Los equipos de agentes de IA gastan hasta 5,1x más tokens a cambio de una mejora casi imperceptible

Los equipos de agentes de IA apenas superan a los individuales, pero cuestan hasta 5,1 veces más. Es la conclusión de Vals AI. Los investigadores ejecutaron varios escenarios con dos modelos de gama alta, GPT-6 Sol y Claude Opus 5.5, y solo observaron una ventaja medible del trabajo en equipo en una de las cuatro pruebas. Las otras tres arrojaron una diferencia difícil de distinguir del ruido. Los datos de Anthropic dibujan el mismo cuadro: a partir de diez agentes, la calidad se estanca, mientras los tokens se siguen quemando.

Qué mostraron las pruebas

La idea de los sistemas multiagente parece lógica. A un solo agente le cuesta manejar una tarea grande, así que se reparte entre especialistas: uno planifica, otros ejecutan y un tercero verifica. Cada uno trabaja en su propio contexto y, en teoría, se equivoca menos.

Vals AI comparó estos equipos con agentes individuales en las mismas tareas. Pagar por el trabajo en equipo tiene un coste notable: el gasto aumentó hasta 5,1 veces. Frente a eso, la mejora de calidad es modesta. Se registró en un escenario de cuatro, y el resultado se obtuvo con ambos modelos, GPT-6 Sol y Claude Opus 5.5, de modo que la debilidad del enfoque no puede atribuirse a las carencias de uno de ellos.

Por el resumen disponible no queda claro qué tareas componían el conjunto de pruebas ni cómo estaba diseñada la orquestación. Por eso conviene leer las cifras como una señal, no como una sentencia contra todas las arquitecturas.

La meseta a partir de diez agentes

Anthropic aporta un argumento aparte. Los datos propios de la compañía indican que, cuando el equipo supera los diez agentes, la calidad deja de crecer mientras el coste en tokens sigue subiendo. La curva de rendimiento se aplana; la de gasto, no.

La causa probable está en los costes de coordinación. Los agentes tienen que pasarse contexto, conciliar resultados y revisar el trabajo de los demás. Cada uno de esos pasos consume tokens y casi no aporta información nueva al sistema. Es una interpretación mía: los datos originales no explican el mecanismo, pero ayuda a entender por qué añadir participantes deja de compensar.

Cifras clave del estudio:

• investigador: Vals AI;
• modelos en las pruebas: GPT-6 Sol y Claude Opus 5.5;
• encarecimiento del enfoque en equipo: hasta 5,1x respecto a un agente individual;
• mejora medible de calidad: 1 prueba de 4;
• umbral según los datos de Anthropic: con más de 10 agentes, la calidad llega a una meseta;
• pasado ese umbral, el consumo de tokens sigue creciendo.

Cómo evaluar la arquitectura multiagente en tu producto

Para los equipos que desarrollan sistemas con agentes, la conclusión es práctica: un enjambre de agentes no debe ser la arquitectura por defecto. La línea base debe ser siempre un único agente. Si un agente con un buen prompt y buenas herramientas resuelve la tarea, solo hay que añadir un segundo cuando se haya demostrado una ventaja.

Qué conviene hacer:

1. Medir no la calidad media, sino el coste por tarea resuelta. Una mejora de precisión de un par de puntos porcentuales con una factura cinco veces mayor casi siempre sale perdiendo.

2. Comparar el equipo con el agente individual sobre tus propios datos. Los resultados de un benchmark ajeno se trasladan mal, y en el estudio de Vals AI la ventaja solo apareció en un escenario de cuatro.

3. Limitar el tamaño del equipo. Si el número de agentes crece, hay que vigilar dónde termina la mejora.

Según Anthropic, el límite ronda los diez. 4. Fijar un presupuesto de tokens por ejecución e interrumpirla si se supera.

Los sistemas en equipo encarecen los errores: un enjambre atrapado en un bucle gasta dinero más rápido que un agente solo.

Los esquemas multiagente siguen teniendo sentido en tareas donde el paralelismo ahorra tiempo de verdad o donde se necesitan contextos aislados. Pero ahora habrá que demostrar su utilidad con cifras, no con un bonito diagrama de orquestación.