Qué es un equipo de agentes de IA y cuándo compensa

La primera vez que un agente falla con un proceso grande, la reacción suele ser bastante previsible: darle más.

Más instrucciones. Más herramientas. Más contexto.

Y durante un tiempo funciona.

Hasta que deja de hacerlo.

El agente empieza a mezclar tareas que no tienen demasiado que ver entre sí, utiliza una herramienta que no era la adecuada o pierde por el camino algo que se le había explicado al principio. No necesariamente porque el modelo sea poco capaz. El problema es que le estamos pidiendo que haga demasiadas cosas diferentes y que, además, sepa cuándo tiene que hacer cada una.

En ese punto aparece una alternativa bastante lógica: repartir el trabajo.

Qué es realmente un equipo de agentes

Un equipo de agentes es un conjunto de agentes especializados que trabajan de forma coordinada para resolver un proceso que sería demasiado complejo para uno solo.

Cada agente tiene su propia función, sus herramientas y sus límites.

La comparación con un departamento de una empresa sirve para entender la idea, aunque tiene una diferencia importante.

En un equipo humano, si alguien recibe una tarea que no le corresponde, puede darse cuenta y enviársela directamente a otra persona. Entre agentes eso no sucede por arte de magia.

Alguien tiene que haber definido antes quién recibe cada tarea, cómo se pasa el trabajo de uno a otro y qué ocurre cuando ninguno sabe qué hacer.

La coordinación no aparece sola. Se diseña.

Por eso un equipo de agentes no es simplemente un agente más grande con más capacidad.

Es otra arquitectura y trae consigo otros problemas.

Qué aporta repartir el trabajo

Hay varias razones por las que puede tener sentido.

Especialización

Un agente con veinte herramientas tiene más posibilidades de elegir mal que cuatro agentes con cinco herramientas bien delimitadas cada uno.

Cuantas menos decisiones irrelevantes tenga que tomar, más fácil es que se centre en la que realmente importa.

Es bastante parecido a lo que ocurre con las personas: alguien que conoce muy bien un área concreta suele trabajar mejor en ella que una persona que tiene que saber un poco de veinte cosas diferentes.

Aislamiento del contexto

Un agente que mantiene toda la conversación y todos los datos del proceso puede acabar arrastrando información que ya no necesita.

Algo que ocurrió al principio puede terminar influyendo en una decisión tomada mucho más tarde.

Al repartir el trabajo, cada agente recibe el contexto que necesita para hacer su parte y, en principio, nada más.

Verificación cruzada

Este punto suele tener menos protagonismo del que merece.

Un agente puede revisar el trabajo realizado por otro y detectar errores que el primero no habría visto.

Tiene sentido precisamente porque el segundo agente no ha seguido el mismo camino que llevó al error. Puede mirar el resultado con otros criterios.

En determinados procesos, esta separación entre quien ejecuta y quien verifica puede aportar bastante más seguridad que simplemente añadir instrucciones al primer agente.

Qué cuesta tener varios agentes

También hay una parte menos atractiva.

Más latencia y más coste

Cuatro agentes implican cuatro procesos de razonamiento, aunque algunos puedan ejecutarse en paralelo.

Lo que antes se resolvía en seis segundos puede acabar tardando treinta. Y el coste de inferencia crece de forma parecida.

Los errores pueden propagarse

Si el primer agente clasifica mal un caso, los siguientes pueden hacer perfectamente su trabajo y aun así llegar a una conclusión equivocada.

Es uno de los problemas más peligrosos porque el sistema no tiene por qué fallar de forma evidente.

Puede producir una respuesta incorrecta siguiendo todos los pasos previstos.

Depurar es más difícil

Con un único agente puedes revisar una traza y seguir el proceso relativamente rápido.

Con cinco agentes, primero tienes que averiguar en qué punto empezó el problema. Después hay que seguir cómo se propagó de un agente al siguiente.

Las trazas crecen y dejan de ser algo que puedas entender de un vistazo.

Nada de esto significa que los equipos de agentes sean una mala idea.

Son simplemente los costes que aparecen cuando repartes el trabajo. Conviene conocerlos antes de decidir que necesitas hacerlo.

Cuando las fases realmente son diferentes

La pregunta importante no es si el proceso parece complejo.

Casi cualquier proceso empresarial puede parecerlo cuando lo dibujas entero.

La pregunta es otra:

¿Tiene fases que utilizan criterios de decisión diferentes?

Ahí es donde un equipo de agentes empieza a tener sentido.

Por ejemplo, una fase puede clasificar una solicitud, otra consultar información en varios sistemas, otra preparar una respuesta y una última comprobarla contra determinadas reglas de negocio.

Son trabajos distintos y requieren formas distintas de decidir.

En ese escenario, separar los agentes puede aportar bastante.

En cambio, si tenemos diez pasos que consisten básicamente en consultar datos, transformarlos y volver a consultarlos, probablemente no necesitamos un equipo.

Puede que baste con un único agente con un procedimiento bien definido.

O incluso puede que no necesitemos un agente en absoluto y que un flujo automático tradicional sea suficiente.

Hay además una prueba bastante sencilla.

Si no puedes explicar en una frase qué decide cada agente, probablemente todavía no tienes una buena arquitectura multiagente.

Tienes un agente grande al que has partido en trozos.

Y eso puede acabar juntando los inconvenientes de ambas alternativas sin aprovechar realmente las ventajas de ninguna.

Empieza por un agente

Puede parecer contradictorio, pero la forma más sensata de llegar a un equipo de agentes es no empezar diseñando el equipo.

Primero monta un agente que intente hacer el proceso completo.

Aunque no lo haga especialmente bien.

Ese primer agente te va a enseñar dónde están realmente las dificultades. Y normalmente no estarán exactamente en los puntos que habías marcado en una pizarra antes de empezar.

Después de observarlo durante un tiempo, empezarán a aparecer patrones.

Quizá siempre tiene problemas al clasificar determinados casos.

Quizá la consulta a varios sistemas es demasiado compleja.

Quizá la validación final necesita unos criterios completamente diferentes a los utilizados para generar el resultado.

Ahí tienes un buen candidato para separar responsabilidades.

Repartir el proceso antes de entender dónde están esas fronteras es adelantarse.

Es como dibujar el organigrama de un trabajo que todavía no conoces bien.

La coordinación es otro problema

Una vez decides separar el trabajo, aparece una segunda cuestión:

¿Cómo se coordinan los agentes?

Quién decide qué agente interviene. Quién ejecuta. Cómo se pasa la información de uno a otro. Qué ocurre cuando un agente falla. Qué pasa si dos agentes llegan a conclusiones diferentes.

Hay varias formas de resolverlo y no todas encajan igual de bien en todos los procesos.

Además, la elección tiene consecuencias importantes sobre el coste, la trazabilidad y el comportamiento del sistema.

Por eso, antes de montar un equipo de agentes, conviene tener claro qué problema estás intentando resolver con la separación.

No se trata de utilizar cinco agentes porque cinco parezcan más sofisticados que uno.

Se trata de que cada uno tenga una responsabilidad que pueda explicar de forma clara y que la coordinación entre ellos aporte algo que un único agente no pueda conseguir razonablemente bien.

Cómo repartir esas responsabilidades y qué patrones de orquestación existen es el siguiente problema que hay que resolver. Lo desarrollo en Paradigmas de orquestación de agentes de IA.