Autoorganización de agentes LLM sin roles +14% calidad

Auto-organización de agentes LLM: Eliminar roles mejora la eficiencia en un 14%

Un sistema de agentes LLM sin roles y jerarquías rígidas supera en un 14% a los enfoques tradicionales basados en coordinadores en la métrica de calidad Q (p < 0,001). Un experimento con 25.000 tareas, 8 modelos y hasta 256 agentes demostró que los agentes determinan especializaciones de forma independiente, rechazan tareas innecesarias y escalan sin pérdida de rendimiento. El protocolo secuencial, donde los agentes trabajan en secuencia con acceso a los resultados de sus predecesores, ofreció el mayor rendimiento.

Escala y metodología del experimento

El experimento abarcó más de 25.000 tareas en cuatro niveles de complejidad: desde verificación de API (L1) hasta escenarios adversarios como CEO vs Legal vs CFO (L4). Se probaron ocho modelos: Claude, GPT-5.4, GPT-4o, GPT-4.1-mini, DeepSeek v3.2, GLM-5, Gemini-3-flash, GigaChat 2 Max. El número de agentes varió de 4 a 256, con un consumo total de tokens superior a 1.000 millones.

La calidad de las soluciones fue evaluada por un modelo juez en cinco criterios: precisión, exhaustividad, coherencia, aplicabilidad y alineación con la misión. La métrica Q osciló entre 0,25 y 1,0.

Se compararon ocho protocolos de coordinación, incluidos cuatro inspirados en la biología. El foco estuvo en la coordinación horizontal: cómo un grupo de agentes forma un sistema unificado sin refuerzo vertical de instancias individuales.

Protocolos de coordinación y su efectividad

Se probaron cuatro protocolos clave con modelos, tareas y número de agentes idénticos:

• Coordinador: Un Agente-0 central asigna roles; los demás ejecutan en paralelo.
• Secuencial: Los agentes trabajan por turnos, cada uno analiza resultados específicos de agentes anteriores y decide sobre rol y participación.
• Difusión: Los agentes anuncian intenciones, luego se ajustan según los anuncios de otros.
• Compartido: Independencia total con memoria compartida.

Resultados en GPT-4.1-mini (N=8):

| Protocolo | Calidad Q |

|-------------|-----------|

| Secuencial | 0,724 |

| Coordinador | 0,640 |

| Difusión | 0,510 |

| Compartido | 0,503 |

La diferencia entre el mejor y el peor fue del 44% (d de Cohen = 1,86). En N=16 con Claude para tareas complejas, Secuencial logró Q=0,875 frente a 0,767 de Coordinador (+14%, p < 0,001).

Secuencial gana debido al acceso a resultados reales completados, no a intenciones o historiales generales.

Dinámica de roles y especialización

Ocho agentes en cientos de tareas generaron 5006 roles únicos, el 54% de los cuales se usaron solo una vez. Con 64 agentes: 5010 roles (una diferencia del 0,1%). Los agentes adaptan sus funciones al contexto de cada tarea, ignorando perfiles fijos.

En Secuencial, los roles cambian dinámicamente, formando una red distribuida. En Coordinador, todas las conexiones pasan por el Agente-0, un punto único de fallo.

Auto-eliminación y optimización de recursos

Los agentes en Secuencial rechazan tareas voluntariamente: "Todos los puntos clave están cubiertos, no añadiré valor". De 60 agentes inactivos, 38 fueron auto-eliminaciones. Esto aumenta Q a 0,875 frente a 0,767 con participación forzada.

Claude muestra un 8,6% de rechazos conscientes, un nivel óptimo. El sistema mismo determina el número necesario de participantes, minimizando tokens.

Al escalar:

| N agentes | Q | Tokens |

|-----------|--------|----------|

| 8 | 0,954 | 3164 |

| 64 | 0,949 | 3537 |

| 256 | 0,967 | — |

El costo aumentó un 11,8% con un incremento de 8x en N, con ~45% de agentes auto-eliminándose.

Comparación de modelos y costo

En tareas complejas:

• Claude Sonnet 4.6: Q=0,875, costo alto.
• DeepSeek v3.2: Q=0,829 (~95% de Claude), costo ~1/24.
• GLM-5: Q=0,800, ~1/20.

DeepSeek supera a Claude en tareas adversarias (+6,0%), con alineación de misión 4,00/4,00.

Tendencia: Los modelos fuertes (Claude, DeepSeek) se benefician de la autonomía (+3,5–10,6%). Propiedades clave:

• Razonamiento: capacidades de cadena de pensamiento.
• Autorreflexión: evaluación de competencia.
• Seguimiento de instrucciones: adherencia al protocolo.
• Salida estructurada: formato estable.

Adaptación a la complejidad de la tarea

Q disminuye de L1 a L4 (-37,7%), pero la jerarquía se profundiza espontáneamente (1,22 → 1,56). Los agentes mismos construyen estructura sin instrucciones.

Conclusiones clave

• El protocolo secuencial aumenta Q en un 14% debido al acceso a resultados reales de predecesores.
• Los agentes generan miles de roles únicos, adaptándose al contexto sin perfiles fijos.
• La auto-eliminación voluntaria optimiza recursos: el 45% de los agentes no participa en N=256.
• DeepSeek v3.2 alcanza el 95% de la calidad de Claude a 1/24 del costo.
• La autonomía es efectiva con modelos fuertes que cuentan con razonamiento avanzado y autorreflexión.

— Editorial Team