¿Qué son los enjambres de agentes y cómo funcionan?

Los enjambres de agentes de IA se consideran una forma de sistema multiagente. Sin embargo, en lugar de tener varios agentes en el mismo sistema, el término “enjambre” a menudo enfatiza la colaboración entre múltiples agentes relativamente autónomos. El nombre se inspira en parte en los sistemas de la naturaleza, como las colonias de insectos, en las que muchos individuos trabajan juntos para realizar tareas complejas.

La idea definitoria es la coordinación. Un enjambre necesita alguna forma de determinar qué trabajo hay que hacer, asignar ese trabajo y reunir los resultados. Dependiendo de su diseño, la coordinación puede provenir de un orquestador central, una jerarquía de agentes o interacciones más descentralizadas.

Por ejemplo, un agente puede planificar un proyecto mientras otros agentes se encargan de tareas individuales. Un agente independiente podría revisar el trabajo antes de que otro agente combine los resultados. Los agentes pueden trabajar de forma secuencial o en paralelo. También pueden compartir información, delegar tareas y responder al trabajo de otros agentes. Los enjambres estrictamente descentralizados se basan principalmente en interacciones locales y señales compartidas más que en un controlador central.

Los enjambres de agentes pueden ser útiles cuando una tarea contiene partes distintas que se pueden delegar o cuando diferentes agentes pueden aportar capacidades complementarias. Sin embargo, añadir más agentes no mejora automáticamente un sistema. Múltiples agentes introducen una mayor coordinación, comunicación y uso de recursos, por lo que el valor de un enjambre depende de si esas capacidades adicionales justifican la complejidad añadida.

Los enjambres de agentes de IA pueden cambiar la forma en que una organización estructura y gestiona el trabajo asistido por IA. En lugar de depender de un solo asistente de IA para gestionar todo el proceso, las organizaciones pueden distribuir partes de un flujo de trabajo entre varios agentes. Las organizaciones también pueden integrar estos flujos de trabajo de agentes en procesos y aplicaciones empresariales existentes. La implementación puede influir en cómo se asigna el trabajo, en cómo se mueven las tareas en un proceso y en cuánta colaboración humana se necesita.

Un posible impacto es la escala de las operaciones asistidas por la IA. Cuando una tarea se puede dividir en subtareas independientes, varios agentes pueden trabajar simultáneamente en lugar de que sea necesario que un único agente procese cada parte de forma secuencial.

Un enjambre puede distribuir una carga de trabajo mayor entre varios agentes, lo que permite realizar tareas independientes al mismo tiempo. Esta coordinación puede ser útil para flujos de trabajo complejos o de alto volumen.

Los enjambres también pueden cambiar la forma en que se organiza el trabajo especializado. Diferentes agentes pueden gestionar la investigación, el análisis o la revisión en función de sus capacidades. De esta manera, un flujo de trabajo de IA se puede dividir en roles con diferentes responsabilidades en lugar de depender de un agente para realizar cada parte del proceso.

El impacto no siempre es positivo. Más agentes crean más variables. Las organizaciones necesitan gestionar cómo se comunican los agentes, cómo se transfieren las tareas y qué sucede cuando los agentes producen resultados contradictorios. Usar varios agentes también puede aumentar los costes, especialmente cuando los agentes interactúan con frecuencia.

Los enjambres también pueden cambiar el papel de las personas dentro de un flujo de trabajo habilitado por IA. Los empleados podrían dedicar más tiempo a definir los objetivos de la IA, revisar los resultados y gestionar las excepciones en lugar de completar directamente cada tarea. Ese cambio de responsabilidades puede reducir el trabajo humano en algunos procesos, al tiempo que crea la necesidad de una mayor supervisión y gestión.

Estos cambios afectan a la forma en que las organizaciones estructuran los flujos de trabajo, asignan recursos e involucran a las personas en el trabajo asistido por IA. Es importante tener en cuenta esos efectos al evaluar si un enjambre se adapta a una tarea en particular.

Los enjambres de agentes de IA y los sistemas multiagente implican que varios agentes de IA trabajan dentro del mismo sistema. Los términos a veces se utilizan indistintamente, pero el término sistema multiagente suele ser el más amplio.

• Un sistema multiagente puede incluir agentes que trabajan de forma independiente, siguen un flujo de trabajo predefinido o interactúan entre sí. Los agentes pueden tener diferentes roles y capacidades, pero no necesariamente necesitan colaborar estrechamente.
  
