El techo del escalado: por qué más agentes de IA no garantizan mejores resultados

La industria de la inteligencia artificial asumió hace tiempo un mantra: más es mejor. Más parámetros, más datos, más potencia de cálculo. La prolongación lógica de ese razonamiento fueron los sistemas multiagente: arquitecturas en las que decenas o cientos de modelos de lenguaje trabajan en conjunto, se pasan información entre sí y resuelven tareas complejas de forma colectiva. Sin embargo, una nueva investigación lanza un serio desafío a este enfoque y demuestra que el escalado incontrolado de sistemas de agentes no solo deja de dar resultados: perjudica activamente la calidad de las decisiones.

Los sistemas multiagente basados en grandes modelos de lenguaje han despertado un entusiasmo genuino entre desarrolladores e inversores durante los últimos dos años. La idea parecía convincente: si un solo agente es capaz de razonar y resolver tareas, un equipo de agentes especializados debería abordar problemas mucho más complejos, igual que un equipo de especialistas bien coordinado supera a un experto aislado. Esa intuición sustentó ambiciosos proyectos de sistemas de trabajo autónomos, orquestadores de agentes y pipelines multinivel. Ahora resulta que la analogía con un equipo humano no funciona de forma tan directa como parecía.

El núcleo del problema está en la naturaleza de la información que intercambian los agentes. Cuando un modelo de lenguaje pasa los resultados de su trabajo a otro, este incorpora los datos a su propio contexto y los transmite de nuevo, ya enriquecidos. Con pocos agentes, el proceso funciona bien.

Pero a medida que el sistema crece ocurre algo inesperado: los mismos hechos, formulaciones y conclusiones intermedias empiezan a circular por la red una y otra vez y se acumulan en el contexto de cada agente posterior. Los investigadores describen este fenómeno como redundancia de información: una situación en la que la señal se ahoga en un alud de repeticiones de sí misma. Un algoritmo que recibe el mismo hecho en diez formulaciones distintas no gana diez veces más confianza; al contrario, pierde la capacidad de distinguir con claridad lo realmente importante.

El problema se agrava porque los modelos de lenguaje actuales carecen de un mecanismo de deduplicación semántica del contexto. El modelo no "sabe" que los datos sobre un evento concreto ya han aparecido tres veces en distintos fragmentos de texto: procesa todo el contexto de manera uniforme y presta una atención desproporcionada a los elementos que se repiten muchas veces. Como resultado, el sistema empieza a tomar decisiones sesgadas hacia los datos más mencionados, no hacia los más relevantes. La precisión cae justo cuando se espera el máximo rendimiento: en tareas complejas, de varias etapas, que exigen un análisis fino.

Para la industria, este hallazgo tiene consecuencias prácticas muy concretas. Significa que la vía principal actual, añadir cada vez más agentes con la esperanza de lograr un aumento lineal del rendimiento, conduce a un callejón sin salida. Las empresas que han invertido recursos considerables en arquitecturas multiagente a gran escala se ven obligadas a replantear los principios básicos de diseño de sus sistemas. No se trata de cambios cosméticos, sino de un cambio del propio paradigma: del crecimiento extensivo del número de agentes a la mejora intensiva de la calidad de su interacción.

Los investigadores señalan varias vías que podrían sacar a los desarrolladores del atolladero. La primera es el filtrado inteligente del contexto: los agentes no deben limitarse a transmitir todo el volumen de información acumulado, sino seleccionar activamente solo lo que el siguiente eslabón de la cadena realmente necesita. La segunda es el desarrollo de protocolos de comunicación entre agentes radicalmente nuevos, que integren la deduplicación y la compresión de la información directamente en el proceso de comunicación. Esto exigirá un trabajo de ingeniería serio y, probablemente, nuevos enfoques para entrenar los propios modelos.

La situación recuerda a la historia del escalado de las redes neuronales, cuando los investigadores creyeron durante mucho tiempo que aumentar simplemente la profundidad de la red daba una mejora proporcional de la calidad, hasta que chocaron con el problema del desvanecimiento del gradiente. La solución entonces fueron las conexiones residuales y la normalización. Hoy los sistemas multiagente afrontan un desafío parecido, y su solución será, con toda probabilidad, igual de poco evidente. Algo se puede afirmar con seguridad: el futuro de los sistemas de IA potentes no está en multiplicar sin criterio el número de agentes, sino en la capacidad de cada uno de ellos para trabajar con la información de forma precisa, selectiva y sin ruido innecesario.