Sistemas multiagente: un equipo de agentes de IA cuesta hasta 5 veces más y casi nunca rinde mejor

El 9 de octubre de 2026 el laboratorio Vals AI publicó una medición que conviene tener a mano la próxima vez que alguien te ofrezca un "equipo de agentes" para tu empresa. Pusieron a los dos modelos más capaces del momento, GPT 6 Sol de OpenAI y Claude Opus 5.5 de Anthropic, a construir 50 aplicaciones web completas de dos maneras: un agente solo, y un agente líder que reparte el trabajo entre hasta cinco subagentes. Es la forma de trabajar que hoy se vende como sistemas multiagente. El resultado: los equipos costaron entre 1,8 y 5,1 veces más que el agente solo, y en tres de las cuatro comparaciones la mejora en el resultado no fue estadísticamente significativa.

Lo escribo porque la oferta de "un equipo de agentes de IA" ya llegó a las empresas de acá, con la forma de un organigrama de robots: el agente que investiga, el que redacta, el que revisa, el que coordina. Suena a más capacidad. Lo que midió Vals es que, en el mismo trabajo, suele ser más factura con el mismo resultado.

Los números: ocho configuraciones, una sola mejora que se sostiene

Vals corrió cada modelo en cuatro variantes, solo o en equipo, con esfuerzo de razonamiento medio o máximo, sobre las mismas 50 aplicaciones. El puntaje es el porcentaje de pruebas de interfaz que la aplicación pasa, y el costo es por aplicación terminada, a precio de lista.

• GPT 6 Sol con esfuerzo medio: solo sacó 77,6% por US$ 1,22. En equipo subió a 84,9% por US$ 3,07. Esta es la única mejora estadísticamente significativa de todo el estudio.
• GPT 6 Sol con esfuerzo máximo: solo sacó 89% por US$ 4,82. En equipo, 90,4% por US$ 8,54. Un punto y medio más, por casi el doble.
• Claude Opus 5.5 con esfuerzo medio: solo sacó 91,5% por US$ 4,08. En equipo, 91,2% por US$ 9,10. Más del doble de costo para el mismo resultado.
• Claude Opus 5.5 con esfuerzo máximo: solo sacó 89,8% por US$ 23,77. En equipo llegó a 93,2%, el puntaje más alto del estudio, pero por US$ 122 por aplicación y 174 minutos de corrida. Treinta veces el costo de la variante más barata de ese mismo modelo, por 1,7 puntos más que tampoco fueron significativos.

La configuración más barata de Opus, un agente solo con esfuerzo medio, rindió prácticamente igual que la más cara. Si tuviera que elegir una sola línea del estudio para un directorio sería esa.

Hay un detalle que me parece más útil todavía que los totales. Para Sol, subirle el esfuerzo de razonamiento al agente solo le dio 11,4 puntos más. Sumarle un equipo le dio 7,3. O sea que la misma plata rindió más gastada en que un solo agente piense más que en repartir el trabajo entre varios. Para Opus ninguna de las dos cosas movió la aguja. Los propios autores aclaran que es un solo benchmark, de aplicaciones web, y que en otro tipo de trabajo puede dar distinto. Pero la dirección de la cuenta es la que importa.

A dónde se va la plata cuando sumás agentes

Lo que encarece un sistema multiagente no es que haya más modelos pensando. Es que cada subagente tiene su propio contexto, con la consigna completa y su estado de trabajo, y ese contexto se vuelve a mandar en cada llamada al modelo. En la corrida de Opus con esfuerzo máximo, los subagentes leyeron una mediana de 224 millones de tokens de contexto por aplicación. El agente solo leyó 55 millones para hacer el mismo trabajo.

En una empresa es como si contrataras a cinco personas para una tarea y cada una, antes de decir cualquier cosa, tuviera que volver a leer la carpeta entera del proyecto. Y encima esperarse entre sí. Los equipos de Opus trabajaban por tandas, primero los que construyen la base, después los que agregan funciones, después los que prueban, y cada tanda esperaba al más lento. Por eso tardaron hasta 2,3 veces más que el agente solo. En el caso de Sol los equipos sí terminaron antes, porque el líder repartía en paralelo desde el primer minuto, pero el ahorro de tiempo no vino con mejor resultado.

Esto no es un problema de la tecnología que se vaya a resolver con el modelo del mes que viene. Es la estructura: más agentes, más contexto repetido, más coordinación. Lo mismo que pasa con las reuniones.

