128 agentes de IA sin jefe pasaron un 49% más de pruebas que uno solo

Investigadores de Microsoft Research probaron qué ocurre si se encarga una misma tarea a un gran grupo de agentes de IA sin nombrar a un responsable. En el preprint Agensh, hasta 1024 copias de un mismo modelo de lenguaje pasaron seis horas seguidas reproduciendo el comportamiento de programas ya hechos. No había gerente, líder técnico ni reparto de subtareas: la instrucción decía solo «todos son iguales, cada uno decide por sí mismo».

El resultado se midió con el benchmark ProgramBench: al agente se le da un ejecutable que funciona y su documentación; no puede mirar el código fuente ni desensamblar, y no hay internet. Debe escribir desde cero código con el mismo comportamiento, y unas pruebas ocultas comprueban cuántos casos reproduce. Un agente solo pasó de media, en cinco tareas difíciles, el 19,31% de las pruebas; un enjambre de 128, el 28,78%.

El aumento es de 9,47 puntos porcentuales, o alrededor de un 49% en términos relativos.

Por qué se eliminó al agente principal

Un agente solo está limitado a una ventana de contexto, una memoria y un hilo de acciones. Tarda mucho en resolver una tarea grande. La solución habitual es la jerarquía: un agente principal descompone la tarea y reparte los fragmentos entre ejecutores. Así funcionan los subagentes de Codex y Claude Code, Copilot fleet y Kimi Agent Swarm. Pero cuantos más ejecutores hay, más tiempo dedica el principal a planificar, coordinar y fusionar el trabajo ajeno, hasta convertirse él mismo en un cuello de botella.

En el sistema de investigación de Anthropic, el agente líder lanza subagentes de forma síncrona y espera a cada grupo. Coordinar así es más sencillo, pero los subagentes no pueden negociar entre sí y todo el sistema se detiene mientras uno termina su búsqueda. Agensh suprime el centro por completo.

La experiencia con enjambres de agentes iguales es todavía modesta. En agosto, el Frontier Red Team de Anthropic puso de 10 a 80 agentes durante 12 horas a crear un juego. Los modelos tempranos fusionaban mal los cambios; los posteriores evitaban los conflictos trabajando por separado.

Los roles y un «director» designado en los prompts apenas cambiaron nada. En cambio, en febrero de 2026 Nicholas Carlini puso a 16 agentes Claude a escribir en Rust un compilador de C, con un repositorio git común y bloqueos de texto. En dos semanas y con unos 20 000 dólares salió un compilador de 100 mil líneas capaz de compilar Linux 6.

9. Agensh toma el tablón de notas del trabajo de Stanford DeLM y añade por su cuenta la mensajería.

Un ciclo de cinco pasos y un tablón de notas breves

Todos los agentes trabajan a la vez y repiten el mismo ciclo, descrito con palabras en el prompt y no programado en el código:

• reunir contexto: el objetivo, el estado del repositorio, los mensajes y los hallazgos de los compañeros; • tomar una tarea: anunciar con una nota CLAIM en qué se va a trabajar, para que los demás elijan otra cosa; • ejecutar: escribir código y compartir lo útil sobre la marcha; • verificar: contrastar el resultado con los criterios de aceptación y rehacerlo si no coincide; • integrar: fusionar los cambios en la rama común y describir qué cambió, por qué y con qué se ha comprobado.

El prompt es idéntico para todos; solo cambia el número del agente. Funcionan tres servicios compartidos: un repositorio en Gitea, un canal común y mensajes privados en Mattermost (un mensaje privado llega incluso en mitad del turno del agente) y el tablón de contexto. El tablón tiene cinco tipos de nota: OBSERVED, un comportamiento observado; FACT, un hecho confirmado; FAIL, una hipótesis refutada; CLAIM, la reclamación de una tarea; y PATCH_SUMMARY, la descripción de un cambio terminado. Las notas están limitadas a 100 caracteres (PATCH_SUMMARY, a 300) y los detalles van en un campo aparte. El prompt define FAIL como la nota más valiosa: evita que los demás gasten presupuesto en un callejón sin salida.

De las 200 tareas de ProgramBench se escogieron las cinco más difíciles: procesamiento de vídeo y audio (FFmpeg), modelado molecular (gromacs), conversor de documentos (pandoc), intérprete de lenguaje (PHP) e indexador de código (ctags). En todas se usó GPT-5.6-sol con nivel alto de razonamiento, combinado con Copilot. El grupo de 1024 agentes se repartió en 16 servidores de 64 y se activó de forma gradual: uno cada 30 segundos durante la primera hora y, después, uno cada tres segundos.

Roles que nadie asignó, y salvedades

Porcentaje medio de pruebas superadas: 19,31% con un agente, 20,68% con ocho, 26,52% con 32 y 28,78% con 128. La mejora es desigual: de uno a ocho agentes, +1,37 puntos; de ocho a 32, +5,84; de 32 a 128, +2,26. En pandoc, 128 agentes superaron el 30% de las pruebas en el minuto 30, 32 agentes en la primera hora y ocho en hora y media. El agente solitario no alcanzó el umbral en dos horas. Se lanzaron mil agentes solo en pandoc: 33,89% con uno, 50,94% con 128 y 55,06% con 1024.

El comportamiento del enjambre cambió con su tamaño, con el mismo prompt:

• ocho agentes acuerdan la interfaz de un módulo y escriben las partes en paralelo; en FFmpeg, tras una conversación, un agente cambió de tarea para no duplicar la de otro; • unos 30 agentes empiezan a revisarse entre sí: en PHP se aprobó un cambio, después otro agente encontró un contraejemplo, se retiró la aprobación, el autor corrigió el error y el cambio se integró al segundo intento; • con 128 aparece la especialización: los agentes eligen revisores según su experiencia, y en pandoc dos inventaron un protocolo con el hash del commit que otros adoptaron; • con mil surgen los integradores: el autor de un cambio envía la solicitud a varios candidatos, se queda con el primero que responde y cancela las demás solicitudes.

Los roles son intercambiables, por lo que la salida de un agente no detiene el trabajo.

Las salvedades son numerosas. No se indica el coste de las ejecuciones, y el paso de 128 a 1024 agentes en pandoc aportó solo +4,12 puntos tras los +17,05 de los primeros 128. Los mil agentes se probaron en una sola tarea de las cinco. Se desconoce con qué frecuencia los agentes colaboraron realmente: los ejemplos proceden de registros del trabajo. Y lo principal: el enjambre se comparó con un agente solitario, no con un enjambre dirigido por un agente principal, así que la tesis de que «sin centro es mejor» no está demostrada.

Conclusión práctica: este esquema encaja donde hay un juez externo. En ProgramBench es el programa de referencia y las pruebas ocultas; en el compilador de Carlini, las pruebas y el GCC de referencia. En el experimento de Anthropic con el juego no había juez, y el enjambre no lo logró. La infraestructura necesaria es poca: Git, un chat y un tablón de notas. Los datos no bastan para una adopción, pero sí para un experimento con una tarea pequeña que ya tenga pruebas.