Un estudio de NTT Research y Harvard CBS sugiere que ampliar indefinidamente un equipo de agentes de IA puede provocar polarización, problemas de comunicación y peores decisiones.
***

• El rendimiento del Flag Game mejoró hasta alcanzar un punto óptimo de 16 agentes.
• Con grupos más grandes, los agentes comenzaron a dividirse en campos opuestos y a validar sus posiciones colectivas.
• Los investigadores recomiendan priorizar la calidad de los agentes y la comunicación sobre el tamaño del sistema.

Demasiados agentes de IA pueden interferir entre sí

El límite de los equipos multiagente

Las empresas tecnológicas han presentado los sistemas multiagente como una vía para ampliar las capacidades de la inteligencia artificial. La idea consiste en distribuir tareas entre varios agentes autónomos que colaboran, intercambian información y participan en una decisión común.

OpenAI utilizó en 2024 el término “swarm”, o enjambre, para describir una arquitectura de múltiples agentes. Posteriormente, la compañía adoptó una denominación más neutral, OpenAI Agents SDK, mientras Anthropic puso el foco en la orquestación multiagente.

Ambos enfoques sugieren que operar más agentes podría elevar la productividad empresarial. Sin embargo, una investigación de NTT Research y del Centro de Ciencias del Cerebro de la Universidad de Harvard plantea que el crecimiento del grupo tiene un límite.

Elizabeth Pavlova, científica de datos senior en Harvard CBS, y Hidenori Tanaka, jefe del Laboratorio de Física de Inteligencia Artificial de NTT Research y profesor asociado en Harvard CBS, estudiaron cómo interactúan los agentes cuando deben alcanzar una conclusión colectiva.

Según sus resultados, añadir agentes no garantiza una mejora constante. Después de cierto punto, la comunicación se vuelve más difícil, aparecen grupos internos y el sistema puede perder eficiencia en lugar de ganar capacidad.

El experimento de la bandera

Los investigadores utilizaron un ejercicio denominado Flag Game, o Juego de la bandera, para medir la tensión entre la evidencia privada de cada agente y la información social que recibe del resto del grupo.

El objetivo consiste en identificar una bandera nacional. Cada agente observa únicamente una vista fraccionaria de esa bandera, por lo que debe formular una hipótesis sobre la imagen completa a partir de la evidencia limitada que tiene disponible.

Después, los agentes pueden comunicarse de distintas maneras. Pueden pasar su suposición a un oyente, difundirla entre otros agentes o interactuar con un sistema gestor que reúne las respuestas y devuelve una opinión sobre la naturaleza de la bandera.

El diseño busca representar un problema habitual de los sistemas distribuidos. Para trabajar juntos, sus componentes necesitan mecanismos de comunicación y consenso que permitan combinar observaciones parciales sin perder información relevante.

El juego concluye cuando al menos el 85% de los agentes coincide durante tres rondas consecutivas sobre la bandera que cree identificar. También puede terminar cuando se alcanza el número máximo de pasos permitidos para el análisis.

Por qué más agentes pueden perjudicar

La investigación encontró que aumentar la población de agentes mejora el desempeño durante una primera etapa. Con pocos participantes, el sistema no reúne suficiente evidencia para construir una decisión consensuada con la solidez necesaria.

El punto óptimo observado fue de 16 agentes, al menos dentro de las condiciones del Flag Game. Esa cifra permitió reunir información suficiente sin provocar el nivel de fragmentación que apareció en grupos de mayor tamaño.

Cuando la población creció más allá de ese punto, los agentes comenzaron a polarizarse. En lugar de acercarse gradualmente a una conclusión compartida, formaron campos opuestos que reforzaban sus respectivas interpretaciones.

La dinámica recuerda los problemas que pueden surgir en equipos humanos demasiado grandes. Un grupo numeroso puede acumular más conocimientos, pero también puede generar más conversaciones, posiciones enfrentadas y dificultades para distinguir la evidencia sólida de la repetición colectiva.

“Nuestra investigación muestra que simplemente agregar más agentes de IA no necesariamente mejora el rendimiento, así como contratar más personas no hace automáticamente a una empresa más efectiva”, dijo Tanaka en una declaración. Añadió que la comunicación puede complicarse y que los grupos pueden dividirse en campos competidores.

Implicaciones para las empresas

El hallazgo tiene relevancia para las compañías que diseñan flujos de trabajo con agentes autónomos. Aumentar el número de sistemas conectados puede elevar el consumo de recursos y la complejidad operativa sin producir decisiones proporcionalmente mejores.

En un entorno empresarial, cada agente podría asumir una función distinta, como analizar datos, revisar documentos, proponer estrategias o verificar resultados. No obstante, la coordinación entre esas funciones exige reglas claras para intercambiar información y resolver desacuerdos.

El estudio no afirma que 16 agentes representen una cifra universal para todas las aplicaciones. Ese número corresponde al desempeño observado en el Flag Game, por lo que otras tareas podrían requerir arquitecturas, tamaños de grupo y mecanismos de consenso diferentes.

La principal advertencia se dirige a los líderes que confunden escala con eficacia. Un sistema más grande puede parecer más poderoso, pero su rendimiento dependerá de la calidad de cada agente, de la información que reciba y de la forma en que el grupo gestione sus diferencias.

Pavlova y Tanaka presentarán su documento en el taller AI4GOOD de la conferencia ICML 2026. Su conclusión para las empresas es directa: al desplegar agentes de IA, conviene priorizar la calidad sobre la cantidad y vigilar si la expansión del sistema empieza a generar fricciones.

Una advertencia sobre el consenso artificial

El Flag Game también muestra que el consenso no siempre equivale a una respuesta correcta. Un grupo puede alcanzar una amplia coincidencia porque sus integrantes comparten evidencia útil, pero también puede hacerlo porque una facción logra validar internamente una hipótesis débil.

Este riesgo aumenta cuando los agentes difunden sus suposiciones entre muchos participantes. La información repetida puede adquirir una apariencia de confirmación, aunque originalmente proceda de una observación incompleta o de un razonamiento equivocado.

Los resultados resaltan la importancia de conservar la independencia de ciertas evaluaciones. Si todos los agentes reciben las mismas señales y siguen las mismas opiniones dominantes, el sistema puede perder diversidad de análisis justo cuando más necesita detectar errores.

Para los usuarios empresariales, la lección no es abandonar la colaboración multiagente. El desafío consiste en construir grupos que compartan evidencia de manera ordenada, mantengan mecanismos para cuestionar las conclusiones y eviten que el volumen de participantes bloquee la coordinación.

La expansión de la IA empresarial continuará impulsando debates sobre costos, supervisión y productividad. La investigación de NTT Research y Harvard CBS agrega una consideración fundamental: antes de añadir más agentes, las empresas deben comprobar si el sistema todavía puede escucharlos y tomar una decisión coherente.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín