Los 10 mejores frameworks de agentes de IA que vale la pena probar en 2026

El mejor framework de agentes de IA en 2026 es LangGraph para equipos que necesitan un control explícito sobre flujos de trabajo persistentes y de larga duración. OpenAI Agents SDK es la mejor opción ligera para el uso sencillo de herramientas y las transferencias entre agentes, mientras que CrewAI es el framework más fácil de entender cuando un proyecto se adapta de forma natural a un equipo de roles especializados. Google ADK y Microsoft Agent Framework son especialmente atractivos para organizaciones que ya han invertido en sus respectivos ecosistemas empresariales y de nube.

No existe un ganador universal. Un framework de agentes que parece elegante en una demostración puede volverse difícil de operar cuando un flujo de trabajo necesita persistencia, aprobaciones, reintentos, trazabilidad, acceso a datos privados o una combinación de código determinista y decisiones impulsadas por modelos. La elección adecuada depende menos de la rapidez con la que puedas crear un chatbot y más de la claridad con la que puedas controlar lo que ocurre después de la primera llamada a una herramienta.

Esta guía compara diez frameworks de agentes de IA que vale la pena probar en 2026. Evaluamos cada uno según el control de la orquestación, la compatibilidad con varios agentes, la flexibilidad de los modelos, el estado y la memoria, la observabilidad, la experiencia del desarrollador y la idoneidad para implementaciones locales o autohospedadas. Los detalles de los frameworks se verificaron con la documentación oficial el 24 de agosto de 2026.

Los mejores frameworks de agentes de IA en 2026: selección rápida

• Mejor opción general para flujos de trabajo de producción controlados: LangGraph
• Mejor SDK ligero: OpenAI Agents SDK
• Mejor para equipos multiagente basados en roles: CrewAI
• Mejor para Gemini y Google Cloud: Google Agent Development Kit
• Mejor para equipos de Microsoft y .NET: Microsoft Agent Framework
• Mejor para agentes con muchos datos y RAG: LlamaIndex
• Mejor para aplicaciones Python con seguridad de tipos: Pydantic AI
• Mejor framework TypeScript de pila completa: Mastra
• Mejor para canalizaciones modulares de recuperación: Haystack
• Mejor framework minimalista para modelos locales y agentes de código: smolagents

Comparativa de frameworks de agentes de IA

Cómo elegimos estos marcos de agentes de IA

Esta no es una clasificación basada únicamente en las estrellas de GitHub. La popularidad puede indicar interés de la comunidad, pero no te dice si un marco puede reanudar de forma segura un flujo de trabajo fallido o hacer observables las decisiones de un agente. Priorizamos siete preguntas prácticas:

1. Control: ¿Pueden los desarrolladores combinar la lógica determinista de la aplicación con decisiones impulsadas por el modelo?
2. Fiabilidad: ¿Admite el marco la persistencia, los reintentos, los puntos de control o la ejecución duradera?
3. Supervisión humana: ¿Puede una ejecución pausarse para solicitar aprobación antes de realizar una acción sensible?
4. Observabilidad: ¿Pueden los equipos inspeccionar los prompts, las llamadas al modelo, el uso de herramientas, las transferencias, la latencia y los errores?
5. Interoperabilidad: ¿Puede el marco funcionar con varios modelos, herramientas, servidores MCP o componentes de aplicaciones existentes?
6. Adecuación para la implementación: ¿Puede ejecutarse en el entorno que exigen tus requisitos de datos y gobernanza?
7. Relevancia en 2026: ¿Cuenta con documentación activa y ha cambiado su posición estratégica desde la publicación de artículos comparativos anteriores?

Este último criterio es importante. Microsoft describe ahora Microsoft Agent Framework como el sucesor directo de los marcos de agentes AutoGen y Semantic Kernel. Repetir una lista antigua sin tener en cuenta esa transición haría que la comparación fuera más fácil de redactar, pero menos útil para alguien que empieza un proyecto nuevo en 2026.

1. LangGraph — La mejor opción general para flujos de trabajo de agentes controlados y con estado

LangGraph es la recomendación general más sólida cuando un agente debe hacer algo más que completar un bucle corto de llamadas a herramientas. Representa una aplicación como un grafo de estados, nodos y transiciones, lo que permite combinar rutas de código predecibles con pasos en los que un LLM decide qué hacer a continuación.

