Equipos de agentes IA consumen hasta 5× más tokens y apenas mejoran resultados

Una evaluación de Vals AI muestra que los equipos de agentes basados en GPT‑6 Sol y Claude Opus 5.5 gastan entre 1.8 y 5.1 veces más tokens que los mismos modelos operando en solitario, mientras que la mejora en la puntuación es prácticamente nula.

Una evaluación de Vals AI revela que los equipos de agentes construidos sobre los últimos modelos GPT‑6 Sol y Claude Opus 5.5 consumen entre 1.8× y 5.1× más tokens que los mismos modelos ejecutándose de forma aislada. La única mejora estadísticamente significativa se limitó a un incremento de 7,3 puntos en la prueba de razonamiento medio, lo que plantea serias dudas sobre la relación costo‑beneficio de esta arquitectura.

Costos ocultos del enfoque multiágente

Los equipos de agentes se venden como una solución para acelerar la resolución de problemas complejos, pero el estudio muestra que el Vibe Code Bench penaliza fuertemente el uso excesivo de tokens. Cada token extra representa tiempo de cómputo, consumo energético y, en entornos de producción, costes de facturación en la nube. Cuando la carga total del modelo ya está al máximo, la sobrecarga de coordinación no se traduce en mayor precisión.

• GPT‑6 Sol como agente único: consumo base de 1,0 × y puntuación de referencia.
• Equipo de 4 agentes GPT‑6 Sol: consumo 1,8 ×, puntuación +0,5 % (no significativo).
• Equipo de 16 agentes Claude Opus 5.5: consumo 5,1 ×, puntuación +0,8 % (sin significancia).

Rendimiento marginal en pruebas de razonamiento

Se compararon dos niveles de esfuerzo de razonamiento: medio y máximo. En el nivel medio, el equipo de GPT‑6 Sol logró una ventaja de 7,3 puntos, pero esa mejora desapareció al activar el modo de razonamiento máximo, donde la diferencia cayó a menos de 0,2 puntos. En otras palabras, el “extra” de los agentes solo se manifiesta cuando el modelo no está ya explotando todo su potencial de cómputo.

Los resultados de Anthropic citados en el informe corroboran la tendencia: al escalar de 10 a 100 agentes, la puntuación sube apenas un punto después de 24 horas de ejecución, mientras que el consumo de tokens se dispara de forma lineal.

¿Para qué sirve realmente la paralelización?

El investigador de OpenAI Noam Brown explicó que los sistemas multiágente compran velocidad más que calidad. Cuatro agentes pueden resolver una tarea en la mitad del tiempo, pero el coste total se duplica. La ventaja se mantiene en dominios altamente paralelizables, como búsqueda web o resolución de problemas matemáticos, donde cada agente puede trabajar sobre una sub‑tarea independiente.

En contraste, tareas creativas como la escritura de una novela no se benefician de la división del trabajo. Brown advirtió que “lanzar 10 000 agentes contra una novela sería tan inútil como lanzar 10 000 personas contra ella”. La coordinación entre agentes genera una “taxa de coordinación” que, según el desarrollador de OpenAI Eric Provencher, se traduce en “dinero desperdiciado”.

Implicaciones para desarrolladores y proveedores

Para los equipos que construyen aplicaciones basadas en agentes, la lección es clara: el modelo de negocio que cobra por token o por segundo de cómputo no tolera la ineficiencia de los enjambres. Si la única ganancia es una ejecución ligeramente más rápida, el cliente final terminará pagando más sin percibir una mejora perceptible en la calidad.

• Optimizar antes de escalar: Priorizar algoritmos de planificación y asignación de tareas dentro de un único agente.
• Evaluar la naturaleza del problema: Solo los casos con alta paralelización natural (crawling, pruebas de código, simulaciones) justifican la inversión en equipos.
• Monitorear el consumo de tokens: Herramientas de observabilidad deben alertar cuando el gasto supera el umbral de mejora de precisión.

En última instancia, la investigación sugiere que la industria está sobrevalorando la promesa de los enjambres de IA. La tendencia a lanzar “equipos de 100 agentes” parece más una estrategia de marketing que una solución técnica viable, al menos con la arquitectura actual de grandes modelos de lenguaje.

Qué significa este hallazgo para la comunidad de IA

El estudio de Vals AI podría frenar la ola de inversiones en plataformas de orquestación de agentes que prometen “IA a escala”. Los fondos destinados a infraestructura deberán redirigirse hacia mejoras en la eficiencia de los modelos individuales y en técnicas de prompt‑engineering que reduzcan la necesidad de coordinación externa. Mientras tanto, los desarrolladores que ya han adoptado arquitecturas multiágente deberían revisar sus métricas de coste‑beneficio y considerar volver a una configuración más simple.