Las mejores herramientas de observabilidad para AI agents en 2026: 13 herramientas para rastrear, evaluar y monitorear agentes en producción

Actualizado en agosto de 2026. Si su agente se ejecuta sobre LangChain o LangGraph, LangSmith o Langfuse son los que cubren más terreno, y Langfuse es la opción si desea alojarlo usted mismo sin costo. Si quiere que las trazas del agente convivan con los datos de APM e infraestructura que ya vigila, Datadog Agent Observability está diseñado para eso. Y si el verdadero trabajo es la evaluación y no los dashboards, Braintrust, Galileo y Maxim AI lideran en probar el comportamiento de un agente de forma sistemática, en lugar de mirar un gráfico a ojo cuando algo ya falló. Esta guía compara 13 herramientas creadas específicamente para rastrear, evaluar y monitorear agentes que ya llaman a herramientas y ejecutan acciones de varios pasos por su cuenta, que han pasado la etapa de despliegue por fases en lugar de seguir dentro de ella.

Cada herramienta que sigue se verificó en su propia página de precios en agosto de 2026 (se indica cuando un proveedor no publica una) y se evaluó según cuatro aspectos que realmente las distinguen en producción: si rastrea cada llamada a herramienta o solo la respuesta final, si habla OpenTelemetry o lo ata a su propio SDK, si evalúa agentes de forma programada o solo le muestra un dashboard, y cómo crece la factura cuando crece el volumen de trazas de su agente, ya que esta categoría cobra por ingesta y de ahí vienen la mayoría de las sorpresas.

Datos Clave

• El 89% de las organizaciones ha implementado alguna forma de observabilidad de IA, pero solo el 52.4% ejecuta evals offline contra un conjunto de pruebas y apenas el 37.3% ejecuta evals online sobre tráfico en vivo: la brecha entre observar un agente y probarlo de verdad, según la encuesta State of Agent Engineering de LangChain a 1,340 profesionales (realizada del 18 de noviembre al 2 de diciembre de 2025).
• Entre los agentes que corren específicamente en producción, el 94% tiene algún tipo de observabilidad, pero solo el 71.5% rastrea pasos individuales y llamadas a herramientas; el resto ve únicamente registros más gruesos de entrada y salida, según la misma encuesta de LangChain.
• De los equipos que sí evalúan sus agentes, el 53.3% usa un enfoque de LLM-as-judge y el 59.8% sigue apoyándose en revisión humana, a menudo combinando ambos, según el informe de LangChain.
• Gartner predice que más del 40% de los proyectos de agentic AI serán cancelados a finales de 2027, citando como causas principales el valor de negocio poco claro y los controles de riesgo inadecuados, no la calidad del modelo.
• Solo el 21% de las organizaciones tiene un modelo de gobernanza maduro para agentes autónomos, aun cuando la mayoría planea ampliar el uso de agentes en los próximos dos años, según el informe State of AI in the Enterprise de Deloitte.
• La iniciativa NANDA del MIT encontró que el 95% de los pilotos empresariales de IA generativa no logró un retorno financiero medible en 2025, una brecha que los investigadores atribuyeron a la falta de disciplina operativa y no a la calidad del modelo, según informó Fortune en agosto de 2025.

---

Tabla comparativa rápida

---

Qué significa realmente "observabilidad de agentes"

Un AI agent no produce una sola salida que usted pueda revisar a ojo. Ejecuta un ciclo: lee el contexto, decide una acción, llama a una herramienta, lee lo que volvió, decide de nuevo, a veces cinco veces, a veces cincuenta. La observabilidad de AI agents significa instrumentar todo ese ciclo, no solo su respuesta final, lo que la convierte en una tarea más acotada que la observabilidad de IA en general, una categoría que también abarca pipelines de datos y monitoreo de modelos de una sola llamada que nunca toca una cadena de decisiones de varios pasos. Y sea honesto sobre cuánto de esto aplica realmente a lo que usted ejecuta: Menlo Ventures encontró que solo el 16% de lo que las empresas llaman hoy "AI agent" en producción realmente planifica, observa y se adapta por sí solo, según su informe State of Generative AI in the Enterprise, y que la mayor parte del resto son flujos de trabajo de secuencia fija con etiqueta de agente. Un flujo fijo apenas necesita una herramienta de trazas. Un sistema que de verdad decide su propio siguiente paso, sí.