Sus capacidades distintivas son la ejecución duradera, la persistencia, la transmisión y el control humano en el circuito. Un sistema de puntos de control puede guardar el estado del grafo para que un proceso se recupere de un fallo, espere una decisión externa o reanude más adelante una tarea de larga duración. Esto resulta especialmente útil para flujos de trabajo de aprobación, canalizaciones de investigación, operaciones de soporte y agentes que pueden ejecutarse durante minutos u horas en lugar de segundos.

LangGraph también se beneficia del ecosistema más amplio de LangChain. LangChain proporciona abstracciones de agentes e integraciones de nivel superior, mientras que LangGraph ofrece el entorno de ejecución de orquestación de nivel inferior. Los equipos pueden comenzar con un agente prediseñado y pasar a un control explícito basado en grafos cuando la aplicación se vuelva más exigente.

Ideal para: Flujos de trabajo de producción que necesitan un estado explícito, ramificaciones, recuperación, aprobaciones o auditabilidad.

Ten en cuenta: Un grafo te proporciona control porque debes definirlo. Es posible que los proyectos pequeños no necesiten los nodos adicionales, los esquemas de estado ni las decisiones de persistencia.

2. SDK de agentes de OpenAI — El mejor SDK ligero para herramientas y transferencias

El SDK de agentes de OpenAI utiliza deliberadamente una pequeña colección de primitivas: agentes con instrucciones y herramientas, transferencias o agentes como herramientas para la delegación, controles de seguridad para la validación, sesiones para el estado conversacional y trazabilidad integrada. Hay SDK oficiales disponibles tanto para Python como para TypeScript.

La API minimalista es su mayor ventaja. Un desarrollador puede definir un especialista, exponer herramientas tipadas y dirigir el trabajo a otro especialista sin tener que aprender primero un amplio vocabulario de orquestación. La trazabilidad integrada registra las generaciones del modelo, las llamadas a herramientas, las transferencias, los controles de seguridad y los eventos personalizados, lo que proporciona al framework más visibilidad en producción de la que podría sugerir su reducida superficie.

El SDK encaja especialmente bien cuando los modelos de OpenAI, la API de Responses o la voz en tiempo real son elementos centrales del producto. También puede funcionar con otros proveedores de modelos, pero los equipos deben probar el comportamiento específico de cada proveedor, la salida estructurada y la compatibilidad con las llamadas a herramientas, en lugar de asumir que todos los modelos se comportan igual.

Ideal para: Desarrolladores que buscan un SDK conciso para Python o TypeScript, con agentes que usan herramientas, delegación a especialistas, controles de seguridad, trazabilidad o experiencias de voz.

Ten en cuenta: El bucle central del agente es deliberadamente ligero. Los procesos duraderos y de larga ejecución pueden requerir un entorno de ejecución o una integración adicional, como Temporal, Restate o DBOS.

3. CrewAI — Ideal para equipos multiagente basados en roles

CrewAI organiza los sistemas multiagente en torno a dos conceptos principales. Los equipos son grupos de agentes autónomos que colaboran en una tarea, mientras que los flujos proporcionan un control estructurado y basado en eventos, un estado compartido y un orden de ejecución para esos equipos.

Este modelo mental resulta intuitivo para flujos de trabajo que ya parecen una organización: un investigador recopila pruebas, un analista las evalúa y un redactor produce un entregable. CrewAI admite procesos secuenciales y jerárquicos, herramientas, memoria, conocimientos, resultados estructurados, barreras de protección, observabilidad y activadores con intervención humana. Su documentación recomienda Flows como estructura para aplicaciones de producción, con agentes que realizan tareas delimitadas dentro de los pasos del equipo.

Ideal para: Investigación, operaciones de contenido, atención al cliente y automatizaciones empresariales que se dividen claramente en roles especializados.

Ten en cuenta: No todas las tareas necesitan un elenco de agentes. Varias personas pueden aumentar la latencia, el uso de tokens y los puntos de fallo sin mejorar el resultado. Usa un equipo cuando la especialización o la comprobación independiente aporten un valor medible.

