250 subagentes contra 4 hilos: por qué la arquitectura de orquestación importa más que el nombre rimbombante del modelo

• La brecha en OSWorld 2.0: 70,2% de puntos de control superados frente a 34,7% de tareas completamente resueltas
• Paralelismo de orquestación: 250 subagentes simultáneos y 5 niveles de anidamiento en Claude Code frente a 4 hilos en Codex
• Gasto por una sola tarea de migración en Codex: 4,7 mil millones de tokens en una semana (de 12,7 mil millones acumulados en año y medio)
• Duración de la prueba de estrés: más de 12 días de ejecución continua frente a 1 jornada laboral con un enjambre de agentes

Cada nueva ola de lanzamientos de los grandes laboratorios viene acompañada de la misma hipnosis visual. Con la salida de GPT-6 Astra, las redes sociales se llenaron de vídeos espectaculares: el modelo gira escenas en 3D en Blender, hace el desplegado de texturas, ensambla una pieza de ingeniería con exportación a STEP y supera el nivel 44 de un captcha humorístico, venciendo a un motor de ajedrez. Los responsables de marketing hicieron un trabajo impecable: la gente piensa con los ojos, y una imagen impactante genera de inmediato la leyenda de que ha llegado la superinteligencia.

Pero si se revisa el código fuente de la demostración de ingeniería más comentada, con los planos técnicos, aparece un detalle que quienes la reposteáron suelen olvidar: se trata de un conjunto de habilidades de código abierto de terceros, `text-to-cad`, escrito por un desarrollador independiente. Exactamente de la misma manera, mi propio Claude Code, con una habilidad especializada, maneja AutoCAD y Blender sin ninguna magia interna en los pesos del modelo.

¿Por qué el 72,6% de la tabla promocional de OSWorld 2.0 no significa

un 72% de trabajo realmente hecho?

El segundo truco está en cómo los proveedores presentan las cifras de los benchmarks de uso de ordenador. Sin duda, el reconocimiento visual de interfaces ha avanzado: en ScreenSpot-Pro el resultado llegó al 92,7%. Sin embargo, la cifra del 72,6% en OSWorld 2.0, que todos los blogs tecnológicos reprodujeron, aparece marcada en una nota a pie de la propia tabla como `partial score`.

Si se abre el leaderboard independiente oficial de OSWorld 2.0, siempre hay dos columnas: el porcentaje de puntos de control intermedios superados dentro del escenario y el porcentaje de tareas llevadas hasta el resultado final. En las ejecuciones verificadas de Claude Opus 5 se ve claramente cómo funciona esta proporción: el modelo supera el 70,2% de los puntos de control, pero solo cierra completamente el 34,7% de las tareas. La diferencia es exactamente del doble. Entre «pulsé dos botones correctos de tres» y «entregué el proyecto terminado al cliente» hay un abismo que ninguna vista previa vistosa logra saltar.

¿Qué demostró la prueba de estrés de 12 días al migrar 369 habilidades

y 40 agentes?

Para poner a prueba los modelos más allá de ejemplos de juguete, les asigno trabajo de infraestructura real. La tarea era muy concreta: realizar una migración completa y sin fisuras de mi entorno de trabajo (369 habilidades, 40 agentes, enrutamiento, scripts y memoria multicapa) desde el formato de Claude Code hacia un entorno aislado de Codex.

Comencé este experimento todavía con GPT-5.6 Sol, y tras el lanzamiento cambié el trabajo a GPT-6 Astra. Después de doce días de ejecución ininterrumpida y 4,7 mil millones de tokens consumidos en una sola semana, la tarea seguía sin cerrarse. A modo de comparación: un volumen de refactorización equivalente en mi entorno habitual se completa en una jornada laboral.

Cuando revisé la documentación y las limitaciones binarias de ambas herramientas, la causa quedó clara:

• En Claude Code, la variable `CLAUDE_CODE_MAX_CONCURRENT_SUBAGENTS` acepta cualquier número entero; en mi entorno de producción tengo configurados 250 subagentes paralelos y hasta 5 niveles de jerarquía.
• En Codex, el parámetro `max_threads` está fijado en 4 hilos abiertos, y además un worker ya terminado sigue ocupando su espacio hasta que el orquestador llama explícitamente a `close_agent`.
• En lugar de pipelines declarativos de múltiples oleadas, hay que invocar manualmente, uno por uno, los primitivos `spawn_agent` y `wait_agent`.

¿Por qué una semana de trabajo autónomo de un agente es síntoma de un

cuello de botella y no motivo de orgullo?

Hoy está de moda admirar que un agente pueda trabajar de forma autónoma durante una semana entera en una tarea. En la práctica, esto significa una sola cosa: el sistema no cuenta con un bus de orquestación adecuado para dividir la tarea entre cincuenta manos independientes y reunir el resultado en dos horas, verificando cada pieza. Incluso el modelo más rápido, atrapado en una cola de cuatro hilos, perderá frente a un enjambre bien diseñado.

Publico análisis detallados de la arquitectura de sistemas multiagente y pruebas honestas de modelos sin relleno de marketing en el canal [@jemal_hamidun](https://t.me/jemal_hamidun). Un orquestador completo sin límites artificiales de hilos lo desarrollamos en el producto [Nomad AI](https://nomadnet.ai). Se puede aprender a construir oleadas de subagentes de forma práctica en [Hamidun Academy](https://academy.hamidun.com) con una prueba gratuita de 72 horas, y conseguir configuraciones de enjambres listas y más de 370 habilidades en [Vibe Club](https://hamidun.com/club).