Más agentes no siempre son mejor: la ciencia que mejora el rendimiento de la inteligencia artificial

En la era de la inteligencia artificial (IA), cada vez más aplicaciones están integrando “agentes” inteligentes, sistemas que pueden pensar, planificar y actuar a lo largo de varias etapas, no solo responder una pregunta puntual.

Desde asistentes para programar hasta entrenadores de salud personalizados, esta nueva generación de IA enfrenta desafíos complejos: ¿Cómo diseñar estos agentes para que trabajen mejor, especialmente cuando se usan en equipo?

¿Qué es un agente en inteligencia artificial?

Un agente, en términos sencillos, es un programa o sistema de IA que no se limita a dar respuestas inmediatas, sino que puede realizar tareas paso a paso, adaptándose según lo que aprende en el proceso.

Por ejemplo, un asistente digital que ayuda a planear unas vacaciones no solo contesta preguntas, sino que revisa opciones, compara precios y modifica el plan según nueva información.

¿Más agentes siempre significa mejor?

Existe la idea popular y bastante extendida de que cuantos más agentes trabaje en conjunto, mejor será el resultado.

De hecho, estudios previos mostraron que aumentar la cantidad de agentes, especialmente si son especializados, mejora su capacidad colectiva para resolver problemas.

Sin embargo, la investigación de Google Research revela que esta idea no es siempre cierta.

Tras evaluar 180 configuraciones diferentes de agentes en varias tareas —desde análisis financiero hasta navegación web, planificación y uso de herramientas—, los investigadores descubrieron que agregar más agentes mejora claramente el desempeño solo cuando las tareas son paralelizables, es decir, cuando pueden dividirse en partes que se hacen simultáneamente.

Por ejemplo, en el análisis financiero, distintos agentes pueden estudiar ingresos, costos y competidores al mismo tiempo, logrando una mejora de hasta 81% en precisión.

Pero en tareas que requieren pasos secuenciales estrictos, donde cada etapa depende de haber completado la anterior, como la planificación detallada, incluir múltiples agentes puede reducir el rendimiento hasta un 70%.

Esto se debe principalmente al tiempo y esfuerzo que los agentes deben dedicar a comunicarse y coordinarse, lo que dificulta el flujo de trabajo.

Arquitecturas para agentes inteligentes: ¿cómo funcionan?

Los agentes pueden organizarse de diferentes maneras para colaborar:

• Un solo agente (Single-Agent System, SAS): una inteligencia artificial que hace todas las tareas de principio a fin, paso a paso.
• Agentes independientes: varios agentes trabajan por separado en subtareas y luego se suman los resultados.
• Centralizados: cuentan con un agente principal que distribuye tareas y junta las soluciones.
• Descentralizados: los agentes se comunican directamente entre ellos, compartiendo información.
• Híbridos: combinación entre centralizado y descentralizado para optimizar control y flexibilidad.

El estudio concluyó que la arquitectura centralizada ofrece un buen equilibrio, pues mejora la coordinación y reduce la propagación de errores.

Mientras que los agentes independientes, sin comunicación entre ellos, pueden multiplicar los errores hasta 17 veces, ya que no se detectan fallas a tiempo.

Un modelo para elegir la mejor estrategia

El avance principal de esta investigación es que se diseñó un modelo predictivo capaz de identificar la mejor arquitectura para una tarea específica, considerando características como la cantidad de herramientas que debe usar el agente o si la tarea se puede dividir.

Este modelo acierta en el 87% de los casos nuevos, orientando a los desarrolladores a tomar decisiones basadas en datos, no solo en intuiciones.

¿Por qué es importante este estudio?

Cada vez que usamos aplicaciones con IA, desde asistentes de voz hasta sistemas que analizan nuestra salud o inversiones, queremos que sean precisas, rápidas y confiables.

Esta investigación abre la puerta para crear agentes digitales más inteligentes, eficientes y seguros, adaptados a las tareas reales y sus características.

Conclusión: En lugar de creer que “más agentes es mejor“, la efectividad depende de elegir la arquitectura correcta según el tipo de tarea.

Los modelos de IA actuales, como Google Gemini y otros famosos en el mundo, se benefician más cuando se usan junto a una organización adecuada de agentes. Así, avanzamos hacia una inteligencia artificial verdaderamente útil y acorde con nuestras necesidades.

Nota de Transparencia

Esta nota fue generada 100% con IA. La fuente fue aprobada por Diario Occidente y el contenido final fue revisado por un miembro del equipo de redacción.

🔊 El Resumen de Noticias sobre Inteligencia Artificial e Innovación Tecnológica, aquí 👇🏻

Comments