4. Google Agent Development Kit — Ideal para Gemini y Google Cloud

Google Agent Development Kit (ADK) es un framework abierto para crear, evaluar e implementar agentes. Es compatible con agentes impulsados por modelos, herramientas personalizadas, sesiones, memoria, callbacks, evaluación y composición multiagente. Está optimizado para el ecosistema de Google, pero no se limita a los modelos Gemini.

ADK 2.0 es una actualización importante de 2026. Añade flujos de trabajo basados en grafos para rutas de ejecución predecibles, flujos dinámicos expresados mediante código y flujos colaborativos con coordinadores y subagentes. Google indica que ADK 2.0 está disponible para Python y Go, mientras que la documentación general de ADK también ofrece compatibilidad con TypeScript y Java; por lo tanto, conviene comprobar la paridad de funciones antes de comprometerse con un lenguaje.

Ideal para: Equipos que usan Gemini, Vertex AI, implementaciones en Google Cloud, sistemas multiagente de estilo A2A o una combinación de grafos deterministas y razonamiento de modelos.

Ten en cuenta: El framework evoluciona rápidamente, y ADK 2.0 introdujo cambios incompatibles con el runtime de flujos de trabajo de la versión 1.x. Verifica la versión y la documentación específica del lenguaje antes de diseñar la arquitectura de producción.

5. Microsoft Agent Framework — Ideal para empresas y equipos de .NET

Microsoft Agent Framework combina ideas desarrolladas a través de AutoGen y Semantic Kernel para formar la nueva base de Microsoft para agentes de producción y flujos de trabajo multiagente. Es compatible con Python y .NET, y cuenta con un SDK independiente para Go en vista previa pública.

El framework está dirigido a sistemas que necesitan algo más que un bucle conversacional: estado basado en sesiones, middleware, telemetría, flexibilidad de proveedores, flujos de trabajo en forma de grafo, puntos de control, capacidad de reinicio, aprobación humana y patrones de orquestación comunes, como colaboración secuencial, simultánea, de transferencia y en grupo.

Para un proyecto nuevo centrado en Microsoft, este suele ser el framework que conviene evaluar antes de empezar con AutoGen o Semantic Kernel Agent Framework. Las aplicaciones existentes no necesitan reescribirse de inmediato, pero Microsoft ofrece ahora guías de migración desde ambos predecesores.

Ideal para: Azure, Microsoft Foundry, .NET y organizaciones mixtas de Python/C# con requisitos de gobernanza empresarial o flujos de trabajo de larga duración.

Atención: Es un framework unificado más reciente. Los equipos que migren desde AutoGen o Semantic Kernel deben prever cambios en la API y la arquitectura, y quienes usen Go deben tener en cuenta que se encuentra en fase preliminar y que la paridad de funciones aún es incompleta.

6. LlamaIndex — Ideal para RAG y agentes con uso intensivo de conocimiento

LlamaIndex sigue siendo una de las opciones más naturales cuando la principal tarea de un agente es razonar sobre documentos privados, índices, bases de datos u otras fuentes de conocimiento. Su capa de agentes incluye agentes con llamadas a funciones, agentes de estilo ReAct, agentes CodeAct, memoria, entrada multimodal y AgentWorkflow para la transferencia de tareas entre varios agentes.

LlamaIndex Workflows añade un modelo de ejecución basado en eventos y pasos. Un paso puede recuperar datos, llamar a un modelo, solicitar la intervención de una persona, actualizar el estado o distribuir trabajo simultáneo. Como las ramas y los bucles pueden escribirse en Python estándar, resulta adecuado para canalizaciones de datos que necesitan más flexibilidad que una cadena sencilla de recuperación y generación.

Ideal para: asistentes de documentos, búsqueda empresarial, RAG agéntico, extracción de conocimiento y agentes fundamentados en grandes conjuntos de datos privados.

Atención: LlamaIndex cubre la ingesta, la indexación, la recuperación, los agentes y los flujos de trabajo, por lo que su superficie de API es amplia. Elige solo los módulos que necesite tu proyecto y evalúa la calidad de la recuperación por separado del comportamiento del agente.

Si los datos privados son la razón por la que estás considerando un agente de conocimiento, la ubicación de implementación importa tanto como el framework. Consulta nuestra comparación entre un servidor de agentes de IA local y herramientas de automatización SaaS antes de decidir dónde deben almacenarse los documentos, los embeddings, los registros y las credenciales de las herramientas.

