Agentes y automatización Inteligencia artificial

Cuando las inteligencias artificiales trabajan en equipo: así funcionan los sistemas multiagente

Redacción LedSolEo

Imagina que le pides a una sola persona que investigue un tema, escriba el texto, haga las ilustraciones y se corrija a sí misma. Puede hacerlo, pero quizá sea más sensato repartir el trabajo. Con la IA ocurre parecido: en vez de un agente que lo hace todo, a veces se montan varios que colaboran.

Qué es un sistema multiagente (y qué no es)

Anthropic describe un sistema multiagente como varios agentes trabajando juntos, entendiendo por agente un modelo que usa herramientas de forma autónoma en un bucle. Si quieres la base, tienes qué es un agente y en qué se diferencia de un chatbot.

La diferencia con un único agente que dispone de varias herramientas está en el reparto. Un agente único mantiene una sola línea de trabajo y usa buscador, calculadora o archivos cuando los necesita. En un sistema multiagente hay varias líneas, cada una con sus instrucciones, herramientas y espacio de trabajo: esa separación de responsabilidades reduce la dependencia de un único camino.

Eso no hace al sistema más listo ni más autónomo. A veces se habla de «inteligencia colectiva», pero solo describe colaboración entre programas, no una mente superior ni conciencia.

Comparación didáctica: a la izquierda, un solo agente con varias herramientas; a la derecha, varios agentes especializados, con sus ventajas (especialización y paralelización) y sus costes (más gasto y más coordinación). — Un agente con muchas herramientas frente a un equipo de especialistas: más capacidad, más coste y más coordinación.

Quién hace qué: coordinador, investigador, redactor, analista y revisor

Los roles no son un estándar fijo, pero suelen repetirse:

Coordinador: recibe el encargo, lo divide, asigna tareas y reúne los resultados.
Investigador: busca y condensa información.
Analista: interpreta datos y extrae conclusiones.
Redactor: convierte el material en texto.
Revisor: comprueba errores, incoherencias y fuentes.

El patrón más habitual es el orquestador-trabajador: un agente principal planifica y lanza subagentes en paralelo, como describe Anthropic en su guía sobre agentes eficaces. La documentación de LangGraph añade la variante jerárquica, con un supervisor central que decide qué agente interviene, y que puede tener varios niveles. Sin coordinador, el equipo se parece a una reunión donde todos hablan a la vez.

Diagrama de un sistema multiagente: un coordinador central reparte tareas hacia cuatro agentes especializados —investigador, redactor, ilustrador y revisor— y recoge sus resultados. — Un coordinador reparte el encargo y reúne lo que devuelve cada especialista.

Cómo se comunican y se delegan tareas

OpenAI, en su documentación sobre orquestación, distingue dos formas de pasarse el trabajo:

Traspaso (handoff): un especialista asume la conversación y sigue él.
Agentes como herramientas: un gestor mantiene el control y llama a especialistas para tareas acotadas.

Delegar bien es lo más delicado. Anthropic cuenta que sus primeros intentos fallaron por instrucciones vagas: los subagentes duplicaban trabajo y llegaron a lanzarse 50 para preguntas simples. Su lección: cada subagente necesita objetivo, formato de salida, herramientas y fuentes recomendadas y límites claros.

Otro problema es el «teléfono escacharrado»: la información se deforma al pasar de mano en mano; Anthropic propone que los subagentes guarden su trabajo y devuelvan solo una referencia. MetaGPT usa procedimientos humanos y salidas estructuradas como control intermedio, para evitar las alucinaciones en cascada de encadenar modelos sin más. El Agents SDK de OpenAI añade que orquestar con código resulta más determinista en velocidad, coste y rendimiento.

Las piezas de cada agente: instrucciones, memoria y herramientas

Cada miembro aporta tres piezas. Sus instrucciones y su identidad, que explicamos en El alma de los agentes de IA, definen su rol. Su memoria, tratada en La memoria de los agentes de IA, le da contexto. Y sus herramientas le permiten actuar. La gracia es que no todos tienen lo mismo: según OpenAI, solo conviene dividir cuando la siguiente rama necesita de verdad instrucciones, herramientas o políticas distintas.

