Sistemas multiagente: cuándo varios agentes valen más que uno

Un agente, varios agentes: de qué hablamos

Un agente de IA autónomo funciona solo, con sus propias herramientas, su memoria y su objetivo. Un sistema multiagente, en cambio, pone a trabajar a varios agentes en la misma tarea, cada uno con un rol preciso. La idea no es nueva en informática distribuida, pero adquiere un sentido concreto desde que los modelos de lenguaje saben usar herramientas y encadenar pasos sin supervisión constante.

El término abarca realidades distintas. Está el sistema "orquestador más subagentes", donde un agente principal divide el trabajo y delega fragmentos a agentes más especializados. Están también los agentes pares, que se comunican entre sí para compartir resultados sin una jerarquía estricta. El matiz que hay que retener es que "varios agentes" no significa "varias instancias idénticas haciendo lo mismo en paralelo": cada agente tiene un alcance propio. El glosario de Atako detalla esta distinción con más profundidad.

El principio de la orquestación

Lo que distingue a un verdadero sistema multiagente de un simple lote de scripts que corren en paralelo es la orquestación: la lógica que decide quién hace qué, en qué orden, y cómo se recombinan los resultados. Anthropic documentó en detalle la arquitectura que usa para su función de investigación en profundidad: un agente "líder" analiza la solicitud, define una estrategia, y luego crea subagentes encargados de explorar cada uno una pista en paralelo antes de hacer llegar sus resultados (fuente: Anthropic, "How we built our multi-agent research system", https://www.anthropic.com/engineering/multi-agent-research-system, consultado el 2026-09-04).

Este modelo de orquestador/trabajadores se repite en casi todas las implementaciones serias. El agente principal no hace el trabajo él mismo: planifica, distribuye, verifica y ensambla. Es lo que se conoce como orquestación de agentes. El subagente, por su parte, está pensado para ser breve y desechable: existe el tiempo de una subtarea, y luego desaparece.

Por qué varios agentes a veces rinden más que uno solo

El resultado más citado sobre el tema viene precisamente de Anthropic. En su evaluación interna, un sistema formado por un agente Opus como director de orquesta y subagentes Sonnet superó en un 90,2 % el rendimiento de un agente Opus solo en las mismas tareas de investigación (misma fuente que arriba). La explicación cabe en una palabra: la paralelización. Un solo agente explora las pistas una por una, en una única ventana de contexto que acaba saturándose. Varios agentes pueden explorar varias pistas a la vez, cada uno en su propio contexto, antes de recombinar lo que han encontrado.

Esta ventaja no es universal. Se manifiesta sobre todo en tareas "en anchura": búsqueda documental, exploración de varias hipótesis, procesamiento de un gran volumen de información inconexa. LangChain, en un artículo de referencia sobre el tema, resume bien la condición: los sistemas multiagente destacan en tareas de alto valor que se paralelizan bien, y pierden interés en cuanto el trabajo es marcadamente secuencial o depende de un contexto compartido (fuente: LangChain, "How and when to build multi-agent systems", https://www.langchain.com/blog/how-and-when-to-build-multi-agent-systems, consultado el 2026-09-04).

Anthropic llegó incluso a descomponer estadísticamente lo que explica las diferencias de rendimiento entre configuraciones. Tres factores explican por sí solos el 95 % de la varianza observada: la cantidad de tokens usados, el número de llamadas a herramientas realizadas y la elección del modelo. El uso de tokens, por sí solo, explica el 80 % de esa varianza (misma fuente). Dicho de otro modo, no es "tener varios agentes" lo que aumenta el rendimiento, es la capacidad que eso da de consumir más cómputo en paralelo sobre un problema que se presta a ello. En un problema que no se presta, esa misma capacidad no sirve de nada, simplemente cuesta más por un resultado comparable al de un solo agente.