7. Pydantic AI: ideal para aplicaciones de Python con seguridad de tipos

Pydantic AI aplica a la creación de agentes la filosofía de diseño que hizo populares a Pydantic y FastAPI. Las dependencias de los agentes, los argumentos de las herramientas y las salidas finales pueden tiparse y validarse, lo que reduce la cantidad de análisis improvisado entre el comportamiento probabilístico del modelo y el código determinista de la aplicación.

Su objeto de agente combina instrucciones, herramientas, dependencias, ajustes del modelo y un tipo opcional de salida estructurada. Pydantic Evals admite casos de prueba basados en código, mientras que la integración con Logfire registra mensajes, llamadas a herramientas, uso de tokens, latencia y errores. La instrumentación se basa en OpenTelemetry, por lo que los equipos no están limitados a un único backend de observabilidad.

Ideal para: equipos de Python que crean API, flujos de trabajo financieros u operativos, sistemas de extracción estructurada y aplicaciones en las que las salidas validadas son más importantes que una elaborada puesta en escena multiagente.

Ten en cuenta: Pydantic AI es independiente del modelo, pero su principal ventaja en experiencia de desarrollo se aprecia cuando el código ya utiliza tipado de Python y esquemas de Pydantic.

8. Mastra: el mejor framework de agentes full-stack para TypeScript

Mastra es un framework centrado en TypeScript que combina agentes, herramientas, flujos de trabajo estructurados, memoria, almacenamiento, trazas, evaluación y un estudio de desarrollo local. Los agentes pueden invocarse directamente, utilizarse en pasos de flujos de trabajo, exponerse mediante adaptadores de servidor o coordinarse como sistemas multiagente.

Mastra resulta atractivo porque muchas capacidades que, de otro modo, requerirían paquetes independientes comparten un mismo modelo de programación. Sus flujos de trabajo admiten ramificaciones, ejecución en paralelo, suspensión, reanudación, aprobación humana, viaje en el tiempo, gestión de errores y ejecución programada. La compatibilidad con MCP funciona en ambas direcciones: Mastra puede consumir servidores MCP y exponer agentes, herramientas, flujos de trabajo, prompts y recursos a clientes compatibles con MCP.

Ideal para: equipos de Node.js, React, Next.js y TypeScript que buscan un camino integrado desde el prototipo hasta una aplicación agéntica observable.

Ten en cuenta: el ecosistema de Mastra es más reciente que el de LangChain. Confirma que las bases de datos, los destinos de implementación y los sistemas de observabilidad críticos cuenten con las integraciones que requiere tu stack de producción.

9. Haystack: ideal para la recuperación modular y las canalizaciones agénticas

Haystack es un framework de código abierto para agentes de IA en producción, aplicaciones de RAG y búsqueda multimodal. Sus componentes de pipeline reutilizables hacen explícitos la recuperación, la clasificación, la generación, el enrutamiento y el procesamiento personalizado, en lugar de ocultarlos dentro de una única abstracción de agente.

El componente Agent puede recuperar información, generar respuestas y realizar acciones mediante herramientas. Un PipelineTool puede exponer un pipeline completo de Haystack como una única herramienta invocable, lo que resulta útil cuando un agente debe decidir cuándo invocar un subsistema de recuperación o procesamiento probado. Los pipelines también admiten bucles, ramas, ejecución asíncrona, serialización y puntos de interrupción para inspeccionar y reanudar la ejecución.

Ideal para: Búsqueda, RAG, procesamiento de documentos y sistemas multimodales que están adquiriendo capacidades agénticas, pero que aún necesitan pipelines de datos inspeccionables.

Ten en cuenta: Haystack se centra menos en la metáfora legible de un «equipo de agentes» que CrewAI. Esto es una ventaja para los ingenieros de pipelines, pero puede resultar menos inmediato para quienes crean prototipos de colaboración basada en roles.

10. smolagents — El mejor framework minimalista para agentes de código y modelos locales

smolagents es la biblioteca de agentes de Python deliberadamente pequeña de Hugging Face. Sus dos abstracciones principales son CodeAgent, que expresa las acciones como código Python, y ToolCallingAgent, que utiliza llamadas estructuradas a herramientas. Su diseño minimalista facilita inspeccionar, modificar y enseñar el bucle principal más que un framework grande con muchas capas.

