El límite del escalado: por qué más agentes de AI no garantizan resultados

La industria de la inteligencia artificial ha adoptado hace tiempo un simple mantra: más grande significa mejor. Más parámetros, más datos, más poder computacional. Una extensión lógica de esta lógica se convirtió en la idea de sistemas multi-agentes — arquitecturas en las que docenas o cientos de modelos de lenguaje trabajan juntos, pasándose información entre sí y resolviendo colectivamente problemas complejos. Sin embargo, una nueva investigación presenta un serio desafío a este enfoque, mostrando que el escalado incontrolado de sistemas de agentes no simplemente deja de entregar resultados — activamente daña la calidad de las decisiones tomadas.

Los sistemas multi-agentes basados en grandes modelos de lenguaje han generado un entusiasmo genuino entre desarrolladores e inversores en los últimos dos años. La idea parecía convincente: si un agente puede razonar y resolver problemas, entonces un equipo de agentes especializados debería manejar desafíos mucho más complejos — análogo a cómo un equipo bien coordinado de especialistas supera a un único experto. Proyectos ambiciosos para sistemas de trabajadores autónomos, orquestadores de agentes y pipelines multinivel se construyeron sobre esta intuición. Ahora resulta que la analogía con el trabajo en equipo humano no funciona tan directamente como parecía.

La esencia del problema revelado radica en la naturaleza de la información que intercambian los agentes. Cuando un modelo de lenguaje transmite los resultados de su trabajo a otro modelo, ese modelo incorpora los datos recibidos en su propio contexto y los transmite — ya en una versión enriquecida. Con un pequeño número de agentes, este proceso funciona bien.

Pero conforme el sistema crece, ocurre algo inesperado: los mismos hechos, formulaciones y conclusiones intermedias comienzan a circular por la red una y otra vez, acumulándose en el contexto de cada agente subsecuente. Los investigadores describen este fenómeno como redundancia de información — una situación en la que la señal se ahoga en una avalancha de auto-repeticiones. Un algoritmo que recibe el mismo hecho en diez formulaciones diferentes no se vuelve diez veces más confiado — al contrario, pierde la capacidad de identificar claramente qué es realmente importante.

El problema se agrava por el hecho de que los modelos de lenguaje modernos carecen de un mecanismo de deduplicación semántica para el contexto. Un modelo no "sabe" que la información sobre un evento específico ya ha aparecido tres veces en diferentes fragmentos de texto — procesa todo el contexto uniformemente, prestando una atención desproporcionadamente grande a elementos que se repiten múltiples veces. Como resultado, el sistema comienza a tomar decisiones sesgadas a favor de los datos mencionados con mayor frecuencia en lugar de los más relevantes. La precisión cae precisamente cuando se espera que el sistema tenga máximo desempeño — cuando resuelve problemas complejos y multietapa que requieren análisis sutil.

Para la industria, este descubrimiento tiene consecuencias prácticas muy concretas. Significa que el camino de desarrollo mainstream actual — añadir cada vez más agentes esperando lograr ganancias de productividad lineales — lleva a un callejón sin salida. Las empresas que han invertido recursos significativos en construir arquitecturas multi-agentes a gran escala se enfrentan a la necesidad de repensar los principios fundamentales de diseño de sus sistemas. No se trata de cambios cosméticos, sino de un cambio de paradigma: del crecimiento extensivo en el número de agentes a la mejora intensiva en la calidad de su interacción.

Los investigadores señalan varias direcciones que podrían ayudar a los desarrolladores a superar este impasse. Primera — filtrado inteligente de contexto: los agentes no deben simplemente transmitir toda la información acumulada, sino seleccionar activamente solo lo que es verdaderamente necesario para el siguiente eslabón de la cadena. Segunda — desarrollo de protocolos fundamentalmente nuevos para la comunicación entre agentes que incorporen deduplicación y compresión de información directamente en el proceso de comunicación. Esto requerirá trabajo de ingeniería serio y probablemente nuevos enfoques para entrenar los propios modelos.

La situación recuerda la historia del escalado de redes neuronales, cuando los investigadores creyeron durante mucho tiempo que simplemente aumentar la profundidad de la red produciría mejoras de calidad proporcionales — hasta que encontraron el problema del desvanecimiento de gradientes. Entonces la solución llegó en forma de conexiones residuales y normalización. Hoy, los sistemas multi-agentes enfrentan un desafío similar, y resolverlo probablemente resultará igualmente no obvio. Una cosa puede afirmarse con certeza: el futuro de los sistemas AI poderosos no reside en multiplicar ciegamente el número de agentes, sino en la capacidad de cada uno de trabajar con la información de manera precisa, selectiva y sin ruido innecesario.