El precio de la coordinación

Esta ganancia de rendimiento tiene un coste, y está lejos de ser marginal. Según Anthropic, un solo agente ya consume alrededor de 4 veces más tokens que una conversación de chat clásica. Un sistema multiagente, por su parte, consume unas 15 veces más (misma fuente). No es un detalle contable: a ese nivel de multiplicación, solo las tareas cuyo valor de negocio es realmente alto justifican la inversión.

El coste de coordinación no se limita a los tokens. LangChain señala un problema más estructural: las escrituras concurrentes plantean muchos más problemas que las lecturas concurrentes. Dos agentes que leen la misma base de datos en paralelo no son un problema. Dos agentes que modifican el mismo documento, el mismo ticket o la misma línea de código al mismo tiempo generan conflictos que luego hay que reconciliar, a menudo a mano. Cuantos más agentes hay, mayor es la superficie de fallo: cada agente adicional añade una capa de estado compartido, un protocolo de comunicación, y un nuevo punto donde el sistema puede fallar sin que nadie entienda por qué de inmediato.

También hay que contar el coste de depuración. Seguir el razonamiento de un solo agente, con su línea de tiempo de acciones, ya es un trabajo en sí mismo. Seguir el encadenamiento de decisiones entre varios agentes que se reparten una tarea, con sus intercambios de mensajes y sus eventuales discrepancias, exige una observabilidad mucho más avanzada. Es un proyecto en sí mismo.

Cuándo no lanzarse al multiagente

El reflejo de "más agentes, más potencia" es una de las formas más seguras de disparar un presupuesto de IA sin una ganancia proporcional. Gartner lo ha cuantificado sin rodeos: la consultora prevé que más del 40 % de los proyectos de IA agéntica se abandonarán de aquí a finales de 2027, en particular por costes descontrolados, un valor de negocio mal definido y controles de riesgo insuficientes (fuente: Gartner, "Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027", https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027, consultado el 2026-09-04). Buena parte de esos fracasos viene de proyectos que añaden complejidad de orquestación sin que la tarea lo justifique.

En la práctica, es mejor quedarse con un solo agente cuando la tarea cabe en una sola ventana de contexto, cuando es marcadamente secuencial (cada paso depende estrictamente del anterior), o cuando el volumen de trabajo no justifica la factura en tokens. LangChain cita precisamente la programación como ejemplo: a diferencia de la investigación, una tarea de desarrollo rara vez contiene trabajo realmente paralelizable, lo que hace que el multiagente sea menos útil de lo que parece para este caso de uso en concreto.

La buena pregunta que hay que hacerse antes de añadir un segundo agente no es "¿puede ayudar?", es "¿tiene esta tarea una línea de separación natural de verdad?". Si una parte del trabajo necesita acceso a archivos, otra acceso a una base de datos, y una tercera una llamada a una API externa, hay una división posible de verdad. Si todo depende del mismo hilo de razonamiento, añadir agentes sobre todo añade fricción.

Una lista de comprobación sencilla antes de lanzarse: ¿genera la tarea varias pistas independientes que explorar en paralelo? ¿Justifica el volumen de trabajo una factura en tokens varias veces superior? ¿Escriben las subtareas en sistemas diferentes, o corren el riesgo de pisarse sobre el mismo dato? Si la respuesta es no a alguna de estas tres preguntas, un solo agente bien equipado, con buenos accesos e instrucciones claras, probablemente irá más rápido y costará menos que una arquitectura de varios agentes.

Lo que cambia Atako en la práctica

En Atako, esta lógica de orquestador/subagentes existe de forma nativa: un agente puede delegar una subtarea compleja en un subagente efímero, cuyo trabajo se refleja como pasos en la línea de tiempo de actividad del agente principal, sin consumir un slot adicional. Esto evita el error más habitual: multiplicar los agentes "completos" (y su coste) cuando bastaría con un simple subagente temporal. Si quiere profundizar en el tema del presupuesto, el siguiente artículo detalla las partidas de coste reales de un agente de IA en la empresa, y el que trata sobre cómo medir el ROI le ayudará a comprobar, una vez implementado, si la inversión mereció la pena.