Su interfaz de modelos es flexible, y su conexión natural con el ecosistema de Hugging Face lo convierte en una opción sólida para experimentar con modelos abiertos e inferencia local. La ejecución de código debe tratarse con cuidado: la documentación oficial recomienda entornos aislados, como Docker o sandboxes remotos compatibles, en lugar de proporcionar al código generado acceso sin restricciones al host.

Ideal para: Aprender cómo funcionan los agentes, crear prototipos rápidos en Python, experimentar con CodeAgent, usar RAG agéntico y desarrollar proyectos con modelos locales o abiertos.

Ten en cuenta: Una abstracción mínima también implica una infraestructura de producción mínima. Es posible que tengas que añadir tus propias capas de ejecución duradera, autorización, monitorización y despliegue.

Which AI Agent Framework Should You Choose?

¿Puedes ejecutar frameworks de agentes de IA localmente?

Sí. La mayoría de los frameworks de esta lista son bibliotecas que pueden ejecutarse en tu propio entorno de Python o Node.js. Sin embargo, la ejecución local no implica automáticamente que la IA sea local. Si el framework llama a una API de modelos en la nube, las instrucciones y el contexto recuperado aún pueden salir de tu red. Una pila completamente local también necesita un runtime de modelos local, almacenamiento local, acceso controlado a las herramientas y una estrategia de observabilidad que no exporte trazas sensibles.

Una configuración local práctica puede comenzar con contenedores Docker para el servicio del agente, un servidor de modelos como Ollama u otro endpoint compatible con OpenAI, una base de datos o almacén vectorial, y un proxy inverso o una VPN para controlar el acceso. Nuestra guía sobre la creación de un servidor de IA local explica las decisiones de hardware y despliegue que sustentan esta pila.

Para agentes ligeros que funcionan siempre, ZimaBoard 2 ofrece un procesador Intel N150, hasta 16 GB de memoria LPDDR5, doble puerto 2.5GbE, doble SATA y una ranura PCIe 3.0 abierta en un sistema x86 sin ventilador. Es un host práctico para servicios de orquestación, modelos locales pequeños, recuperación privada, monitorización y servidores de herramientas. Descubre qué funcionó y qué falló cuando un creador dejó que un agente de IA se ejecutara en ZimaBoard 2.

Para colecciones de documentos más grandes, más contenedores, almacenamiento más rápido o ampliación con GPU, ZimaCube 2 ofrece seis bahías para discos duros, capacidad SSD adicional, Thunderbolt 4, expansión PCIe y configuraciones de mayor rendimiento. La reseña del homelab de IA local ZimaCube 2 analiza Ollama, las canalizaciones RAG, Docker y una ruta de actualización para cargas de trabajo que crecen con el tiempo.

Cinco errores que debes evitar al elegir un framework de agentes

1. Seleccionar un framework antes de definir el flujo de trabajo

Define primero los estados, las herramientas, las condiciones de fallo, los puntos de aprobación y los límites de datos. Un solo agente con tres herramientas puede ser más seguro y económico que un equipo de cinco agentes.

2. Confundir la memoria con la ejecución duradera

El historial de conversaciones ayuda al modelo a recordar mensajes anteriores. La ejecución duradera conserva el progreso del flujo de trabajo tras fallos, reinicios o largos retrasos en las aprobaciones. Resuelven problemas diferentes, y los sistemas de producción suelen necesitar ambos.

3. Ignorar los permisos de las herramientas

Un agente que puede buscar documentos es diferente de uno que puede ejecutar comandos de shell, controlar un navegador o modificar registros de clientes. Aplica permisos de mínimo privilegio, ejecuta el código en un entorno aislado, valida los argumentos de las herramientas y exige aprobación para las acciones irreversibles.

4. Tratar las trazas como algo opcional

Cuando un modelo elige la herramienta equivocada, una respuesta final rara vez revela el motivo. Registra las llamadas al modelo, las entradas y salidas de las herramientas, las transferencias, la latencia, el uso de tokens y los errores desde el principio. La observabilidad forma parte de la aplicación, no es un accesorio que se añade después del lanzamiento.

5. Probar únicamente el camino ideal

Evalúa los datos faltantes, las salidas de herramientas malformadas, los límites de frecuencia, el rechazo del modelo, la ejecución duplicada, los fallos de red, la inyección de instrucciones y los flujos de aprobación interrumpidos. El mejor framework es aquel cuyo comportamiento ante fallos tu equipo puede comprender y controlar.