Esa distinción es lo primero que vale la pena comprobar en cualquier herramienta de esta lista: ¿le muestra cada llamada a herramienta y lo que devolvió, o solo el prompt que entró y la respuesta que salió? Un agente de soporte que llama a una API de reembolsos con el ID de pedido equivocado y luego se disculpa con soltura de todos modos se ve bien en un registro que solo captura la salida. Solo el trazado paso a paso detecta lo que realmente ocurrió.

Esta guía tampoco trata del agente en sí. Si todavía no ha elegido una plataforma o un framework de agentes, empiece por las mejores plataformas de AI agents en 2026, o por los mejores frameworks open source para AI agents si prefiere la ruta basada en código; esta guía cubre lo que se añade una vez que ese agente está en vivo. También es un producto distinto de lo que encontrará en las mejores herramientas de IA en 2026: una herramienta de IA asiste a una persona en una tarea, así que hay una entrada y una salida que revisar a mano. Un agente actúa a lo largo de una cadena de pasos que nadie revisa línea por línea, y por eso necesita una traza en lugar de una transcripción.

Sin embargo, la brecha mayor no es qué herramienta comprar. Es que la mayoría de los equipos se detiene en el monitoreo. El 89% de las organizaciones tiene alguna forma de observabilidad de IA, pero solo el 52.4% ejecuta evaluaciones offline y apenas el 37.3% ejecuta evaluaciones online sobre tráfico en vivo, según la encuesta de LangChain citada arriba. Mirar un dashboard le dice que un agente está funcionando. No le dice si está en lo correcto. La evaluación responde eso, y es el paso que la mayoría de los equipos omite, por lo que tiene su propia dimensión de compra más abajo en lugar de diluirse en "monitoreo" como una idea tardía.

Cómo elegir una herramienta de observabilidad para AI agents en 2026

La mayoría de los equipos adopta por defecto la herramienta que recomienda la documentación de su framework (LangSmith si construyeron sobre LangChain, Logfire si construyeron sobre Pydantic AI) sin comprobar si realmente encaja con la forma en que planean operar el agente durante los próximos dos años. Responda estas seis preguntas antes de armar su lista corta.

1. ¿Rastrea cada llamada a herramienta o solo la respuesta final? El trazado completo paso a paso detecta a un agente que llamó a la herramienta correcta con los parámetros equivocados, o que se quedó en bucle con un paso fallido antes de rendirse. El registro que solo captura la salida no detecta ninguno de los dos casos.
2. ¿Habla OpenTelemetry o lo ata a su SDK? Una herramienta que ingiere trazas OTLP estándar y las mapea a las convenciones semánticas GenAI de OpenTelemetry (el conjunto de atributos gen_ai.*) le permite cambiar de backend más adelante sin reinstrumentar su código. Una herramienta que solo funciona con un SDK propietario es más barata de adoptar hoy y más cara de abandonar.
3. ¿Realmente ejecutará evaluaciones o solo mirará un dashboard? Decídalo antes de comprar, no después del primer incidente. La evaluación offline ejecuta un conjunto de pruebas fijo antes de lanzar un cambio; la evaluación online puntúa el tráfico de producción en vivo después. La mayoría de los equipos termina necesitando ambas y empieza sin ninguna; cómo evaluar y probar AI agents explica cómo construir el conjunto de pruebas que cualquiera de los dos modos da por sentado que ya tiene.
4. ¿Confía en un LLM-as-judge para autorizar un lanzamiento? El 53.3% de los equipos que evalúan usa ahora un enfoque de LLM-as-judge, según la encuesta de LangChain, pero un modelo que califica el trabajo de otro modelo sigue necesitando una rúbrica revisada por humanos y verificaciones puntuales periódicas, no una confianza ciega en la puntuación que devuelve.
5. ¿El cumplimiento normativo o la residencia de datos le obligan a autoalojar? Si las trazas del agente pueden contener PII de clientes, datos de salud o cualquier otra cosa que no pueda salir de su VPC, eso descarta de inmediato las herramientas solo SaaS, por buenas que sean sus trazas.
6. ¿Cómo crece la factura a medida que crece el volumen de trazas? Esta categoría cobra por ingesta (spans, trazas, eventos o registros), no por usuarios, así que un piloto "gratuito" puede volverse caro rápido cuando un agente se ejecuta miles de veces al día en lugar de unas pocas docenas.