  
• Un enjambre de agentes describe una estructura más colaborativo. Los agentes pueden dividir una tarea más grande, especializarse en diferentes tipos de trabajo, compartir información y responder a las acciones o resultados de otros agentes. El grado de coordinación puede variar. Algunos enjambres dependen de un agente central u orquestador, mientras que otros permiten a los agentes interactuar de forma más directa.

La distinción no siempre es clara. Un sistema con varios agentes independientes puede ser un sistema multiagente sin funcionar como enjambre, mientras que un enjambre puede organizarse de varias maneras diferentes. En la práctica, los términos suelen superponerse, y “enjambre” hace más hincapié en la actividad coordinada de los agentes.

Un enjambre de agentes de IA organiza el trabajo para que varios agentes puedan contribuir a un objetivo común. El proceso exacto depende del diseño del enjambre, pero la mayoría de los sistemas deben abordar cuatro preguntas:

1. ¿Qué hay que hacer?
2. ¿Quién debe hacerlo?
3. ¿Cómo deben reunirse los resultados?
4. ¿Qué controles de gobierno determinan a qué puede acceder, qué puede decidir y qué puede modificar cada agente?

Considere una empresa que quiere realizar una investigación de un nuevo mercado. Un enjambre puede hacer que un agente desarrolle el plan de investigación, varios agentes investiguen diferentes aspectos del mercado en paralelo, y otro agente revise y combine sus hallazgos. Esta disposición permite que diferentes partes de la investigación se realicen simultáneamente, al tiempo que otorga a cada agente un área de responsabilidad específica.

El enjambre primero tiene que dividir el objetivo general en tareas más pequeñas. Un agente de planificación podría hacer esto explícitamente, o las tareas podrían definirse como parte del flujo de trabajo de antemano.

La forma en que se divide el trabajo depende del problema. Algunas tareas pueden gestionarse de forma independiente y enviarse a varios agentes a la vez. Otras tareas dependen de resultados anteriores y deben realizarse en secuencia. Un agente de investigación, por ejemplo, podría necesitar completar su trabajo antes de que otro agente pueda analizar los hallazgos.

Los agentes también pueden asumir roles especializados. Un agente puede centrarse en recopilar información mientras otro analiza datos o comprueba la calidad del trabajo. Una instrucción del sistema puede definir las instrucciones o el comportamiento de un agente, mientras que sus herramientas y otras capacidades determinan qué trabajo puede realizar el agente. La especialización permite al enjambre asignar trabajo según las instrucciones, herramientas o capacidades del agente.

Una vez dividido el trabajo, los agentes necesitan acceder a la información necesaria para completar sus tareas. Esa información puede moverse entre agentes de diferentes maneras.

Los agentes pueden enviarse mensajes directamente entre sí. También pueden utilizar llamadas a funciones para emplear herramientas o sistemas externos y pasar la información resultante al flujo de trabajo. Un espacio de trabajo o memoria compartidos puede permitir que varios agentes accedan a la misma información.

Los agentes también pueden pasar archivos, hallazgos de investigación, código u otros resultados a medida que una tarea conduce a otra. Los sistemas de recuperación también pueden proporcionar a los agentes contexto externo de fuentes como documentos, bases de datos o bases de conocimiento conectadas. Enfoques como la búsqueda vectorial y el RAG gráfico pueden recuperar información relevante de diferentes maneras, dependiendo de cómo estén estructurados los datos subyacentes.

La cantidad de información compartida es importante. Dar a cada agente el historial completo de una tarea puede consumir su ventana de contexto y aumentar la cantidad de información que el sistema necesita procesar. Dar a un agente muy poco contexto puede llevar a trabajos incompletos o inconsistentes. Los diseños de enjambre necesitan una forma de proporcionar a los agentes la información que necesitan sin crear una sobrecarga innecesaria.

La comunicación por sí sola no hace que un enjambre sea eficaz. El sistema también necesita coordinar lo que sucede a continuación.

Un agente central o una capa de orquestación de agentes podría asignar tareas, monitorizar el progreso y decidir cuándo los resultados están listos para combinarse. En sistemas más grandes, la observabilidad puede ayudar a los equipos a realizar un seguimiento de la actividad de los agentes, las llamadas a herramientas, las transferencias y los resultados. En otros diseños, los agentes pueden determinar sus próximas acciones en función de los mensajes, el estado compartido o los resultados de otros agentes.

La coordinación también puede implicar la revisión del trabajo. Un agente puede comprobar el resultado de otro agente antes de que pase a formar parte del resultado, o un flujo de trabajo puede requerir la aprobación humana antes de que un agente actúe. Si el trabajo está incompleto, el enjambre puede devolver la tarea para otro intento o asignarla a otro agente.

