64 agentes de IA en lugar de 8 cuestan un 690% más y resuelven una tarea menos
Imagine que hay que corregir un bug en Click. Se puede lanzar un solo agente con autoverificación o montar un equipo con un agente líder y 63 subagentes. Un autor de Habr probó ambos esquemas en 14 correcciones y 30 tareas de AtCoder. Pasar de 8 a 64 agentes encareció cada intento en torno a un 690%, y las dos modelos resolvieron una tarea menos. Para una corrección local con pruebas claras, conviene empezar con un solo agente y revisar su primer borrador.
Procesado por IA desde Habr AI; editado por Hamidun News
Imagine una tarea corriente: hay que corregir un bug en la biblioteca Click y existe una prueba que lo detecta. Los harnesses de agentes actuales ofrecen dos caminos. El primero es lanzar un solo agente que escriba el parche, lo verifique por su cuenta y lo corrija si hace falta.
El segundo es montar un equipo: un agente líder, subagentes, decenas de borradores y revisiones. El segundo camino parece más sólido, pero es muy fácil quemar un millón de tokens extra en borradores y revisiones. El autor de un estudio en Habr comprobó si compensa: cuántos parches adicionales pasan realmente las pruebas y cuánto cuestan.
La respuesta corta: a partir de cierto tamaño de equipo no aparecen más parches válidos, mientras que la factura se multiplica casi por ocho.
Cómo se hizo la medición
Había dos conjuntos de tareas. El primero consistía en 14 correcciones locales en dos bibliotecas de Python: ocho en Click y seis en Packaging. El agente recibía la descripción del error y el código fuente de un área indicada de antemano. Las pruebas objetivo se verificaron de antemano: fallan con el código antiguo y pasan con el parche de referencia, es decir, detectan de verdad el error original. El segundo conjunto eran 30 tareas algorítmicas de AtCoder, tomadas de LiveCodeBench, de tres niveles de dificultad. El ciclo completo de trabajo sobre una funcionalidad, que incluye aclarar requisitos, la revisión humana y el lanzamiento, no formó parte del experimento.
Se eligieron dos modelos económicas: DeepSeek V4.1 Flash y Qwen3.8 Flash, con temperatura 0,8 y el modo de razonamiento desactivado.
Los tamaños de equipo fueron 1, 2, 4, 6, 8, 16, 32 y 64 agentes. El agente individual escribe la solución, la verifica y puede corregirla. En un equipo, cada agente escribe su propia versión y el subagente, además, revisa el borrador de su vecino.
El agente líder recibe todas las revisiones y hasta tres borradores completos, y emite una única respuesta final. En un equipo de ocho hay siete subagentes y el líder; con 64 agentes, las revisiones son 63. Como medida de calidad se tomó la proporción de resultados finales que pasaron las pruebas objetivo.
El coste incluye todas las llamadas, también las fallidas, a tarifa sin descuento por caché.
Dónde se frena el crecimiento
Al principio, el equipo ayudó. DeepSeek resolvió 21 tareas de 30 en AtCoder con un agente y 24 con ocho. En las 10 tareas difíciles pasó de cuatro a seis. Con 16 y 32 agentes se mantuvo en 24, y con 64 bajó a 23. Qwen alcanzó su máximo de 18 de 30 ya trabajando en solitario. Las 10 tareas fáciles las resolvieron ambos modelos en todos los tamaños de equipo.
En AtCoder, pasar de 8 a 64 agentes costó un 691% más con DeepSeek y un 687% más con Qwen, y los dos modelos perdieron una tarea resuelta cada uno. Los intervalos de la diferencia incluyen el cero, así que con una muestra así es difícil distinguir un descenso real de una simple variación aleatoria. En cambio, para el equipo de 64 se encontró, en los cuatro grupos, una composición menor que resolvía lo mismo o más y costaba menos. Con 64 agentes, el corpus completo dio 25 de 44 con DeepSeek y 19 de 44 con Qwen.
