Duplex y Gateways de IA,
lado a lado.

Portkey, LiteLLM y gateways similares enrutan el tráfico, aplican barreras de protección y gestionan proveedores. Duplex aprende qué decisiones funcionan, y actúa en consecuencia dentro de tus reglas, en cada paso del trabajo.

Comparación actualizada a 16 de octubre de 2026.

Ver todas las capacidades →La comparación completa

Todas las capacidades: Duplex y Gateways de IA.

Lo que hace cada uno, grupo a grupo, desde qué es hasta cuánto cuesta.

Nativo: Integrado en el funcionamiento central del producto.
Externo: Lo aportas tú, o lo montas, por separado.
No nativo: La documentación del producto no lo recoge como función integrada. Aun así, puede ser posible un desarrollo a medida.

Capacidad	Duplex	Gateways de IAPortkey, LiteLLM y similares
Qué es cada uno
Qué es	Una inteligencia en ejecución junto a tu IA: aprende y actúa para tus agentes y asistentes, dentro de tus reglas	Enrutamiento de modelos, fiabilidad, barreras de protección y observabilidad
Lo que lleva consigo	Contexto, decisiones, resultados, reglas, tareas, habilidades y lo que ha aprendido	Configuración, registros, políticas de enrutamiento y cachés
Qué mejora con la experiencia	Sus próximas decisiones: confianza, enrutamiento, recomendaciones, uso de herramientas y conocimiento reutilizable	El enrutamiento de peticiones y la fiabilidad, no lo que ha aprendido el agente
Saber qué pasó, y aprender de ello	NativoSabe qué pasó, y aprende qué cambiar después	Control operativo sin aprendizaje continuo
Aprendizaje
Aprendizaje continuo sin reentrenamiento	NativoSigue aprendiendo, fuera de los pesos de tu modelo	No nativo
Adaptación turno a turno	NativoCada resultado nuevo puede cambiar al momento la siguiente decisión	El enrutamiento cambia al instante, pero no a partir de resultados aprendidos
Aprender de las correcciones	NativoUna corrección cambia lo que Duplex hace después	Normalmente se registran; aprender de ellas es externo
Aprender de los resultados	NativoEl éxito y el fracaso vuelven directamente a lo que aprende	Los resultados aparecen en la telemetría; aprender de ellos es externo
Aprender de las recompensas	NativoUna recompensa refuerza lo que funcionó y corrige lo que no	No nativo
Mérito para los pasos que llevan a un resultado	NativoAverigua qué acciones anteriores llevaron a un resultado posterior	No nativo
Cómo las acciones hacen avanzar el trabajo	NativoAprende cómo cada acción lleva el trabajo de un estado al siguiente	No nativo
Predecir qué hará una acción	NativoA partir de lo que observa, predice qué hará una acción, prueba alternativas y planifica	No nativo
Mejores elecciones de acción	NativoLos resultados mejoran qué acción elige después	Las políticas de enrutamiento se configuran, no se aprenden de los resultados
Habilidades reutilizables	NativoLa experiencia se convierte en habilidades que se prueban antes de usarse, y que se pueden pausar, recuperar o retirar	No nativo
Probar y gestionar habilidades	Una habilidad se prueba antes de confiar en ella, y se puede pausar, recuperar, retirar o eliminar para siempre	Versiones de configuración, no un ciclo de vida para habilidades aprendidas
Generalizar a casos relacionados	Lleva lo que aprendió a casos relacionados y a formulaciones nuevas, y a habilidades que puede reutilizar	Las cachés semánticas emparejan peticiones parecidas, pero no aprenden cómo actuar
Decidir y actuar
Saber cuánta certeza tiene	NativoAntes de cada decisión, sabe cuán conocido es el caso y cuánta certeza tiene	El estado de los proveedores, el enrutamiento y las puntuaciones de las barreras de protección, no la certeza sobre la tarea
Responder, traspasar o rechazar	NativoDuplex responde por sí mismo, llama a tu modelo, usa una herramienta o rechaza, dentro de tus reglas	Enrutar, reintentar, bloquear o recurrir a una alternativa, sin aprender de los resultados
Resolver por sí mismo el trabajo conocido	NativoToma por sí mismo las decisiones conocidas, sin otra llamada a un modelo de frontera	Una caché puede ahorrarse una llamada al modelo, pero una caché no aprende de los resultados