Granularidad de trazas y soporte de OpenTelemetry

Enfoque de evaluación

Modelo de precios y volumen del nivel gratuito

---

1. LangSmith: el trazado más profundo para equipos de LangChain y LangGraph

LangSmith es la plataforma de observabilidad y evaluación de la propia LangChain, y se nota en lo poco que requiere de configuración si ya construye sobre LangChain o LangGraph: el trazado se activa con una variable de entorno, y cada chain, llamada a herramienta y reintento aparece como una ejecución en un árbol de ejecución completo. Lo que se conoce menos es que LangSmith no está limitado al tráfico exclusivo de LangChain. Expone un endpoint OTLP real y mapea los atributos GenAI estándar de OpenTelemetry (gen_ai.system, gen_ai.prompt, gen_ai.completion y campos relacionados) a su propio esquema, de modo que un equipo con un stack mixto igualmente puede enviar todo a un solo lugar.

La evaluación viene integrada y no añadida a posteriori: evals online y offline, creación de datasets y colas de anotación humana están disponibles en todos los niveles, con evaluadores ajustados en beta pública para Plus y Enterprise. El nivel gratuito Developer tiene un tope de un usuario, que es lo principal que empuja a los equipos a Plus cuando más de una persona necesita acceso.

Precios: Developer $0/usuario (5,000 trazas/mes incluidas, máximo 1 usuario, retención de 14 días). Plus $39/usuario/mes, usuarios ilimitados (10,000 trazas/mes incluidas, un pequeño despliegue serverless gratuito). Enterprise a medida, con opciones SaaS, híbrida y autoalojada. Uso por encima de lo incluido: $1.50 por unidad de cómputo, $1.00 por unidad de almacenamiento. Fuente: langchain.com/pricing.

Ideal para: equipos que ya construyen agentes en LangChain o LangGraph y quieren un trazado que entienda el framework de forma nativa.

---

2. Langfuse: el estándar open source, autoalojado y gratis

Langfuse es la opción open source por defecto en esta categoría por una razón: el producto completo, trazas, evaluación, gestión de prompts y datasets, se puede autoalojar gratis bajo una licencia open source, con Docker Compose para una configuración local y plantillas de Kubernetes para ejecutarlo en producción. Es una oferta muy distinta de un "open core con un nivel gratuito recortado", y por eso tantos equipos preocupados por la dependencia de proveedor empiezan aquí.

El soporte de OpenTelemetry abarca todos los niveles, en la nube o autoalojado, lo que significa que puede apuntar cualquier agente instrumentado con OTel a Langfuse sin un SDK específico de Langfuse en la ruta crítica. La evaluación es igual de completa: los evaluadores LLM-as-judge, los datasets y los experimentos están disponibles incluso en el plan gratuito Hobby, sin quedar reservados a un nivel de pago como hacen algunos competidores.

Precios: Hobby gratis (50,000 unidades/mes, 2 usuarios, 30 días de acceso a datos). Core $29/mes o $348/año (100,000 unidades/mes, usuarios ilimitados, 90 días de acceso). Pro $199/mes o $2,388/año (100,000 unidades/mes, 3 años de acceso, colas de anotación ilimitadas, informes SOC 2/ISO 27001; +$300/mes por el complemento Teams). Enterprise $2,499/mes (registros de auditoría, SCIM, límites de tasa personalizados, SLA de disponibilidad). El excedente cuesta $8 por cada 100,000 unidades, bajando a $6 por cada 100,000 en volúmenes altos. El autoalojamiento es gratuito y open source a cualquier escala. Fuente: langfuse.com/pricing.

Ideal para: equipos que quieren el conjunto completo de funciones gratis mediante autoalojamiento, sin dependencia de proveedor si más adelante desean irse.

---

3. Arize (Phoenix y AX): nativo de OpenTelemetry desde el open source hasta Enterprise

Arize cubre ambos extremos de esta categoría bajo una sola marca. Phoenix es la mitad open source y autoalojada: construida directamente sobre OpenTelemetry e impulsada por la propia instrumentación OpenInference de Arize, acepta trazas por OTLP y se ejecuta en Docker, Kubernetes o la nube que ya use, gratis. Arize AX es la evolución comercial, una plataforma alojada con precios por niveles que añade gestión de equipos, mayor retención y controles enterprise sobre el mismo núcleo nativo de OTel.

