Sistemas multiagente: cuando un agente no basta
Un sistema multiagente pone a varios agentes de IA a trabajar en una misma tarea. Un agente líder divide el trabajo y reparte las piezas entre agentes trabajadores, que corren al mismo tiempo. La velocidad tiene un precio alto — Anthropic midió unas 15 veces los tokens de un chat — así que demuestra que un buen agente no basta antes de añadir más.
Usar muchos agentes suena emocionante. También es la forma más cara de construir. La verdadera pregunta no es si varios agentes pueden repartirse una tarea — es si la tarea vale el costo de mantenerlos coordinados.
Dos cosas empujan una tarea más allá de un solo agente. Puede ser demasiado grande para una ventana de contexto — la memoria de trabajo del agente. O puede tener partes que podrían correr al mismo tiempo. La solución probada es orquestador–trabajador. En palabras sencillas: un agente líder planifica el trabajo y lo divide en piezas. Los agentes trabajadores toman una pieza cada uno y corren en paralelo, cada uno con una ventana de contexto nueva. Después el líder combina sus resultados. El sistema de investigación de Anthropic funciona así — superó a una configuración de un solo agente en un 90.2% en su prueba interna de investigación [1].
El mismo informe muestra la factura. Un solo agente usa unas 4 veces los tokens de un chat normal. Un sistema multiagente usa unas 15 veces — y el gasto en tokens explicó la mayor parte de la diferencia en los resultados. Literalmente estás comprando habilidad con tokens. Eso solo tiene sentido cuando la tarea es lo bastante valiosa para cubrirlo [1].
Más agentes significa más memoria de trabajo — y una factura por cada uno.
La coordinación es la parte difícil
El cableado dejó de ser difícil hace años — AutoGen mostró patrones generales para que los agentes hablaran entre sí ya en 2023 [2]. Lo que todavía sale mal es el trabajo en equipo, no la tecnología: dos trabajadores haciendo el mismo trabajo dos veces, detalles que se pierden cuando el trabajo cambia de manos, y el error temprano de un trabajador que se propaga a todos los que vienen después. Y si ya sabes cómo debería dividirse el trabajo, no necesitas un agente líder: escribe tú mismo la división en un flujo de trabajo simple, en vez de pagar a un agente para que lo averigüe cada vez [3].
El hábito es el mismo que en todo el flujo y orden de construcción: empieza con un agente. Mide dónde falla de verdad — ¿se queda sin memoria? ¿La tarea es demasiado amplia? Añade un segundo agente solo cuando tus pruebas muestren la brecha.
Fuentes
- Anthropic — How we built our multi-agent research system, 13 de junio de 2025
- Wu et al. — AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation, arXiv 2308.08155, agosto de 2023
- Anthropic — Building effective agents, 19 de diciembre de 2024 (orquestador-trabajadores como flujo de trabajo)
Preguntas frecuentes
¿Qué es un sistema multiagente?
Una configuración en la que varios agentes de IA comparten una tarea. Un agente líder planifica y divide el trabajo. Los agentes trabajadores manejan cada uno una pieza al mismo tiempo, cada uno con su propia ventana de contexto. Después el líder combina los resultados en una sola respuesta.
¿Cuándo debería usar varios agentes en vez de uno?
Solo cuando puedas medir la necesidad: la tarea es demasiado grande para una ventana de contexto, o tiene partes en paralelo que un solo agente maneja demasiado despacio. Si ya sabes cómo dividir el trabajo, usa un flujo de trabajo simple — define tú la estructura y ahórrate el costo de coordinación.
¿Por qué son tan caros los sistemas multiagente?
Cada agente reenvía todo su historial creciente en cada paso, y un sistema multiagente ejecuta varios agentes más un líder. Anthropic midió unas 15 veces los tokens de un chat normal. Estás comprando capacidad directamente con gasto en tokens.