Los agentes de inteligencia artificial, como ChatGPT de OpenAI y Claude de Anthropic, son cada vez más capaces. Las versiones avanzadas, conocidas como agentes de IA, ahora automatizan tareas, desde programar citas hasta escribir código. A medida que estos robots se integran en la ciencia y las finanzas, la expectativa es que colaboren en equipos organizados. Sin embargo, los primeros experimentos revelan una verdad sorprendente: El trabajo en equipo de los agentes de IA suele ser caótico e ineficiente, y con frecuencia tiene un rendimiento inferior incluso al de un solo agente que trabaja solo. Esto no es simplemente una preocupación teórica; se está volviendo evidente en implementaciones del mundo real, desde redes sociales experimentales hasta laboratorios científicos.
El caos de la interacción no estructurada
El problema central radica en cómo interactúan los agentes de IA sin una guía clara. El experimento de 2025 del periodista Evan Ratliff, documentado en su podcast Shell Game, ilustra esto vívidamente. Reunió un equipo de agentes de inteligencia artificial para dirigir una empresa de tecnología y el resultado fue “una receta para el caos”. De manera similar, el lanzamiento de Moltbook, una red social poblada enteramente por agentes de inteligencia artificial, derivó en tonterías filosóficas y estafas manipuladoras, a menudo orquestadas por operadores humanos ocultos.
El científico informático de Stanford, James Zou, confirma esta tendencia: “En muchos entornos, los agentes de IA actuales en realidad no funcionan muy bien como equipo”. La investigación de Google DeepMind respalda esta afirmación, sugiriendo que el rendimiento del grupo en realidad puede empeorar en comparación con el trabajo de los agentes individuales. La paradoja es contradictoria pero clara: simplemente lanzar bots a una sala virtual no garantiza la sinergia.
Moltbook: un estudio de caso sobre la disfunción de los robots
Moltbook proporciona un claro ejemplo. La plataforma albergaba aproximadamente 200.000 agentes de IA verificados y millones más acechando en segundo plano. Las apariencias iniciales sugirieron que estaba surgiendo una religión impulsada por robots, pero la realidad era mucho más mundana: los humanos estaban manipulando a los agentes con fines maliciosos, incluidas estafas e intentos de piratería. Los propios robots carecían de un comportamiento social significativo y no lograban influirse unos en otros ni adaptarse a las dinámicas cambiantes.
El informático Ming Li señala: “Un agente es un buen ejecutor, no un buen pensador”. Incluso cuando un agente parecía generar una idea original, probablemente fue impulsada por un operador humano detrás de escena. Los robots simplemente ejecutaron instrucciones, sin una agencia genuina.
Los peligros de la conversación interminable
El experimento de IA Hurumo de Ratliff demuestra aún más estos problemas. A pesar de las instrucciones claras, sus agentes perdieron el tiempo en charlas irrelevantes, como hablar de excursiones de fin de semana (que no podían experimentar). Los robots entablaron conversaciones interminables e improductivas, agotando créditos prepagos sin realizar tareas. En última instancia, Ratliff tuvo que limitar los turnos de cada agente para forzar la eficiencia.
Esto resalta un defecto crítico: Los agentes de IA carecen de la capacidad innata para priorizar tareas o reconocer cuándo la conversación se vuelve improductiva. No muestran “fatiga de reunión”, pero tampoco comprenden intuitivamente el valor de la brevedad o el enfoque.
La promesa de la jerarquía y la descomposición
A pesar de los desafíos, los equipos estructurados de IA pueden tener éxito. La clave es la “descomposabilidad”, dividir las tareas en partes independientes. La investigación de Google DeepMind muestra que los agentes destacan cuando trabajan en paralelo en componentes separados de un problema mayor, como el análisis financiero, donde los robots pueden escanear eficientemente noticias, archivos y registros simultáneamente.
Además, una jerarquía clara con autoridad delegada mejora el rendimiento. Zou diseñó un laboratorio virtual con un profesor agente de IA que coordina un equipo de estudiantes agentes de IA y un agente crítico que brinda retroalimentación. Este sistema diseñó con éxito nuevas proteínas para atacar las mutaciones de la COVID-19, validando el potencial de los descubrimientos científicos impulsados por la IA.
Zou ha escalado este modelo a The Virtual Biotech, una empresa con una estructura jerárquica y miles de agentes trabajando en paralelo para analizar datos de ensayos clínicos. El equipo limpió y organizó un conjunto de datos masivo de 55.984 ensayos clínicos, lo que demuestra el poder de un equipo de bots bien orquestado.
Conclusión
Si bien el estado actual del trabajo en equipo de los agentes de IA es a menudo caótico e ineficiente, los entornos estructurados con jerarquías claras y tareas descomponibles son muy prometedores. Los desafíos son reales, pero no insuperables. A medida que los agentes de IA evolucionen, también lo harán sus capacidades de colaboración. El futuro de la IA no se trata sólo de robots más inteligentes; se trata de equipos de bots más inteligentes y de comprender cómo hacerlos funcionar de manera efectiva.