El paso final es reunir los resultados individuales. Un agente podría sintetizar los hallazgos en un informe final, mientras que otro sistema podría combinar los resultados automáticamente. El objetivo es convertir muchos trabajos separados en un resultado que aborde la tarea original.

Un enjambre de agentes no es simplemente una colección de agentes de IA. Es un proceso coordinado en el que se divide el trabajo, la información se mueve entre agentes y los resultados individuales contribuyen a un objetivo compartido. La forma en que se organizan esas actividades determina el comportamiento del enjambre y el tipo de tareas que puede realizar.

La arquitectura de un enjambre de agentes de IA varía en función de la tarea, las relaciones entre las tareas y el nivel de coordinación requerido. Estas decisiones forman parte de una arquitectura multiagente más amplia, con algunos patrones que describen cómo se ejecuta el trabajo y otros cómo se organizan los agentes o cómo colaboran y toman decisiones. Estos patrones también pueden combinarse dentro del mismo enjambre.

• Secuencial: los agentes gestionan el trabajo paso a paso, y cada agente utiliza el resultado del agente anterior. Por ejemplo, un agente podría recopilar información, otro podría analizarla y un tercero podría preparar el informe final. Este enfoque se adapta a tareas en las que los pasos posteriores dependen de los anteriores, pero limita la oportunidad de realizar trabajos en paralelo.
  
  
• Paralelo: múltiples agentes trabajan en partes distintas de una tarea al mismo tiempo antes de combinar sus resultados. Un enjambre de investigación de mercados, por ejemplo, podría hacer que diferentes agentes investiguen competidores, clientes y tendencias del sector. La ejecución en paralelo puede acortar el flujo de trabajo cuando las tareas son realmente independientes y los gastos de coordinación no superan el tiempo ahorrado.
  
  
• Iterativo: los agentes repiten o refinan el trabajo basándose en los resultados de pasos anteriores. Un agente puede producir un resultado inicial, otro puede revisarlo y el trabajo puede volver al agente original para su revisión. Este patrón puede ser útil cuando la calidad de un resultado depende de la evaluación y el refinamiento repetidos.

• Centralizado o dirigido por el gerente: un agente central o una capa de orquestación dirige el trabajo, asigna las tareas y recopila los resultados de otros agentes. Esta estructura puede proporcionar un punto de control claro, pero el agente o sistema coordinador también puede convertirse en una dependencia para el resto del flujo de trabajo.
  
  
• Jerárquico: los agentes se organizan en niveles, y los agentes de nivel superior asignan el trabajo a los agentes de nivel inferior. Un coordinador puede dividir un objetivo mayor en tareas, mientras que otros agentes gestionan grupos más pequeños de agentes especializados. Las estructuras jerárquicas pueden ayudar a organizar flujos de trabajo complejos, pero añaden capas de coordinación adicionales.
  
  
• Descentralizado o peer-to-peer: los agentes coordinan de forma más directa sin depender de un solo agente para gestionar cada interacción. Los agentes pueden responder a los mensajes, al estado compartido o a los resultados de otros agentes y determinar sus próximas acciones en función de la información de la que disponen. Esto puede reducir la dependencia de un coordinador central, pero puede dificultar la coordinación y el control.

• Traspasos: un agente transfiere la responsabilidad de una tarea a otro agente cuando se necesita una capacidad o función diferente. Por ejemplo, un agente de triaje podría dirigir una solicitud a un agente especializado que pueda gestionarla. Los traspasos permiten que diferentes agentes se responsabilicen de distintas partes de un flujo de trabajo.
  
  
• Supervisor-trabajador:  un agente supervisor delega tareas en agentes trabajadores y evalúa o combina sus resultados. El supervisor puede determinar qué trabajo se necesita, asignarlo a los agentes adecuados y decidir qué ocurre a continuación.
  
  
• Debate o crítica: múltiples agentes examinan un problema o un resultado existente desde diferentes perspectivas. Un agente puede cuestionar el razonamiento de otro o identificar puntos débiles en su respuesta. Esto puede ser útil cuando exponer desacuerdos o posibles errores es más valioso que confiar en una única respuesta.
  
  
• Votación o consenso: múltiples agentes producen recomendaciones o juicios que luego se comparan para alcanzar un resultado combinado. Este enfoque puede ser útil cuando el acuerdo independiente es informativo, aunque el acuerdo entre agentes no garantiza que el resultado sea correcto.
  
  
• Colaboración en estados compartidos: los agentes trabajan desde una representación compartida de la tarea, como un espacio de trabajo, una memoria u otro estado compartido. Los agentes pueden leer y actualizar la información a medida que avanza el flujo de trabajo en lugar de pasar cada resultado directamente de un agente a otro. Esto puede respaldar la colaboración en flujos de trabajo más complejos, pero requiere una gestión cuidadosa de la información a la que los agentes pueden acceder y cambiar.