Traspasar lo nuevo o incierto	El trabajo nuevo, incierto o delicado va al modelo, la herramienta o la persona adecuados	Enrutamiento sólido y alternativas entre proveedores; la certeza sobre la tarea sigue siendo externa
Planificación, simulación y recomendaciones	NativoPredice lo que pasa después, prueba alternativas, crea planes y recomienda acciones	No nativo
Muchos agentes, trabajando juntos	Envía el trabajo al agente adecuado, lo reparte dentro de tus reglas, mantiene a cada agente en su ámbito y reúne los resultados	Algunos enrutan hacia agentes y herramientas MCP, pero no aprenden qué colaboración funcionó
Aprender qué herramientas funcionan	Aprende qué herramientas funcionan, cuándo usarlas y a qué lleva cada una	Exponen y enrutan herramientas, pero en general no aprenden de sus resultados
Acciones con herramientas dentro de tus reglas	Las herramientas solo se ejecutan a través de tus reglas y permisos	Enrutamiento y barreras de protección sólidos; el control de las acciones del agente depende de la integración
Streaming	Transmite en directo la salida de modelos y herramientas, y cada paso sigue dentro de tus reglas	NativoStreaming sólido
Trabajo que continúa
Aprender de cada paso, automáticamente	Cada paso, mediante MCP + hooks o los plugins, alimenta un único ciclo de aprendizaje compartido	Se registran peticiones, respuestas, coste y latencia
Contexto entre sesiones	NativoEl trabajo, las decisiones, las tareas y el contexto que importa continúan entre sesiones	ExternoEn general
Trabajo de larga duración	NativoEl trabajo largo sigue abierto entre sesiones y agentes, con puntos seguros a los que volver, hasta que se termina o se olvida	No nativo
Entre modelos	NativoLo que aprende y tu contexto quedan fuera del modelo, y siguen al trabajo entre proveedores	Sólido para el enrutamiento, pero no se traslada nada aprendido
Entre apps y agentes	El mismo trabajo continúa en Claude, Codex, Cursor, Hermes y tus propios agentes	Las peticiones pueden compartir un mismo gateway, pero lo que sabe cada app sigue siendo externo
Traspasar trabajo a otro agente	Una tarea y su contexto pasan a otro agente que permitas, listos para continuar	Puede haber enrutamiento hacia agentes y MCP; lo que significa la tarea sigue siendo externo
Mantener el contexto compacto	El contexto se mantiene compacto, centrado en las reglas, tareas y decisiones que importan	Truncado o caché del prompt, no un resumen duradero de lo que importa
Aprender de imágenes, audio, vídeo y PDF	Aprende de imágenes, audio, vídeo y PDF, igual que del texto	Sobre todo deja pasar a los proveedores los formatos compatibles
Entre formatos	Una pregunta en palabras puede apoyarse en lo aprendido de imágenes, audio y vídeo, y el contenido multimedia puede influir en decisiones posteriores	No nativo
Personas, equipos y uso compartido
Para cada persona	NativoCada persona tiene su propio contexto privado, sus preferencias y su aprendizaje	Claves y presupuestos por usuario; el comportamiento personal es externo
Para cada equipo	NativoLos equipos comparten el aprendizaje aprobado, y el trabajo privado sigue siendo privado	Configuración y presupuestos por equipo
En toda la organización	NativoLo que funciona puede pasar de una persona al equipo y a la organización, bajo tus reglas	Enrutamiento y barreras de protección en toda la organización, sin aprender de los resultados
Compartir entre personas, bajo control	Tú eliges qué se comparte y con quién, y puedes retirarlo; todo lo compartido muestra de quién viene	Controles por clave, equipo y rol
Protección del contenido compartido	Lo que alguien comparte llega como información, nunca como instrucciones, así que no puede dirigir el agente de otra persona	Las barreras de protección pueden inspeccionar las entradas compartidas, pero la confianza en lo que significan sigue siendo externa
Control y confianza
Tus reglas	Tus reglas forman parte de cómo funciona Duplex: permiten, rechazan o limitan acciones reales	Barreras de protección sólidas de entrada y salida, y políticas de enrutamiento
