¿Los equipos de agentes de IA rinden mejor? Los benchmarks dicen que casi nunca
En general, no. Vals AI comprobó que combinar GPT-6 Sol y Claude Opus 5.5 en equipo rara vez compensaba los tokens adicionales, aunque una configuración de Sol con razonamiento medio mejoró notablemente.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Normalmente no. El 11 de octubre de 2026, Vals AI informó de que los equipos de agentes de IA suelen costar entre 1.8x y 5.1x más que los agentes individuales y apenas aportan mejoras de calidad medibles, sobre todo con razonamiento máximo. Para desarrolladores y empresas que crean flujos de trabajo con agentes, la conclusión inmediata es sencilla: si buscas mejores resultados, prueba primero un agente individual potente antes de pagar por un equipo.
Qué evaluó Vals AI
Vals AI evaluó GPT-6 Sol y Claude Opus 5.5 en su Vibe Code Bench, tanto en solitario como en equipo, y en ambos casos con esfuerzo de razonamiento medio y máximo. De las cuatro comparaciones entre equipo y agente individual, solo una mostró una mejora de calidad estadísticamente significativa: GPT-6 Sol con razonamiento medio, donde el equipo obtuvo 7.3 puntos más. Con razonamiento máximo, la configuración en equipo no dio a ninguno de los dos modelos una ventaja relevante.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Por qué importa
- La investigación sugiere que los sistemas multiagente suelen ser una decisión de costes, no de calidad.
- Si un modelo ya funciona con el máximo esfuerzo de razonamiento, añadir más agentes puede no mejorar mucho el resultado.
- Los equipos pueden seguir teniendo sentido cuando terminar antes importa más que exprimir un resultado ligeramente mejor.
- En flujos de programación e investigación con un uso intensivo de tokens, el coste de coordinación puede convertirse en un auténtico problema de presupuesto.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Más agentes parecían ayudar más a la velocidad que a la calidad
La tendencia general que recoge la fuente apunta en la misma dirección. Las propias pruebas de Anthropic con Opus 5.5 mostraron rendimientos decrecientes a medida que se añadían agentes: en la tarea de base de conocimiento, las puntuaciones pasaron de 0.53 con un agente a 0.70 con 10, 0.71 con 30 y 0.74 con 100. En demostración de teoremas con Lean, las puntuaciones fueron 0.39, 0.66, 0.66 y 0.68. El investigador de OpenAI Noam Brown también afirmó que los sistemas multiagente aportan sobre todo velocidad, no más calidad, y señaló que cuatro agentes terminaban las tareas aproximadamente el doble de rápido con aproximadamente el doble de coste. Ese equilibrio parece funcionar mejor en tareas paralelizables, como la búsqueda en la web o las matemáticas, que en trabajos muy integrados, como la redacción de textos largos, donde la coordinación se convierte en un lastre.
¿Deberías dejar de usar equipos de agentes de IA?
No necesariamente. Los resultados indican que los equipos suelen ser una mala forma de comprar calidad, pero pueden seguir siendo útiles cuando la velocidad importa y la tarea se puede dividir en trabajo paralelo.
¿Alguna configuración en equipo mejoró los resultados en esta investigación?
Sí. Vals AI encontró una mejora de calidad estadísticamente significativa: GPT-6 Sol en equipo con razonamiento medio obtuvo 7.3 puntos más que la versión individual.
¿Cuál fue el principal inconveniente de las configuraciones multiagente?
El coste. En las pruebas de Vals AI, los equipos costaron entre 1.8x y 5.1x más que los agentes individuales, y esos tokens adicionales normalmente no se tradujeron en resultados mucho mejores.
¿Qué tipos de tareas pueden beneficiarse más de varios agentes?
Según la fuente, las tareas que se paralelizan bien, como la búsqueda en la web y las matemáticas, son mejores candidatas. Las tareas que dependen de una única línea de pensamiento coherente, como la escritura, parecen menos adecuadas para grandes enjambres de agentes.