Cuándo sí rinde un equipo de agentes

Sería deshonesto decir que nunca sirve. En el único caso donde el equipo mejoró de verdad, Sol con esfuerzo medio, Vals miró dónde estaban los puntos ganados. Estaban en las aplicaciones más difíciles, y la razón era concreta: el agente solo declaraba que había terminado y había probado todo, cuando en realidad se había salteado funciones enteras. El equipo cubría más de la consigna y el líder revisaba que las partes encajaran entre sí, y encontraba cosas como un formulario que no coincidía con la base de datos.

Para una empresa eso quiere decir que el equipo sirvió como control de calidad sobre un agente que dejaba trabajo sin hacer. Y eso vale cuando el trabajo se parte en pedazos que de verdad son independientes y alguien tiene que verificar que encajen. Vals apunta a eso mismo para seguir investigando: bases de código grandes, preguntas de investigación amplias, análisis sobre muchos documentos. Procesar los reclamos del mes, contestar consultas o armar el informe del lunes no entra en esa descripción. Son tareas de un paso, y para un paso alcanza con un agente, bien acotado. La lógica de hasta dónde dejarlo actuar solo la escribí en cuánta autonomía darle a un agente de IA.

La otra noticia de la misma semana: decisiones chicas a modelos chicos

El mismo 9 de octubre Microsoft presentó Microsoft-Decision-1, un modelo que no genera texto. Está hecho para enrutar, clasificar, priorizar, verificar y controlar el flujo de un proceso, y devuelve respuestas que un programa puede ejecutar directo: sí o no, una opción entre varias, un puntaje. Cuesta US$ 0,042 por millón de tokens de entrada y la salida es gratis, y según Microsoft su latencia mediana es unas 35 veces menor que la de GPT 6 Sol. Ese mismo día Cloudflare bajó el precio de Clef-flash, su modelo de decisión de pesos abiertos, de US$ 0,09 a US$ 0,038 por millón de tokens de entrada.

Para una empresa esto importa más que el nombre del modelo, porque adentro de cualquier agente la mayoría de los pasos no son redacción, son decisiones chicas. Este mensaje es urgente o puede esperar. Este pedido tiene todos los datos o le falta algo. Esta respuesta que armó el modelo grande cumple la política o no. Hoy esas decisiones se le piden al mismo modelo caro que redacta, y cada una suma latencia y factura. Microsoft lo pone en números: 100 milisegundos más en cada una de 20 decisiones encadenadas son dos segundos más por proceso.

Haciendo la cuenta con el precio de lista, clasificar los 3.000 mensajes de WhatsApp que recibe por mes, pongamos, una distribuidora de Montevideo, a unos 500 tokens cada uno, sale 6 centavos de dólar. Con eso la discusión sobre el costo de clasificar se terminó, y lo que queda es lo que ya conté en clasificar consultas con IA: medir si acierta.

Si juntás las dos noticias de la semana, lo que queda es un modelo grande, uno solo, con más esfuerzo de razonamiento en el paso donde hace falta criterio, modelos chicos para las decisiones de sí o no, y una persona aprobando lo que sale para afuera. El organigrama de seis agentes conversando entre sí no aparece por ningún lado.

Cómo lo armo yo, y qué le pido a un proveedor

Soy Embajador oficial de n8n en Uruguay y los flujos que armo se parecen poco a lo que se promociona como sistema multiagente. Son nodos. El modelo grande interviene en uno o dos, donde hay que interpretar algo. Las decisiones de sí o no van en nodos de reglas o en un modelo chico. Cuando una parte del trabajo es grande y separable, la saco a un subflujo que se llama cuando hace falta, y cada ejecución queda registrada con lo que consumió. Eso es lo que me permite contestar cuánto cuesta cada tarea terminada, que es el único número que compara bien un agente solo contra un equipo.

Si estás evaluando una propuesta de un proveedor, estas son las preguntas que yo haría antes de firmar, en este orden:

• Cuánto cuesta cada tarea terminada, no cada mes de licencia. Un pedido procesado, una consulta resuelta, un informe armado. Si el proveedor no lo sabe, no lo midió.
• Cuánto da el mismo trabajo con un solo agente y más esfuerzo de razonamiento. Si nunca lo probaron, el equipo lo eligieron porque se vende mejor, no porque lo hayan medido.
• Qué parte del trabajo se divide de verdad en pedazos independientes. Si la respuesta es "el agente A le pasa el resultado al B y el B al C", eso es una cadena, no un equipo, y una cadena se arma con un flujo común.
• Qué decisiones toma un modelo chico y cuáles el grande. Si todo pasa por el modelo caro, la factura de operar lo va a mostrar al tercer mes.
• Cómo se ve lo que gastó cada corrida. Sin eso no hay forma de saber si el costo se fue en trabajo o en contexto repetido.

