Anthropic recomienda un solo agente de IA frente a los enjambres de subagentes

Anthropic sostiene que un agente de IA con acceso a herramientas y contexto bajo demanda puede superar a sistemas con numerosos subagentes en calidad y velocidad, y reducir potencialmente los costos. La empresa recomienda revisar las arquitecturas actuales antes de añadir más agentes y publicó un kit para evaluar una posible migración.

Anthropic afirma que un agente principal que carga contexto cuando lo necesita puede ser más rápido y económico que una arquitectura con múltiples subagentes.

En una comparación descrita por la empresa, el flujo de un solo agente completó la tarea aproximadamente el doble de rápido.

Los subagentes aún pueden ser útiles para tareas paralelas, límites de contexto o problemas de selección de herramientas; la migración debe probarse, no hacerse a ciegas.

Anthropic propone simplificar los sistemas de agentes de IA

La compañía sostiene que un agente principal capaz de cargar contexto a demanda puede ofrecer mejores resultados que una flota de subagentes especializados, con menos latencia y costos potencialmente menores. Su recomendación se apoya en despliegues empresariales y en una comparación donde el diseño de un solo agente operó aproximadamente dos veces más rápido que la alternativa multiagente.

El argumento no plantea que los subagentes hayan dejado de ser útiles, sino que las empresas deberían justificar su complejidad antes de incorporarlos. Anthropic también publicó un kit de migración en GitHub para ayudar a los equipos a identificar sus patrones actuales, comparar alternativas y verificar qué arquitectura funciona mejor para cada caso.
Menos agentes, más contexto compartido

Un agente de IA es un sistema que recibe una tarea, decide qué acciones realizar y puede usar herramientas para avanzar hacia un objetivo. En una arquitectura multiagente, varias instancias o componentes especializados se reparten el trabajo y se comunican entre sí; la propuesta de Anthropic, en cambio, pone más tareas en manos de un agente principal que conserva el hilo de la operación.

La empresa sostiene que los modelos recientes pueden seguir planes complejos dentro de un solo ciclo de ejecución, sin necesitar siempre una estructura extensa de especialistas y coordinadores. En su análisis menciona a Opus 4.5 como punto de partida de esa capacidad, y también nombra Opus 5.5 y Fable 5.1 al describir modelos capaces de manejar tareas de mayor complejidad por sí mismos.

La diferencia importa porque cada traspaso entre agentes puede exigir que el sistema vuelva a resumir o transmitir información relevante. En un flujo de desarrollo de software citado en la publicación, agentes distintos se encargaban de escribir funcionalidades, preparar pruebas y revisar el código; al cambiar de manos la tarea, parte del contexto podía perderse y el siguiente agente debía reconstruirlo.

En la alternativa de un solo agente, el mismo sistema que escribe la funcionalidad también prepara las pruebas porque ya tiene presente el contexto de trabajo. Un verificador separado puede limitarse a ejecutar las pruebas y comunicar los resultados, en lugar de recibir y reinterpretar todo el encargo desde el inicio.

El costo de repartir el trabajo

La recomendación se basa, según la compañía, en la experiencia del equipo de Applied AI en varios despliegues empresariales. Allí observaron que un agente principal con acceso a skills, o capacidades específicas que se cargan cuando hacen falta, podía superar tanto a los prompts monolíticos como a las configuraciones con numerosos subagentes en calidad.

Uno de los ejemplos descritos involucraba a una empresa que incorporó una docena de subagentes especializados en su agente de atención al cliente. Esa fragmentación dificultaba mantener una voz de marca coherente y afectaba la usabilidad, mientras la cantidad de interacciones entre componentes contribuía a una latencia más alta.

En una comparación de arquitecturas, el sistema de un solo agente se ejecutó aproximadamente el doble de rápido que el diseño multiagente. El dato no equivale a una garantía de que cualquier agente individual vaya a superar siempre a un conjunto de especialistas, pero sí respalda la recomendación de medir el desempeño antes de asumir que repartir tareas acelera el proceso.

También hay una dimensión económica: cada agente añadido puede requerir procesamiento, instrucciones y comunicaciones adicionales, por lo que la complejidad puede traducirse en un gasto creciente. El material no ofrece una cifra universal de ahorro, así que la conclusión práctica no es que consolidar siempre reduzca la factura, sino que cada equipo debe comprobar el efecto en su propio sistema.

Orquestadores, prompts y equipos que se duplican

Muchos diseños de agentes comienzan con un detector de intención, un flujo de procesamiento fijo, segmentos de usuarios, ramas de recomendación y un orquestador que decide qué componente debe actuar. La crítica de Anthropic es que parte de esa estructura puede repetir decisiones que un modelo suficientemente capaz ya puede resolver para la tarea concreta.

La empresa llama a esta tendencia la “Ley de Conway” para agentes: la arquitectura acaba reflejando el organigrama de quienes la construyen. Si cada equipo crea su propio subagente, pueden acumularse componentes que se solapan y que no siguen estándares compartidos, haciendo más difícil saber qué sistema debe atender una solicitud o quién debe mantenerlo.