Los niveles AX Free y Pro incluyen evaluaciones ilimitadas y usuarios ilimitados, lo cual es inusualmente generoso para un nivel de pago de entrada en esta categoría (la mayoría de los competidores reserva el LLM-as-judge para un plan superior). La evaluación cubre tanto trazas en vivo como datasets offline, y Enterprise añade un modo "agent as a judge" diseñado para puntuar específicamente ejecuciones de agentes de varios pasos, no solo llamadas individuales a un modelo.

Precios: Phoenix es gratuito y open source, autoalojado. AX Free $0/mes (25,000 spans de traza/mes, 1 GB de almacenamiento, retención de 15 días). AX Pro $50/mes (50,000 spans/mes, 10 GB de almacenamiento, retención de 30 días). AX Enterprise a medida, SaaS o autoalojado. Fuente: arize.com/pricing y arize.com/docs/phoenix.

Ideal para: equipos que quieren empezar con una herramienta open source gratuita y nativa de OpenTelemetry, y contar con una ruta de ascenso real hacia una plataforma enterprise sin cambiar de proveedor.

---

4. Datadog Agent Observability: trazas de agentes junto a los datos de infraestructura que ya vigila

La entrada de Datadog en esta categoría (con la marca LLM Observability cuando se lanzó, ahora posicionada como Agent Observability dentro de su línea más amplia de productos de IA) defiende su propuesta mediante la consolidación y no la profundidad: si sus datos de infraestructura, APM y registros ya viven en Datadog, las trazas de los agentes aparecen correlacionadas con los mismos servicios, hosts y sesiones de usuario que ya vigila, en lugar de en una quinta pestaña que debe revisar por separado.

El trazado cubre la ruta de ejecución completa (prompts, pasos de recuperación, llamadas a herramientas y decisiones del agente), con latencia, uso de tokens, reintentos y errores capturados en cada paso, y soporta OpenTelemetry de forma nativa junto con SDKs para Python, Node.js y Java. El precio está acotado estrictamente a las llamadas reales a LLM: los spans de herramientas, flujos de trabajo, agentes y recuperación se rastrean gratis, y solo los spans que llegan a un proveedor de LLM cuentan contra el límite medido, un modelo de facturación realmente distinto del de competidores que miden por igual todos los tipos de span.

Precios: Gratis hasta 40,000 spans de LLM/mes. Pro $160/mes por hasta 100,000 spans de LLM/mes, con uso adicional bajo demanda facturado por encima de ese límite. Complementos de retención disponibles a 30, 60 o 90 días para trazas. Fuente: datadoghq.com/product/llm-observability.

Ideal para: equipos que ya usan Datadog para APM y monitoreo de infraestructura y quieren las trazas de agentes en el mismo lugar, en vez de un nuevo proveedor independiente.

---

5. Braintrust: construido en torno a la evaluación, no solo a los dashboards

Braintrust pone la evaluación como producto principal, no como un complemento añadido a una herramienta de trazas. Todos los planes incluyen proyectos, datasets, playgrounds y experimentos ilimitados, y su función "Loop" ejecuta iteración autónoma de evaluación, generando casos de prueba y refinando scorers sin que una persona escriba cada rúbrica a mano. Ese diseño centrado en la evaluación lo hace una opción natural para equipos que quieren un proceso de lanzamiento controlado por CI: ejecutar la suite de evals contra una nueva versión de prompt o modelo antes de que salga, no después de que un cliente lo note.

El precio tiene una estructura inusual que conviene entender antes de presupuestar: la tarifa mensual funciona además como un fondo de créditos de modelo a través del proxy de IA de Braintrust, así que el plan Pro de $249 no es una tarifa fija de plataforma sumada a su gasto en modelos, sino $249 de crédito utilizable más el volumen de procesamiento de datos y puntuación que se mide por separado. OpenTelemetry figura como integración soportada junto con SDKs nativos y más de 100 integraciones de proveedores y frameworks.

Precios: Starter gratis ($10 en créditos de modelo/mes, 1 GB de datos procesados/mes, 10,000 puntuaciones/mes, retención de 14 días). Pro $249/mes ($249 en créditos de modelo/mes, 5 GB de datos procesados/mes, 50,000 puntuaciones/mes, retención de 30 días). Enterprise a medida, con implementación on-prem o en nube privada alojada para cargas de trabajo de alto volumen o sensibles a la privacidad. Excedente: datos procesados $4/GB (Starter) o $3/GB (Pro); puntuaciones $2.50 por cada 1,000 (Starter) o $1.50 por cada 1,000 (Pro). Fuente: braintrust.dev/pricing.