Y una prueba que se hace en una semana: dale al proveedor 20 casos reales tuyos, de los difíciles, y pedile el resultado y el costo con el agente solo y con el equipo. Es exactamente lo que hizo Vals, a escala de empresa. Si no sabés cómo leer lo que te conteste el proveedor, traé la propuesta a la comunidad Implementadores IA: ahí hay gente que ya pasó por esa prueba y te dice qué le cobraron por cada tarea.

Esto conecta con algo que ya escribí mirando otro experimento, el de los siete modelos que salieron a vender y facturaron cero: lo que se delega bien es una tarea, no un rol. Un equipo de agentes con nombre de puesto cada uno repite ese error seis veces.

Preguntas frecuentes sobre sistemas multiagente

Qué es un sistema multiagente de IA?

Es una forma de organizar el trabajo de la IA en la que un agente líder recibe el objetivo, lo parte en tareas y se las reparte a varios subagentes, cada uno con su propio contexto y sus propias herramientas, y después integra lo que le devuelven. OpenAI y Anthropic lo ofrecen de forma nativa desde 2026. Se diferencia de una automatización encadenada en que el reparto lo decide el líder en el momento, no está escrito de antemano.

Un equipo de agentes rinde mejor que un agente solo?

En la medición de Vals AI del 9 de octubre de 2026, sobre 50 aplicaciones web y con los dos modelos más capaces del mercado, los equipos costaron entre 1,8 y 5,1 veces más y sólo una de cuatro comparaciones mostró una mejora estadísticamente significativa. En el caso de GPT 6 Sol, subir el esfuerzo de razonamiento de un agente solo rindió más que sumarle un equipo. Los autores aclaran que es un solo tipo de tarea y que en otras puede cambiar.

Cuánto cuesta operar un sistema multiagente?

Depende del modelo y del esfuerzo de razonamiento, pero el rango del estudio va de US$ 3,07 a US$ 122 por tarea compleja terminada. La mayor parte del costo extra respecto de un agente solo es contexto repetido: cada subagente vuelve a enviar su consigna y su estado en cada llamada. Por eso la pregunta útil para un proveedor es el costo por tarea terminada, no el precio de la licencia mensual.

Qué es un modelo de decisión y para qué sirve en una empresa?

Es un modelo chico que no redacta: clasifica, prioriza, verifica o elige una opción, y devuelve una respuesta que el sistema puede usar directo. Microsoft-Decision-1 (US$ 0,042 por millón de tokens de entrada, salida gratis) y Clef-flash de Cloudflare (US$ 0,038) son dos ejemplos lanzados o abaratados el 9 de octubre de 2026. Sirven para los pasos de sí o no que hoy se le piden al modelo grande, que son la mayoría de los pasos de cualquier proceso automatizado.

Cuándo conviene de verdad un equipo de agentes?

Cuando el trabajo se parte en piezas independientes que pueden avanzar en paralelo y alguien tiene que verificar que encajen, como una base de código grande o un análisis sobre muchos documentos. En el estudio, el equipo ganó en las tareas más difíciles porque cubrió partes que el agente solo se salteaba. Para procesos de un paso, como clasificar, contestar o armar un informe, un agente acotado alcanza.

Qué pedir esta semana antes de firmar un sistema multiagente

Si tenés una propuesta sobre la mesa, mandale al proveedor las cinco preguntas de arriba por mail y pedile la prueba con tus 20 casos. Las respuestas te van a decir si te están vendiendo una arquitectura o una cantidad de agentes.

Y si ya tenés algo funcionando, mirá una sola cosa: cuántos de los pasos de ese flujo son una decisión de sí o no que hoy pasa por el modelo caro. Cada uno de esos es candidato a pasar a un modelo chico, y es la baja de costo más rápida que conozco en este momento, porque no toca nada de lo que el agente ya hace bien. La forma de ponerle número a ese ahorro está en cómo calcular el retorno de adoptar IA.

Fuentes: Vals AI, "Do Agent Teams Pay Off? A Case Study on Vibe Code Bench" (9 de octubre de 2026); Microsoft, "Introducing Microsoft-Decision-1" (9 de octubre de 2026); Cloudflare, "Introducing Clef-omni, plus a faster Clef and a cheaper Clef-flash" (9 de octubre de 2026).