El resultado puede ser lo que Anthropic denomina un “Frankenprompt”: un mensaje de sistema al que distintos equipos agregan reglas hasta que algunas terminan contradiciéndose. Como alternativa, la empresa plantea partir de un prompt de sistema más limpio, unas pocas herramientas de datos ágiles y límites de salida definidos, y añadir capacidades solo cuando la necesidad esté clara.

La publicación también señala que Claude Code redujo su prompt de sistema en más de 80% para los modelos más recientes, en parte porque las skills y las herramientas pueden cargarse solo cuando hacen falta. Además, modelos capaces de comentar su progreso y comprobar su propio trabajo podrían reducir la necesidad de algunas capas adicionales de control, aunque eso no elimina la necesidad de verificar sus resultados.

Dónde siguen teniendo sentido los subagentes

La recomendación no es fusionar componentes de manera automática. La propia compañía considera que los subagentes pueden ser adecuados cuando las pruebas muestran una caída medible del rendimiento porque el agente principal se queda sin contexto útil, o cuando distintas tareas deben ejecutarse en paralelo con ventanas de contexto separadas.

También pueden tener una función si un agente individual tiene dificultades para elegir entre las herramientas disponibles. Separar responsabilidades podría ayudar en ese escenario, siempre que el beneficio se demuestre y que el costo de coordinar agentes no anule la mejora buscada.

La cautela se ilustra con una prueba de un agente de soporte en la que integrar un subagente redujo la latencia, pero rompió un proceso que antes funcionaba. El agente principal empezó a responder por su cuenta en vez de consultar al especialista adecuado, un ejemplo de cómo una arquitectura aparentemente más simple puede alterar una conducta necesaria si se cambia sin validar las rutas de decisión.

Para reducir ese riesgo, el kit de migración publicado en GitHub propone identificar los patrones existentes, evaluar alternativas y verificar cuál funciona mejor. El orden importa: primero se mapea el comportamiento actual y luego se compara con una opción consolidada, en lugar de eliminar componentes sin comprobar las consecuencias para las tareas que dependen de ellos.
Herramientas y conocimientos bajo demanda

En lugar de asignar un agente independiente a cada equipo, la empresa recomienda empaquetar flujos de trabajo en skills y cargar herramientas a demanda mediante mecanismos de búsqueda. Un grupo central pequeño podría cuidar el prompt de sistema y la calidad general, mientras responsables designados por cada equipo mantienen las bibliotecas de capacidades.

La guía advierte que la selección de herramientas del modelo tiende a degradarse cuando las definiciones disponibles superan entre 30 y 50. Por eso, una biblioteca que crece sin control puede hacer más difícil escoger la herramienta correcta; el consejo no es acumular opciones, sino mantenerlas organizadas y limitar las que el agente ve en cada momento.

Para materiales de referencia como directrices, especificaciones de producto o definiciones de métricas, Anthropic propone una base de conocimiento que el agente consulte mediante una herramienta de búsqueda cuando la información sea pertinente. Esos documentos también pueden incorporarse como archivos de referencia dentro de una skill, evitando cargar todo el material en cada interacción.

La compañía desaconseja obtener contexto mediante código para inyectarlo directamente en los prompts. En conjunto, estas recomendaciones apuntan a que el sistema recupere solo la información necesaria, en vez de cargar de antemano documentos, herramientas y reglas que quizá no tengan relación con la solicitud del usuario.

Una tendencia que todavía exige pruebas

La tesis de que más agentes no garantizan más calidad coincide con resultados de un estudio de Vals mencionado en la publicación. Ese trabajo encontró que los equipos de agentes podían ser más rápidos que los agentes individuales, pero no ofrecían necesariamente una mejora de calidad; ampliar el grupo de 10 a 30 o 100 agentes tampoco produjo ganancias de calidad y sí elevó significativamente los costos.

Eric Provencher, desarrollador de OpenAI, también ha cuestionado el valor de los enjambres de agentes y los ha calificado de “casi con seguridad” un desperdicio de dinero. Esa opinión y el estudio de Vals refuerzan el debate sobre la relación entre coordinación, velocidad y calidad, pero no eliminan la posibilidad de que un sistema distribuido resulte apropiado para tareas que realmente exigen paralelismo.

La decisión de diseño, por tanto, depende de resultados observables y no de la cantidad de agentes que una arquitectura pueda desplegar. Las empresas pueden comparar latencia, calidad, costos y continuidad del contexto en sus propios flujos, además de verificar si un agente consolidado conserva las consultas a especialistas que son necesarias para atender cada caso.

La propuesta de Anthropic no es una fórmula universal, sino una invitación a revisar sistemas que crecieron por la suma de componentes y reglas. Consolidar puede simplificar la experiencia y reducir traspasos, mientras que mantener subagentes puede ser sensato cuando el paralelismo, los límites de contexto o la selección de herramientas justifican su presencia.

Fuente: DiarioBitcoin Leer noticia completa

Postear comentario

Artículo Anterior Artículo Siguiente