Preguntas frecuentes sobre los frameworks de agentes de IA

¿Qué es un framework de agentes de IA?

Un framework de agentes de IA es un conjunto de herramientas de software para crear aplicaciones en las que un modelo de lenguaje puede decidir cómo usar herramientas, recuperar información, mantener el estado y completar objetivos de varios pasos. Los frameworks más avanzados incorporan orquestación de flujos de trabajo, delegación multiagente, persistencia, aprobación humana, evaluación y trazabilidad.

¿Cuál es el mejor framework de agentes de IA en 2026?

LangGraph es la mejor opción general para flujos de trabajo de producción controlados y con estado. OpenAI Agents SDK es mejor cuando quieres un ciclo de agente ligero con herramientas, transferencias, barreras de seguridad y trazabilidad. CrewAI es un punto de partida sólido para la automatización multiagente basada en roles. En última instancia, la mejor opción depende de tu lenguaje, entorno de implementación, datos y requisitos de fiabilidad.

¿Sigue valiendo la pena usar AutoGen en 2026?

Los proyectos existentes de AutoGen pueden seguir siendo útiles, pero los equipos que comiencen una aplicación nueva centrada en Microsoft deberían evaluar primero Microsoft Agent Framework. Microsoft lo identifica como el sucesor directo de AutoGen y Semantic Kernel Agent Framework, y ofrece instrucciones de migración para ambos.

¿Qué framework de agentes de IA es mejor para RAG?

LlamaIndex es el punto de partida más sólido cuando los agentes necesitan trabajar a fondo con documentos privados, índices y bases de conocimiento. Haystack es una excelente alternativa para equipos que prefieren canalizaciones de recuperación explícitas y modulares. LangGraph puede orquestar cualquiera de las dos pilas de recuperación cuando el flujo de trabajo circundante necesita estado persistente y un control complejo.

¿Qué framework es mejor para principiantes?

OpenAI Agents SDK y smolagents ofrecen superficies conceptuales relativamente pequeñas. CrewAI también resulta accesible cuando la tarea se adapta de forma natural a roles reconocibles. Los principiantes deberían crear primero un agente con una o dos herramientas antes de añadir memoria, varios agentes o ejecución autónoma.

¿Funcionan los frameworks de agentes de IA con LLM locales?

Muchos sí. LangGraph, CrewAI, Google ADK, LlamaIndex, Pydantic AI, Mastra, Haystack y smolagents pueden conectarse directamente a modelos locales o mediante proveedores compatibles, según el framework y el entorno de ejecución. Comprueba siempre la compatibilidad con llamadas a herramientas y salidas estructuradas para el modelo local específico; la compatibilidad del endpoint por sí sola no garantiza un comportamiento equivalente del agente.

¿Son mejores los sistemas multiagente que los agentes individuales?

No automáticamente. Los sistemas multiagente son útiles cuando los especialistas necesitan instrucciones, herramientas, permisos o revisiones independientes diferentes. Para un flujo de trabajo limitado, añadir agentes suele aumentar el coste, la latencia y los fallos de coordinación. Empieza con la arquitectura más pequeña que cumpla el requisito y añade agentes solo cuando su función sea medible.

Veredicto final

Si quieres evaluar primero un solo framework en 2026, empieza con LangGraph para tener el máximo control del flujo de trabajo o con OpenAI Agents SDK para minimizar la abstracción. Elige CrewAI cuando los roles especializados sean fundamentales, Google ADK o Microsoft Agent Framework cuando tu ecosistema en la nube deba definir la arquitectura, LlamaIndex o Haystack cuando la recuperación sea el núcleo del producto, Pydantic AI cuando la seguridad de tipos sea lo más importante, Mastra para un stack completo centrado en TypeScript y smolagents cuando la transparencia y la experimentación local sean prioritarias.

El framework es solo una capa. Los agentes fiables también necesitan permisos con alcance definido, estado persistente, evaluaciones, llamadas a herramientas observables y un límite de infraestructura adecuado para los datos. Si tu siguiente paso es ensamblar el software alrededor de un modelo local, quizá también quieras comparar los mejores plugins de DeepSeek Harness para 2026.