Los marcos pueden implementar y combinar estos patrones de diferentes maneras. OpenAI Agents SDK proporciona herramientas para crear agentes, gestionar los traspasos y coordinar los flujos de trabajo de varios agentes. AutoGen proporciona componentes para crear y coordinar aplicaciones multiagente. LangChain proporciona herramientas para crear aplicaciones en torno a modelos de lenguaje y agentes, incluyendo flujos de trabajo multiagente. Estos marcos utilizan diferentes enfoques, por lo que los patrones que admiten no representan una taxonomía de arquitectura universal.

Estos patrones no se excluyen mutuamente. Un enjambre puede utilizar una estructura jerárquica de coordinación para asignar trabajo, ejecutar tareas independientes en paralelo y usar una revisión iterativa antes de producir un resultado final. Por tanto, la arquitectura y los patrones de ejecución deben entenderse como elecciones de diseño que pueden combinarse según los requisitos del flujo de trabajo.

Los enjambres de agentes de IA pueden ofrecer beneficios cuando un flujo de trabajo se beneficia de la coordinación entre múltiples agentes de IA. El valor proviene menos del número de agentes involucrados y más de la eficacia con la que se combinan sus capacidades. Dependiendo del caso de uso, los enjambres pueden mejorar la velocidad, la capacidad, la flexibilidad o la calidad de los resultados. Para algunos flujos de trabajo, un único agente puede seguir siendo el enfoque más sencillo y eficaz.

• Adaptabilidad: un enjambre puede adaptarse a medida que surge nueva información. Los agentes pueden responder a las condiciones cambiantes, revisar los planes o redirigir el trabajo sin necesidad de que cada paso esté predefinido. Esto es útil cuando la nueva información puede cambiar lo que debe suceder a continuación o cuando el trabajo es difícil de predecir por adelantado.
  
  
• Ejecución delegada: las partes rutinarias de un flujo de trabajo pueden continuar sin que una persona dirija cada paso individual, siempre que los agentes tengan permisos y reglas de coordinación claramente definidos. La revisión humana puede seguir siendo obligatoria para acciones sensibles o consecuentes.
  
  
• Carga de trabajo distribuida: distribuir el trabajo entre varios agentes puede ayudar a las organizaciones a gestionar mayores volúmenes de trabajo, lo que facilita el soporte de flujos de trabajo de gran volumen o uso intensivo de recursos. Este beneficio es relevante cuando el trabajo independiente se puede repartir entre varios agentes, incluso mediante el escalado horizontal.
  
  
• Múltiples perspectivas: los agentes independientes pueden abordar el mismo problema desde diferentes ángulos, generando ideas, recomendaciones o análisis alternativos. Esto puede ayudar a los equipos a la hora de comparar perspectivas, explorar opciones, desafiar suposiciones e identificar problemas que merecen una mayor investigación. En algunos flujos de trabajo, la combinación de estas contribuciones puede crear una forma de inteligencia colectiva basándose en múltiples respuestas independientes.
  
  
• Ejecución más rápida: el trabajo en paralelo puede reducir el tiempo transcurrido al permitir que tareas independientes se ejecuten al mismo tiempo.
  
  
• Mejora del control de calidad: hacer que los agentes examinen el mismo problema o revisen los resultados de los demás puede hacer surgir desacuerdos y posibles errores. Esto es más útil cuando esas discrepancias serían difíciles de identificar con una sola pasada, pero no garantiza la corrección, especialmente cuando los agentes comparten el mismo modelo, datos o suposiciones.
  
  
• Capacidades especializadas: diferentes partes de un flujo de trabajo pueden utilizar capacidades adecuadas a sus necesidades específicas. Esto es útil cuando un proceso necesita una combinación de modelos, herramientas o entornos de ejecución, como los modelos Claude de Anthropic y herramientas de codificación como Claude Code.
  
  
• Flexibilidad del flujo de trabajo: un flujo de trabajo se puede cambiar modificando componentes individuales en lugar de rediseñar todo el proceso. Esta modularidad puede ser valiosa cuando es probable que los requisitos, las herramientas o los modelos cambien con el tiempo.

Los enjambres de agentes pueden fallar de varias maneras a medida que el trabajo se mueve entre agentes. Un agente puede producir un resultado incorrecto o incompleto. Otro agente podría basarse en ese resultado, o diferentes agentes podrían llegar a conclusiones contradictorias.

También surgen problemas cuando los agentes reciben el contexto incorrecto, pierden información entre pasos o realizan acciones no deseadas. Estos fallos pueden hacer que el comportamiento del enjambre sea más difícil de solucionar y controlar.

• Resultados contradictorios: los agentes independientes pueden llegar a conclusiones diferentes o producir resultados incompatibles. El enjambre necesita una forma de comparar los resultados y decidir cómo deben gestionarse los desacuerdos.
  
  
• Gestión del contexto: a medida que los flujos de trabajo se hacen más complejos, decidir qué información debe recibir cada agente puede convertirse en un desafío.
  
  
• Gastos generales de coordinación: el sistema necesita gestionar la asignación de tareas, el intercambio de información y los conflictos entre los agentes. La coordinación puede hacerse más difícil a medida que los flujos de trabajo implican más agentes e interacciones.
  
  
• Propagación de errores: un error de un agente puede convertirse en una entrada para otro. Sin las comprobaciones adecuadas, un error puede moverse por el flujo de trabajo y afectar al resultado final.
  
  
• Mayores costes: ejecutar múltiples agentes puede incrementar los costes de modelos y computación, especialmente cuando los agentes intercambian grandes cantidades de información, interactúan con frecuencia o repiten el trabajo.
  
  
• Depuración más difícil: cuando un enjambre produce un resultado incorrecto, la fuente puede ser un agente individual, una interacción entre agentes o la forma en que se pasó la información a través del flujo de trabajo. Esto puede hacer que los problemas sean más difíciles de rastrear que en un sistema de un solo agente.
  
  
• Seguridad y acceso: diferentes agentes pueden necesitar acceso a diferentes datos, herramientas o sistemas. Esos permisos deben controlarse cuidadosamente, especialmente cuando los agentes pueden actuar sin instrucción humana directa.
  
  
• Complejidad innecesaria: varios agentes no proporcionan beneficios para todas las tareas. Para problemas más simples, la coordinación y la infraestructura extra pueden añadir complejidad sin aportar suficiente valor para justificarlo.

Un enjambre de agentes de IA puede resultar útil cuando dividir una tarea entre varios agentes ofrece una clara ventaja en comparación con gestionarla con un solo agente u otro enfoque. Para una implementación más compleja, una prueba de concepto (POC) puede ayudar a determinar si los beneficios justifican la coordinación, recursos y complejidad añadidos antes de que un enjambre se implemente de forma más amplia. Considere un enjambre de agentes cuando:

• El problema se puede dividir en componentes significativos: las diferentes partes del trabajo requieren actividades, decisiones o áreas de especialización diferentes.
  
  
• Algunas partes del trabajo pueden realizarse en paralelo: este enfoque puede reducir el tiempo transcurrido, pero las tareas tienen que ser realmente independientes y el tiempo ahorrado tiene que superar la coordinación requerida.
  
  
• Ningún agente es adecuado para toda la tarea: el flujo de trabajo se beneficia de la combinación de diferentes capacidades, herramientas, modelos o instrucciones. Los agentes independientes tienen más sentido cuando el objetivo es dotar a cada parte del flujo de trabajo de capacidades adaptadas a sus requisitos específicos.
  
  
• La escala del trabajo supera lo que un agente puede gestionar de manera eficiente: el volumen o la complejidad del trabajo es lo suficientemente importante como para dividirlo entre varios agentes. La distribución adquiere más relevancia cuando un solo agente tiene dificultades para gestionar cargas de trabajo grandes, continuas o que consumen muchos recursos.
  
  
• El flujo de trabajo debe adaptarse a medida que cambian las condiciones: es posible que los agentes tengan que tomar decisiones, responder a nueva información o redirigir dinámicamente el trabajo a medida que se desarrolla un proceso. Un agente puede examinar el resultado de otro agente, o varios agentes pueden resolver el mismo problema de forma independiente. Este enfoque es más relevante cuando el proceso completo es difícil de predecir o es vulnerable a condiciones externas cambiantes. También permite a los agentes comparar resultados, lo que puede revelar desacuerdos o posibles errores que de otro modo pasarían desapercibidos.
  
  
• La coordinación en sí misma crea valor: el resultado depende no solo de completar las tareas, sino de combinar las contribuciones de múltiples agentes (incluso de múltiples equipos) para producir resultados más útiles.

Un enjambre puede no ser apropiado cuando la tarea es sencilla, cuando cada paso depende mucho del anterior o cuando la coordinación de la suma de varios agentes aportaría poco beneficio. En esas situaciones, un flujo de trabajo automatizado convencional o de un solo agente puede ser más simple, más fácil de gobernar y menos costoso de operar.