SLIC y Semantic Shapley Value: cómo medir la aportación de los agentes en sistemas LLM, con un 93% menos de cálculo

En julio de 2026 apareció en arXiv un preprint que describe SLIC, un algoritmo que estima la aportación de cada agente en un sistema LLM multiagente en una sola pasada y reduce el coste computacional un 93,3% frente al método de referencia, Monte Carlo Shapley.

Por qué es tan difícil calcular la aportación de los agentes

Los métodos clásicos de atribución obligan a reiniciar el sistema una y otra vez: se eliminan agentes concretos y se compara cómo cambia el resultado final. En los workflows de lenguaje, cada una de esas ejecuciones implica nuevas llamadas al modelo. El cálculo exacto de la aportación según Shapley exige recorrer los 2^n subconjuntos de agentes, lo que genera estimaciones de alta varianza y se vuelve inviable en cuanto crece el número de agentes.

Los autores señalan un segundo problema: los métodos contrafactuales no ven los estados semánticos intermedios, es decir, cómo los agentes generan, conservan y transforman la información relevante para la tarea a lo largo del intercambio de mensajes. Solo se evalúan la entrada y la salida del sistema, no la lógica con la que se transmite el significado entre roles.

Cómo funciona Semantic Shapley Value

SLIC construye un hipergrafo semántico a partir del flujo de lenguaje realmente ejecutado y calcula el Semantic Shapley Value (SSV) sin reiniciar subconjuntos de agentes. El algoritmo reconstruye los supports semánticos mínimos, aplica absorción booleana y reparte la aportación según la lógica de soporte semántico en una sola trayectoria de ejecución; de ahí el término «single-trajectory» en la descripción del método.

Los autores demuestran que el SSV se reduce al valor de Shapley clásico bajo condiciones estándar: representación múltiple, observabilidad completa e independencia del orden. Es decir, el nuevo método no es una heurística, sino una generalización correcta de la teoría clásica de juegos cooperativos a procesos de lenguaje, donde importan el orden de los pasos y el significado intermedio.

• Método: Semantic Cooperative Games (SCG) + Semantic Shapley Value (SSV)
• Algoritmo: SLIC, cálculo en una sola pasada, sin reinicios contrafactuales
• Ahorro: −93,3% de coste computacional en el benchmark médico
• Coherencia: resultados cercanos a los del método de referencia Monte Carlo Shapley
• Publicación: preprint arXiv:2607.18255, julio de 2026

Qué mostraron las pruebas

En un benchmark médico que cumple las condiciones del teorema, SLIC redujo el coste computacional un 93,3% y se mantuvo muy coherente con el método de referencia Monte Carlo Shapley. Es el resultado clave del trabajo: prácticamente las mismas estimaciones de aportación, pero con un coste de cálculo casi 15 veces menor.

En workflows multirol más generales, el valor SSV coincide con los perfiles de caída de la puntuación ante perturbaciones y revela casos en los que la aportación semántica de un agente y su influencia en un fallo no coinciden. Dicho de otro modo, un agente puede aportar mucho significado sin ser el punto de fallo, y viceversa.

«SLIC es un método de atribución rápido, que no requiere ejecuciones

contrafactuales y es interpretable, para sistemas LLM multiagente complejos», se afirma en el resumen del trabajo en arXiv.

Qué significa

A medida que los productos se construyen con varios agentes LLM que interactúan entre sí, la pregunta de quién aportó valor y quién estropeó el resultado pasa a ser un problema de ingeniería, no filosófico. SLIC ofrece una forma de responderla a bajo coste y sin caja negra, lo que importa para depurar, optimizar y evaluar de manera justa a los agentes en sistemas multiagente.

Preguntas frecuentes

¿Qué es la atribución de aportación en sistemas LLM multiagente?

Es la estimación de cuál de los varios agentes influyó en el resultado final y en qué medida, cuando la respuesta surge a través de una cadena de mensajes y dependencias del workflow. SLIC aborda esta tarea mediante un hipergrafo semántico y el Semantic Shapley Value, en lugar de costosas ejecuciones contrafactuales.

¿Cuánto más rápido es SLIC que los métodos anteriores?

En el benchmark médico, SLIC redujo el coste computacional un 93,3% respecto a Monte Carlo Shapley, con resultados cercanos a los de ese método y sin reiniciar subconjuntos de agentes.