Ideal para: equipos que quieren que la evaluación, y no el monitoreo, sea el centro de cómo lanzan los cambios de sus agentes.

---

6. W&B Weave: para equipos que ya viven en Weights and Biases

Weave extiende Weights and Biases, la plataforma de seguimiento de experimentos que muchos equipos de ML ya usan para ejecuciones de entrenamiento, hacia la observabilidad de LLM y agentes. Esa herencia es todo el argumento: si su equipo de ML ya vive en W&B para el entrenamiento de modelos y el historial de evaluaciones, Weave coloca trazas de agentes, evaluaciones y monitoreo de producción en el mismo registro y dashboard, en lugar de una herramienta separada con un inicio de sesión distinto.

Weave traza a nivel de operación, capturando entradas, salidas y metadatos de cada inferencia que realiza una función decorada, e incluye métricas LLM-as-a-judge y redacción de PII en todos los niveles, incluido el plan gratuito. Lo que no hace, al menos en ningún lugar documentado de sus páginas de precios o de marketing, es anunciar soporte de OpenTelemetry, lo que lo vuelve una opción más débil que Langfuse o Arize si la portabilidad con OTel es un requisito concreto y no un extra deseable.

Precios: Free $0/mes (hasta 5 usuarios, 5 GB de almacenamiento/mes, 1 GB de ingesta de datos de Weave/mes). Pro desde $60/mes (hasta 10 usuarios, 100 GB de almacenamiento/mes, 1.5 GB de ingesta de datos de Weave/mes, prueba de 30 días). Enterprise a medida. Excedente: almacenamiento $0.03/GB, ingesta de datos de Weave $0.10/MB. Existe un nivel Personal autoalojado, gratuito y de un solo usuario para uso local con Docker/Python. Fuente: wandb.ai/site/pricing.

Ideal para: equipos de ML que ya ejecutan experimentos en Weights and Biases y quieren el trazado de agentes en la misma plataforma.

---

7. Comet Opik: open source más el nivel de pago real más barato de esta lista

Comet, una plataforma consolidada de seguimiento de experimentos de ML y competidor directo de Weights and Biases, creó Opik como su respuesta a la observabilidad de LLM y agentes, y lo publicó como open source. Eso le da a Opik la misma opción de "gratis para siempre si lo autoaloja" que Langfuse, más un nivel Free Cloud alojado y un nivel Pro Cloud realmente barato de $19/mes, el precio de entrada de pago más bajo de cualquier herramienta de esta comparación por un amplio margen.

El soporte de OpenTelemetry de Opik es nativo en todos los niveles, incluidos lenguajes más allá de Python y JavaScript (Comet menciona específicamente soporte para Ruby y Java), y la evaluación LLM-as-judge, las métricas personalizadas y las suites de pruebas están incluidas en todos los niveles de pago, sin reservarse para Enterprise. Enterprise añade "OpikAssist", un asistente de depuración en lenguaje natural para rastrear fallos de agentes.

Precios: Open Source gratis, autoalojado. Free Cloud $0/mes (hasta 10 miembros del equipo, 25,000 spans/mes, retención de 60 días). Pro Cloud $19/mes (hasta 50 miembros, 100,000 spans/mes, retención de 60 días). Enterprise a medida, con implementación flexible que incluye on-premises. Excedente: spans adicionales $5 por cada 100,000 (Pro); retención extendida hasta 400 días cuesta $29 por cada 100,000 spans (Pro). Fuente: comet.com/site/pricing.

Ideal para: equipos con presupuesto ajustado que aun así quieren soporte real de OpenTelemetry y evaluación LLM-as-judge, en lugar de un nivel gratuito recortado.

---

8. Helicone: la configuración más rápida basada en proxy

El diseño original de Helicone es un proxy: usted apunta sus llamadas a la API a Helicone en lugar de hacerlo directamente a OpenAI o Anthropic, y el registro ocurre automáticamente con prácticamente ningún cambio de código. Sigue siendo su camino más rápido hacia el valor, y para los equipos que sobre todo quieren visibilidad de costo, latencia y solicitudes sin tocar su instrumentación, es difícil de superar en velocidad de configuración.

