt es la expansión del ecosistema de integraciones de terceros dentro de ADK. El mensaje central es claro: con unas pocas líneas de código, los agentes pueden conectarse a plataformas habituales del día a día del desarrollador y del negocio, reduciendo el coste de “cablear” cada integración a mano.
Integraciones para desarrollo y gestión del trabajo: repositorios, CI y documentación
En el terreno de desarrollo, el nuevo catálogo apunta a tareas que suelen consumir tiempo y contexto. En lugar de pedirle al agente que “explique” un fallo y luego ir tú a revisar el repositorio, la propuesta es que el agente pueda inspeccionar el código, entender issues y pull requests, o incluso automatizar ciertos pasos, siempre con límites y permisos configurables. En el anuncio se citan integraciones como Daytona para ejecutar código y comandos en entornos aislados, GitHub y GitLab para análisis y operaciones en repositorios, Postman para colecciones y pruebas de APIs, y Restate para ejecuciones resilientes con sesiones duraderas y recuperación automática.
Cuando el trabajo se mueve a la capa de coordinación del equipo, el objetivo cambia: ya no es compilar, sino alinear tareas y documentación. Aquí entran integraciones de gestión de proyectos como Asana, Atlassian (Jira y Confluence), Linear y Notion, pensadas para que el agente pueda encontrar información, actualizar elementos de seguimiento y mantener el hilo del trabajo sin depender de que alguien copie y pegue contexto de una herramienta a otra.
Datos, memoria y búsqueda semántica: cuando el agente necesita recordar
La parte menos vistosa y más decisiva de muchos agentes es su relación con el conocimiento. Pedirle a un agente que “recuerde” algo sin una capa de persistencia es como confiar en una pizarra que se borra cada vez que sales de la sala. El ecosistema de ADK incorpora integraciones para bases de datos y motores vectoriales, orientados a búsqueda semántica y filtrado por metadatos. Google menciona Chroma, MongoDB y Pinecone como opciones para almacenar documentos o datos y recuperarlos de forma relevante, no solo por coincidencia literal de palabras.
En paralelo, aparece una categoría enfocada en memoria como capacidad de largo recorrido: GoodMem propone memoria semántica automática o controlada por el agente con soporte multimodal, mientras que Qdrant se plantea como capa de memoria basada en vector search. La implicación práctica es que un agente puede sostener conversaciones y proyectos con continuidad real, recordando decisiones, requisitos o fragmentos técnicos, sin convertir cada interacción en “volver a empezar”.
Observabilidad en producción: dejar de adivinar qué está haciendo el agente
Cuando un agente está en producción, el riesgo no suele ser que “se equivoque una vez”, sino no entender por qué se equivocó y cómo evitar que se repita. En software tradicional, logs, métricas y trazas son la caja negra del avión; en agentes, esa caja negra es todavía más necesaria. El anuncio incluye un bloque de observabilidad con herramientas para monitorizar sesiones, depurar prompts, evaluar resultados y analizar trazas de ejecuciones y llamadas a herramientas.
En esa lista aparecen AgentOps para replays y métricas, Arize AX para observabilidad y evaluación de aplicaciones con LLM, Freeplay para gestión de prompts y evaluación, MLflow con ingesta de trazas OpenTelemetry, y opciones abiertas como Monocle y Phoenix enfocadas en tracing y evaluación autoalojada. También figura W&B Weave para registrar y visualizar llamadas a modelos y rendimiento del agente. Para equipos, esto se traduce en gobernanza: poder responder “qué pasó”, “con qué datos”, “qué herramienta llamó”, “qué devolvió” y “en qué punto se desvió”.
Conectores y canales: automatización, ecosistema ML, pagos, voz y correo
Para muchos casos de uso, el valor está en tocar sistemas “de negocio” sin construir integraciones una por una. Por eso aparecen conectores como n8n, orientado a flujos automatizados, y StackOne como pasarela unificada hacia cientos de proveedores SaaS. En el lado del ecosistema de IA y datasets, la integración con Hugging Face apunta a un uso muy cotidiano: descubrir modelos, datasets, papers y aplicaciones tipo Gradio, desde el propio agente.
También hay un guiño a operaciones sensibles pero frecuentes: pagos y facturación. PayPal y Stripe se mencionan como integraciones para gestionar cobros, clientes, suscripciones e invoices. Si tu equipo trabaja en soporte o back office, un agente con acceso controlado puede ayudar a preparar acciones repetitivas con trazabilidad. La capa de interacción humana se completa con voz y audio, citando Cartesia y ElevenLabs para generación y localización de voz, transcripción o efectos; y con email y mensajería, donde AgentMail propone buzones dedicados para agentes y Mailgun ofrece envío y métricas de entrega. El cuadro completo sugiere agentes que trabajan como un asistente operativo: escuchan, consultan, actúan y dejan registro.
Una experiencia unificada: desacoplar la lógica del agente de sus herramientas
Uno de los puntos más interesantes del anuncio es la insistencia en que la lógica del agente no debería quedar acoplada a una herramienta concreta. Si cada integración exige reescribir el flujo, el agente se vuelve frágil y caro de mantener, como una regleta con enchufes soldados que no puedes cambiar. ADK intenta evitarlo con una arquitectura de plugins y el uso de la primitiva McpToolset, que permite añadir integraciones con configuraciones reutilizables.
El ejemplo publicado muestra cómo incorporar GitHub en Python configurando parámetros de conexión HTTP hacia un endpoint MCP, añadiendo cabeceras como el token y flags de solo lectura. En ese mismo fragmento se ve el uso de un modelo llamado gemini-3-flash-preview. Lo relevante aquí no es el snippet en sí, sino el patrón: conectar capacidades externas con pocas líneas y con una interfaz uniforme, para experimentar con distintas herramientas sin reestructurar el agente desde cero.
Google Cloud como base: servicios nativos y combinación con terceros
Google recuerda que ADK ya incluye integraciones con servicios de Google Cloud como BigQuery, Spanner y Pub/Sub, entre otros. Esto encaja con una estrategia híbrida bastante realista: herramientas de terceros para el “trabajo de superficie” y servicios cloud para el “trabajo de infraestructura”, como almacenamiento, mensajería y analítica. Para un equipo que construye agentes internos, esta mezcla puede reducir fricción: mantener datos y flujos críticos en servicios gestionados, mientras se conectan repositorios, documentación, automatizaciones y canales de interacción.
Visto en conjunto, el anuncio dibuja un ADK que se comporta como una navaja suiza para agentes: no intenta ser cada herramienta, intenta ser el mango con el que acoplas herramientas. La diferencia práctica se notará en lo cotidiano: menos pegamento artesanal, más componentes intercambiables, y una ruta más corta entre “tengo una idea” y “tengo un agente que hace trabajo verificable con permisos y observabilidad”.