TriAgent: un comité de modelos pequeños en lugar de un LLM caro ahorra 9,3 millones de dólares al año

Un grupo de investigadores publicó en julio de 2026 en arXiv un trabajo sobre TriAgent, un sistema multiagente de análisis de sentimiento financiero que, a una escala de 10 millones de usuarios, ahorra $9,3 millones al año frente a la solución base con GPT-4o-mini.

Cómo funciona el comité TriAgent

TriAgent reparte las consultas entre tres niveles de «visión» del texto, cada uno más caro que el anterior. Los niveles baratos resuelven la mayoría de los casos sencillos, y el LLM caro solo se activa en los dudosos. La idea parte de una trampa estructural de costes: la mayoría de las consultas se clasifican de forma trivial, pero el reasoner en la nube las procesa todas, y la factura crece de forma lineal con el número de usuarios.

• Diccionario VADER: análisis a nivel de palabra
• Transformer FinBERT: análisis a nivel de oración
• Qwen2.5 (de 0.5B a 14B, en 4 bits) como reasoner sobre varias oraciones, con verificaciones cruzadas de Mistral-7B y Phi-3.5-mini
• El índice de divergencia semántica (SDI) mide cuánto discrepan los niveles entre sí y decide a quién se asigna la consulta
• Ahorro: $9,3 millones al año con 10 millones de usuarios frente a GPT-4o-mini

«La mayoría de las consultas se clasifican de forma trivial, pero los

reasoners caros en la nube las procesan todas», se lee en el resumen del trabajo en arXiv.

Qué es el critic plateau

La principal conclusión del trabajo es el «plateau del crítico»: cuando se reasigna un LLM al papel de crítico sobre las salidas de agentes más pequeños, la métrica F1 se estanca en torno a 0.87 para los modelos Qwen de 1.5B a 7B (los intervalos de confianza se solapan). A modo de comparación, la votación de tres «personas» del mismo tamaño solo alcanza F1=0.66.

Según los autores, la diferencia se explica por la diversidad que aporta la distinta granularidad del análisis: los tres niveles «ven» el texto de forma distinta, y eso resulta más útil que tres modelos idénticos con roles diferentes.

Tres resultados secundarios del SDI

De la misma señal SDI, los autores extraen tres consecuencias. Un diccionario de consenso compartido sobre sentence-BERT multilingüe responde al 95% de las consultas en chino a partir de la caché en inglés con F1=0.99; es decir, transfiere el etiquetado entre idiomas casi sin costes adicionales.

El SDI funciona también como detector de alucinaciones del LLM a posteriori, con AUC=0.90. Y en un backtest con 20 tickers, la estrategia basada en SDI obtuvo la mejor rentabilidad ajustada al riesgo: Sharpe 3.50, frente a 1.36 de la estrategia «siempre FinBERT» y 0.11 de «siempre LLM».

Qué significa

TriAgent ofrece una receta práctica: no pasar cada consulta por el modelo caro, sino enrutarla según su complejidad. Para un entorno de producción con millones de usuarios, es la diferencia entre una factura que crece de forma lineal y un ahorro de millones de dólares, sin pérdida de calidad. Los autores han publicado en abierto el código, los diccionarios y el diccionario de consenso.

Preguntas frecuentes

¿Cuánto ahorra TriAgent?

Según los cálculos de los autores, con 10 millones de usuarios el sistema ahorra $9,3 millones al año frente a la línea base con GPT-4o-mini, porque el LLM caro solo se activa en las consultas dudosas.

¿Qué es el índice SDI?

El Semantic Divergence Index (SDI) es una métrica de divergencia por pares entre los tres niveles de análisis (palabra, oración, varias oraciones). Sirve para enrutar las consultas y, además, actúa como detector de alucinaciones del LLM con una precisión de AUC=0.90.

¿Qué modelos utiliza TriAgent?

El diccionario VADER, el transformer FinBERT y el reasoner Qwen2.5 (0.5B–14B en 4 bits), con verificaciones cruzadas de Mistral-7B y Phi-3.5-mini.