La visibilidad de agentes de varios pasos llega a través de la función Sessions de Helicone, que agrupa llamadas relacionadas (llamadas a LLM, consultas a vector database y llamadas a herramientas) en una vista unificada de toda la ejecución de un agente en lugar de un montón de solicitudes desconectadas. También existe una integración asíncrona basada en OpenLLMetry para equipos que quieren registro estilo OTel sin enrutar el tráfico por el proxy. Lo que Helicone no tiene, al menos como función destacada, es una capa de evaluación sólida: no hay un producto prominente de LLM-as-judge ni de evaluación offline sistemática del cual hablar, lo que lo convierte primero en una herramienta de monitoreo y costos, y solo muy en segundo lugar en una plataforma de evaluación.

Precios: Hobby gratis (10,000 solicitudes/mes, 1 GB de almacenamiento, 1 usuario, retención de 7 días). Pro $79/mes (usuarios ilimitados, excedente por uso en solicitudes y almacenamiento por encima de lo incluido, retención de 1 mes). Team $799/mes (5 organizaciones, retención de 3 meses, cumplimiento SOC 2 y HIPAA). Enterprise a medida, con SAML SSO e implementación on-prem. Fuente: helicone.ai/pricing.

Ideal para: equipos que quieren visibilidad de costo y latencia a nivel de solicitud en funcionamiento en minutos, con la evaluación a cargo de otra herramienta si la necesitan.

---

9. HoneyHive: nativo de OpenTelemetry y sin nivel intermedio de autoservicio

La base técnica de HoneyHive es realmente sólida: SDKs nativos de OpenTelemetry para Python y TypeScript, con instrumentación automática para más de 50 librerías populares, incluidas LangChain, LangGraph y el OpenAI Agents SDK. Ambos tipos de evaluación están disponibles incluso en el nivel gratuito: verificaciones basadas en código y puntuación LLM-as-judge para la evaluación automatizada, además de colas de anotación humana, evaluación online con muestreo sobre tráfico en vivo y experimentos offline.

El inconveniente, a agosto de 2026, es la escalera de precios en sí: la página pública de precios de HoneyHive lista solo un nivel gratuito Developer (10,000 eventos/mes, hasta 5 usuarios, retención de 30 días) y un nivel Enterprise con cotización a medida. No hay un plan de pago de autoservicio visible entre ambos, así que un equipo que supera la asignación gratuita pasa directamente a una conversación comercial en lugar de hacer clic en "upgrade" como puede en LangSmith, Langfuse o Comet Opik.

Precios: Free/Developer $0/mes (10,000 eventos/mes, hasta 5 usuarios, retención de 30 días). Enterprise con precio a medida (usuarios ilimitados, retención personalizable, SAML/SSO, TAM dedicado). Fuente: honeyhive.ai/pricing.

Ideal para: equipos que quieren trazado de OpenTelemetry autoinstrumentado listo para usar y se sienten cómodos pasando directamente a una conversación comercial cuando superen el nivel gratuito.

---

10. Galileo: evaluación enterprise con modelos evaluadores diseñados a propósito

Galileo se posiciona como una plataforma de observabilidad, evaluación y guardrails diseñada específicamente para aplicaciones GenAI y agentic, y su enfoque de evaluación es su diferenciador más claro: en lugar de apoyarse solo en un LLM de propósito general al que se le pide actuar como juez, Galileo construyó su propia familia Luna de modelos evaluadores más pequeños y ajustados a propósito, orientados a una puntuación más rápida, barata y consistente que una llamada a un modelo frontier completo para cada evaluación.

Las evaluaciones son ilimitadas incluso en el nivel gratuito, una generosidad inusual en una categoría donde la mayoría de los competidores reserva el LLM-as-judge para un plan de pago. Enterprise añade guardrails en tiempo real e infraestructura de inferencia dedicada de baja latencia, orientados a equipos que necesitan detectar una mala acción del agente antes de que llegue a un cliente, y no solo registrarla después. Lo que queda menos claro en las páginas públicas de Galileo es el soporte de OpenTelemetry y el detalle de precios del nivel intermedio: la cifra de $100/mes del plan Pro es explícitamente la tarifa facturada anualmente, descrita como un descuento del 33% frente a pagar mes a mes, sin que se indique directamente la cifra mensual.

Precios: Free $0/mes (5,000 trazas/mes, usuarios ilimitados, evals personalizadas ilimitadas). Pro $100/mes facturado anualmente, descrito como un descuento del 33% frente a mes a mes (50,000 trazas/mes, RBAC estándar, analítica avanzada). Enterprise a medida, con implementación alojada, en VPC o on-premises. Fuente: galileo.ai/pricing.

Ideal para: equipos enterprise que quieren modelos evaluadores diseñados a propósito y guardrails en tiempo real, en lugar de un LLM general al que se le pide calificar su propio trabajo.

---

11. Pydantic Logfire: un backend OpenTelemetry de propósito general que encaja bien con los agentes

Logfire, del equipo detrás de Pydantic y Pydantic AI, está construido sobre OpenTelemetry desde la base, comercializado explícitamente como "OTel-native" y compatible con cualquier framework que ya emita spans de OTel, en Python, JavaScript y TypeScript, Rust, Go, Java o cualquier otra cosa que hable el protocolo. Para un equipo con un stack políglota, es una ventaja real frente a herramientas que solo soportan por completo Python: un microservicio en Go, un sistema legado en Java y un agente en Python pueden aterrizar todos en la misma vista correlacionada.

La contrapartida honesta es que Logfire es primero una plataforma de observabilidad de propósito general, una que además funciona bien para trazas de agentes porque los agentes son simplemente otra carga de trabajo instrumentada con OTel, y no un producto de evaluación de agentes diseñado a propósito. No promociona LLM-as-judge ni evaluación offline sistemática como lo hacen Langfuse, Braintrust o Galileo; obtiene registros, trazas y métricas en un solo lugar, y construye usted mismo la lógica de evaluación o la combina con una herramienta especializada.

Precios: Personal gratis (1 administrador más 2 invitados, 10 millones de registros/mes, retención de 30 días). Team $49/mes (5 usuarios incluidos, +$25/usuario hasta 12, 10 millones de registros/mes, retención de 30 días). Growth $249/mes (usuarios ilimitados, 10 millones de registros/mes, hasta 90 días de retención). Enterprise a medida (nube multiinquilino, un solo inquilino dedicado o autoalojado). Excedente: $2 por cada millón adicional de registros en Team y Growth. Fuente: pydantic.dev/pricing.

Ideal para: equipos de ingeniería políglotas que quieren un solo backend OpenTelemetry para todos los servicios, agentes incluidos, en lugar de una herramienta específica para LLM por separado.

---

12. Traceloop (OpenLLMetry): la propia capa de instrumentación de OpenTelemetry

Traceloop creó OpenLLMetry, una librería de instrumentación totalmente open source con licencia Apache 2.0 que extiende OpenTelemetry específicamente para aplicaciones de LLM y agentes, y su propia plataforma alojada es la implementación de referencia de qué hacer con las trazas que produce. Mientras la mayoría de las herramientas de esta lista añadió soporte de OTel a un producto existente, las convenciones semánticas de OpenLLMetry para llamadas a LLM se construyeron en paralelo, y ayudaron a dar forma, al esfuerzo más amplio de convenciones semánticas GenAI de OTel hacia el que ahora converge el resto de la categoría.

Esa herencia hace de Traceloop la opción más pura centrada en OTel de aquí: el propio OpenLLMetry es gratuito con cualquier backend compatible con OTel, incluidos competidores de esta lista, y la plataforma propia de Traceloop es un lugar donde ver lo que recopila, con un Monitoring Dashboard, un Evaluation Dashboard y gestión de prompts. La limitación real es la retención en el nivel gratuito: 24 horas, suficiente para depurar de forma activa pero no para revisar un patrón de la semana pasada.

Precios: SDK OpenLLMetry gratuito y open source (Apache 2.0), utilizable con cualquier backend compatible con OTel. Traceloop Free Forever $0/mes (hasta 50,000 spans/mes, hasta 5 usuarios, retención de 24 horas). Enterprise a medida (usuarios ilimitados, retención personalizada, SOC 2, implementación on-prem). Fuente: traceloop.com/pricing.

Ideal para: equipos que quieren que la propia instrumentación de OpenTelemetry sea portable, con la opción de ver las trazas en Traceloop o apuntarlas a cualquier otro lugar que hable OTel.

---

13. Maxim AI: pruebas de simulación antes de que un agente hable con un cliente

El diferenciador de Maxim AI es la simulación: en lugar de solo reproducir trazas de producción registradas a través de un evaluador, Maxim puede ejecutar conversaciones simuladas de varios turnos contra un agente antes de que llegue a un cliente real, probando cómo maneja un intercambio completo y no una sola llamada aislada. Es una pregunta muy distinta de "¿se vio bien esta respuesta?", y se complementa con la evaluación online sobre tráfico en vivo una vez que el agente ya está en producción.