Modelos distintos para tareas distintas

Un equipo puede mezclar modelos. AutoGen plantea agentes personalizables que se combinan con modelos distintos, herramientas y entradas humanas; Anthropic probó un modelo grande como líder y uno menor como subagentes. El equilibrio: los modelos pequeños suelen costar menos, pero una tarea que les queda grande puede bajar la calidad.

Un ejemplo: una redacción digital en miniatura

Imaginemos una pequeña redacción que prepara un reportaje:

El coordinador reparte el encargo.
Dos investigadores buscan fuentes distintas a la vez.
Un analista resume las cifras.
Un redactor escribe el borrador.
Un agente de imagen propone ilustraciones.
Un revisor contrasta datos y detecta contradicciones.

Al final, una persona decide qué se publica: cada agente maneja menos información y puede centrarse en lo suyo.

Ventajas reales, con letra pequeña

Las ventajas razonables son la especialización, la paralelización y la revisión cruzada: los subagentes de Anthropic trabajan en paralelo, cada uno con su ventana de contexto. En su evaluación interna de investigación, un sistema con modelo grande como líder y modelos menores como subagentes superó en un 90,2 % a un único agente con el modelo grande: es un resultado de su propia evaluación, no una regla general. También afirma que la paralelización recortó hasta un 90 % el tiempo en consultas complejas.

En otro informe sobre sistemas multiagente, un enjambre coordinado encontró más vulnerabilidades que un agente solo (266 frente a 21), con muchos más tokens (27 millones frente a 6,5); al restringir la comparación a los directorios previstos, el coste por hallazgo era comparable.

Limitaciones: más coste, más latencia y errores que se contagian

Las ventajas tienen contrapartida. Anthropic indica que los agentes usan unas 4 veces más tokens que una conversación normal y los sistemas multiagente unas 15 veces más. Cemri y colaboradores, en «Why Do Multi-Agent LLM Systems Fail?», encuentran que las mejoras frente a un único agente a menudo son mínimas. Catalogan 14 modos de fallo en tres categorías: especificación y diseño, desalineación entre agentes, y verificación y terminación de la tarea. Un sistema conocido llegó solo al 33,33 % de aciertos en unos problemas concretos, y los autores concluyen que arreglarlo exige soluciones más complejas.

Además, hay que contar con:

Latencia y coste: más agentes significa más llamadas y más espera; una revisión académica señala que escalar su número dispara el coste computacional.
Coordinación e información contradictoria: dos agentes pueden llegar a conclusiones opuestas o pisarse el trabajo.
Fallos que se transmiten: esa misma revisión apunta que la alucinación se complica en entornos multiagente; Anthropic añade que los agentes tienden a comportarse de forma parecida, así que un error puede volverse sistémico.

Anthropic reconoce que son problemas abiertos y que evaluar estos sistemas es más difícil: no hay un único camino correcto.

Cuándo usar varios agentes y cuándo basta con uno

Conviene empezar por lo simple, como recomienda Anthropic: un agente único, o un flujo predefinido, resuelve muchas tareas con menos coste y menos sorpresas. Varios agentes empiezan a tener sentido cuando:

La tarea se puede dividir en partes independientes.
Cada parte necesita instrucciones, herramientas o políticas distintas.
El valor del resultado compensa el gasto extra.

Si no se cumple ninguna, probablemente basta con uno.

Supervisión humana, permisos y responsabilidades

Más agentes no quitan responsabilidad a las personas. Las guías de OpenAI sobre salvaguardas y revisión humana describen herramientas que pausan el flujo para pedir aprobación antes de acciones sensibles y lo reanudan después; AutoGen también contempla la intervención humana configurable. Conviene decidir qué puede hacer cada agente, y aquí ayuda cómo dar permisos a un agente sin perder el control. Si algo sale mal, la responsabilidad es de quien diseñó, configuró y publicó el sistema.

Hacia dónde podría ir (expectativa)

Esto es una expectativa, no un resultado demostrado. Cabe imaginar equipos de agentes en empresas para tareas que hoy se reparten entre departamentos; en investigación, explorando varias vías a la vez; y en asistentes personales, coordinando especialistas para la agenda, las compras o los documentos. Que sea posible no significa que ya esté disponible ni que funcione bien: hoy lo prudente es medir antes de multiplicar agentes.