Reglas aplicadas antes de cada acción	NativoLos hooks comprueban cada acción con tus reglas antes de que se ejecute	Sólido para las peticiones y respuestas que pasan por el gateway
Personas en el proceso	Una persona confirma las acciones que elijas, y lo que aprende Duplex se puede revisar y deshacer	Los flujos de aprobación varían según el gateway
Un historial que puedes comprobar	Un historial de cada decisión, de dónde vino y qué salió de ella, que no se puede cambiar a escondidas	Registros sólidos de peticiones, respuestas, coste y políticas
Comprobantes que puedes verificar	Las decisiones, las habilidades y los borrados pueden ir acompañados de comprobantes que puedes verificar	Registros y resultados de las barreras de protección, no comprobantes de lo aprendido
Deshacer lo aprendido, con exactitud	NativoUn cambio aprendido se puede deshacer con exactitud, sin reentrenar nada	La configuración y las entradas de caché se pueden eliminar; no hay nada aprendido que revertir
Un olvido que llega a todo lo construido sobre ello	Quitar algo también quita lo que salió de ello: el contexto, todo lo compartido a partir de ello y el aprendizaje relacionado	Los registros y las cachés siguen su propia política de retención
Mantener separados a los clientes	Cada usuario, equipo, organización y cliente se mantiene separado, en cada integración y en todo lo que comparte	Aislamiento maduro por clave, equipo, presupuesto y rol
De dónde viene todo lo aprendido	De todo lo que aprendió, puedes ver su origen, su alcance y hasta qué punto es fiable	Linaje de peticiones y proveedores
Dónde se ejecuta y se conecta
Cualquier proveedor de modelos	Una sola inteligencia para OpenAI, Anthropic, Google, AWS y modelos compatibles	NativoLa abstracción de proveedores es lo que mejor hace la categoría
MCP	NativoMediante MCP + hooks, Duplex se suma a cada paso que dan tus agentes	Cada vez más nativo
Hooks y plugins	NativoPlugins para Claude, Codex, Cursor y Hermes, y hooks que incorporan Duplex en cada paso y comprueban las acciones delicadas con herramientas	Integración por SDK y proxy, no hooks que aprendan de las sesiones de los agentes
Tu nube, o autoalojado	Vareon cloud, tu nube o sin nube: nube privada, tu propia cuenta, autoalojado o aislado de la red	Las opciones alojadas y autoalojadas varían según el gateway
Sin nube: aislado de la red	Hecho para despliegues donde nada puede salir, con modelos locales, dependencias locales y tu propio proveedor de identidad	Disponible con gateways autoalojados y proveedores locales
Coste, velocidad y encaje
Cómo reduce el coste del modelo	Duplex resuelve él mismo el trabajo conocido, sin repetir llamadas a un modelo de frontera	Caché, modelos más baratos, procesamiento por lotes y elección de proveedor
Cómo reduce la latencia	Las decisiones de las que está seguro vuelven rápido; el trabajo incierto sigue yendo a tu modelo de frontera	Caché, balanceo de carga y elección de proveedor
Sobrevive a una actualización del modelo	SíEl aprendizaje, el contexto, las tareas y las reglas quedan fuera de cualquier modelo concreto	La configuración de enrutamiento sobrevive, pero no se conserva ningún comportamiento aprendido
Requiere ajuste fino	NoEl ajuste fino pasa a ser una mejora opcional	No
Ideal para	Organizaciones que necesitan que sus agentes de IA aprendan, actúen dentro de unas reglas, lleven el trabajo adelante y mejoren entre modelos, como un solo sistema	Equipos que sobre todo necesitan abstracción de proveedores, fiabilidad, barreras de protección y control de costes

Las demás comparaciones.

Mira Duplex en acción con tu propio trabajo.

Compáralo donde importa: un piloto pone Duplex en tu propio trabajo, con las métricas acordadas antes de empezar.

Empieza un piloto →Conoce Duplex

Duplex y Gateways de IA,lado a lado.

Todas las capacidades: Duplex y Gateways de IA.

Las demás comparaciones.

Mira Duplex en acción con tu propio trabajo.

Duplex y Gateways de IA,
lado a lado.