El precio es por usuario y no por volumen en los niveles de entrada, un modelo distinto al de la mayor parte de esta lista: Professional a $29/usuario/mes desbloquea ejecuciones de simulación y evals online, y Business a $49/usuario/mes añade gestión de PII y ejecuciones programadas. Esa estructura es fácil de presupuestar para un equipo pequeño y se encarece rápido para uno grande, ya que el costo escala con el número de personas y no con el tráfico del agente. Ni el soporte de OpenTelemetry ni el autoalojamiento están documentados públicamente fuera de la opción de implementación en VPC del nivel Enterprise.

Precios: Developer gratis para siempre (hasta 3 usuarios, 1 workspace, 10,000 registros/mes, retención de 3 días). Professional $29/usuario/mes (usuarios ilimitados, hasta 3 workspaces, 100,000 registros/mes, retención de 7 días, ejecuciones de simulación y evals online incluidas). Business $49/usuario/mes (workspaces ilimitados, 500,000 registros/mes, retención de 30 días). Enterprise a medida (implementación en VPC, SSO personalizado). Excedente: $1 por cada 10,000 registros en Professional y Business. Fuente: getmaxim.ai/pricing.

Ideal para: equipos que quieren simular cómo maneja un agente una conversación completa antes de salir en vivo, y no solo puntuar respuestas individuales después de los hechos.

---

Errores de compra en observabilidad de AI agents que debe evitar

---

Cómo elegir: marco de decisión

| Si necesita... | Elija... | Por qué |

La matriz final asocia restricciones técnicas con herramientas de fortalezas muy distintas.

|---|---|---| | El trazado más profundo para un agente construido con LangChain o LangGraph | LangSmith | Trazado nativo de árbol de ejecución, más un endpoint OTLP real si necesita migrar después | | Autoalojar gratis y sin dependencia de proveedor | Langfuse | Totalmente open source, nativo de OpenTelemetry en todos los niveles, incluido el autoalojado | | Un backend OTel ya ligado a sus dashboards de APM e infraestructura | Datadog Agent Observability | Los spans del agente conviven con los mismos datos de infraestructura y RUM que ya monitorea | | Evaluación y lanzamientos controlados por CI como trabajo principal | Braintrust | Diseñado en torno a scorers, experimentos y un flujo autónomo de iteración de evals | | El nivel de pago real más barato con OTel completo y LLM-as-judge | Comet Opik | Nivel Pro de $19/mes, con una opción open source gratuita por debajo | | La configuración más rápida posible con cambios mínimos de código | Helicone | Cambio de proxy en una línea; Sessions agrupa las llamadas en un flujo completo del agente después | | Modelos evaluadores diseñados a propósito en lugar de un prompt de LLM general | Galileo | La familia de evaluadores Luna, más guardrails en tiempo real en el nivel enterprise | | Un solo backend OTel en un stack políglota, no solo Python | Pydantic Logfire | Explícitamente nativo de OTel en Python, Go, Java, JavaScript y Rust | | Simular conversaciones de agentes de varios turnos antes del lanzamiento | Maxim AI | Las ejecuciones de simulación prueban el comportamiento a lo largo de una conversación, no solo una llamada | | Datos regulados que no pueden salir de su VPC | Arize AX, Langfuse o Traceloop | Los tres ofrecen una ruta real de autoalojamiento u on-prem, no solo una conversación comercial |

---

---

Qué hacer a continuación

Elija un agente que ya tenga en producción, el de mayor volumen o el que tenga más exposición a clientes, e instrúmentelo con el nivel gratuito de la herramienta de su lista corta durante dos semanas antes de firmar nada. Confirme que puede ver cada llamada a herramienta que realiza, no solo la respuesta final, y ejecute al menos una evaluación offline contra un pequeño conjunto de pruebas con casos reales. Si la herramienta no puede mostrarle en qué punto falló realmente una mala ejecución, o la evaluación se siente añadida a posteriori en lugar de integrada, es la herramienta equivocada sin importar lo limpio que se vea el dashboard.

Si aún está comparando las plataformas de agentes en sí antes de llegar a este paso, las mejores plataformas enterprise de AI agents en 2026 y los mejores AI coding agents en 2026 cubren dos de los puntos de partida más comunes, y qué es un AI agent es el lugar para empezar si el ciclo de planificar, actuar y observar aún necesita definirse primero.