En las correcciones el panorama es desigual. En Click #3902, Qwen en solitario no obtuvo el aprobado, pero el equipo de ocho sí lo consiguió, y el modelo subió de dos a tres aprobados de 14. El precio fue un 679% más por intento frente a un solo agente con autoverificación. Con DeepSeek en Packaging #1531, en cambio, el mismo salto hizo desaparecer un aprobado: pasó de dos parches válidos a uno. Los dos parches rechazados pasaban las pruebas básicas, pero las comprobaciones específicas de la corrección detectaron el defecto.
El precio no del intento, sino del parche aprobado
El autor propone no medir el precio de cada ejecución, sino la suma de todos los intentos, fallos incluidos, dividida entre el número de parches que pasan. En las correcciones con Qwen, el equipo de seis agentes obtuvo un aprobado y el de ocho, tres, aunque lanzar ocho costó de media un 36% más. Por eso el precio por aprobado con ocho agentes resultó un 55% inferior al de seis. Pero, de estos tres tamaños, los aprobados más baratos los dio la autoverificación de un agente individual. Con el mismo presupuesto, siete subagentes de Qwen logran en torno a un 19% de los aprobados de un agente individual.
Qué hacer en la práctica
Para una corrección local con criterios de aceptación claros, lance un solo agente y revise su primer borrador con las pruebas objetivo. Un equipo grande se justifica donde el agente individual no puede con la tarea: con DeepSeek, en las tareas difíciles, ocho agentes aportaron una mejora notable. Pero con Qwen, en las tareas algorítmicas difíciles no ayudó ningún equipo: con 8 agentes o más no hubo ningún aprobado en ninguna de las diez.
Las limitaciones importan: dos modelos económicas sin modo de razonamiento, 14 correcciones en dos bibliotecas y muestras pequeñas. Con modelos más potentes, el resultado puede ser distinto. Pero la metodología es fácil de repetir con el propio backlog: fijar las pruebas, probar distintos tamaños de equipo y comparar el precio del aprobado, no el del intento.
- 20 nov 2026Amazon SageMaker lanza el ajuste fino completo de LLM: 90% de soluciones correctas en código
- 20 nov 2026Cloudflare construye un equivalente de Jev en 2 semanas en lugar de 2 años y se define como neolab
- 20 nov 2026Un ingeniero calcula cómo servir 10 millones de tokens/s: 130 TB de caché y 700 nodos con MoE
- 20 nov 2026SingProbe de Ant Group: un guardián de 8,1 millones de parámetros que ralentiza el LLM menos de un 0,5%
Preguntas frecuentes sobre la noticia
Cómo se hizo la medición?
Había dos conjuntos de tareas. El primero consistía en 14 correcciones locales en dos bibliotecas de Python: ocho en Click y seis en Packaging. El agente recibía la descripción del error y el código fuente de un área indicada de antemano. Las pruebas objetivo se verificaron de antemano: fallan con el código antiguo y pasan con el parche de referencia, es decir, detectan de verdad el error original. El segundo conjunto eran 30 tareas algorítmicas de AtCoder, tomadas de LiveCodeBench, de tres niveles de dificultad.
Dónde se frena el crecimiento?
Al principio, el equipo ayudó. DeepSeek resolvió 21 tareas de 30 en AtCoder con un agente y 24 con ocho. En las 10 tareas difíciles pasó de cuatro a seis. Con 16 y 32 agentes se mantuvo en 24, y con 64 bajó a 23. Qwen alcanzó su máximo de 18 de 30 ya trabajando en solitario. Las 10 tareas fáciles las resolvieron ambos modelos en todos los tamaños de equipo. En AtCoder, pasar de 8 a 64 agentes costó un 691% más con DeepSeek y un 687% más con Qwen, y los dos modelos perdieron una tarea resuelta cada uno.
¿Qué se sabe sobre El precio no del intento, sino del parche aprobado?
El autor propone no medir el precio de cada ejecución, sino la suma de todos los intentos, fallos incluidos, dividida entre el número de parches que pasan. En las correcciones con Qwen, el equipo de seis agentes obtuvo un aprobado y el de ocho, tres, aunque lanzar ocho costó de media un 36% más. Por eso el precio por aprobado con ocho agentes resultó un 55% inferior al de seis. Pero, de estos tres tamaños, los aprobados más baratos los dio la autoverificación de un agente individual.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.