Añade agentes a una tarea y la precisión colectiva sube — hasta unos dieciséis. Pasado ese punto cae, y el grupo deja de converger hacia una respuesta y empieza a dividirse en bandos que se confirman entre sí (NTT Research, 2026). No es un límite de capacidad. No es un límite de coste. Es un límite de coordinación — el mismo que gobierna a los equipos humanos, apareciendo en una hoja de ruta que daba por supuesto que más agentes significaban más resultado.
El número en sí es específico de la tarea y no se trasladará a tus flujos de trabajo. Lo que sí se traslada es la forma de la curva, y esa forma convierte el tamaño de la flota de agentes de variable de compras en variable de diseño: en todo despliegue agéntico hay un punto donde el agente marginal resta.
Qué midió realmente el Flag Game
El experimento procede de Elizabeth Pavlova, senior data scientist del Center for Brain Science de Harvard, y de Hidenori Tanaka, que dirige el Physics of Artificial Intelligence Lab de NTT Research y el Physics of Intelligence Program en Harvard CBS. El artículo — Flag Game: Interpreting Decision Mechanisms of Bounded Social Agents — se presentó en el taller AI4Good de ICML 2026 (Pavlova & Tanaka, 2026).
El montaje es deliberadamente escueto. Cada agente ve un único fragmento pequeño, asignado al azar, de una bandera nacional oculta. Ningún agente puede identificarla solo. Para responder, la población tiene que comunicarse — los agentes pasan sus conjeturas a un oyente, las difunden al grupo o consultan a un sistema gestor que devuelve una opinión. La partida termina cuando el 85 % o más de los agentes coinciden en la misma bandera durante tres rondas consecutivas, o cuando se agota el presupuesto de pasos (The Register, 2026).
Esa estructura es la razón por la que el resultado merece la atención de quien dirige operaciones. Aísla exactamente la tensión que contiene cualquier flujo agéntico: la evidencia privada de un agente frente al aporte social que llega del resto de la cadena. Reconciliar ambas cosas no es un problema de capacidad del modelo. Es un problema de estructura de comunicación.
Por debajo de unos dieciséis agentes, la población no logra reunir fragmentos suficientes para justificar una respuesta colectiva firme. Por encima, el modo de fallo se invierte: se forman subgrupos, y cada uno valida su posición internamente en lugar de contrastarla con la evidencia. La precisión colectiva cae aunque la información total del sistema siga creciendo.
Por qué la curva se dobla hacia abajo
La intuición que arrastran la mayoría de las hojas de ruta es que un sistema multiagente se degrada con suavidad — más agentes, más ruido, rendimientos decrecientes y al final una meseta. El resultado del Flag Game es peor que una meseta. Es un declive, y el mecanismo detrás es social, no técnico.
«Simplemente añadir más agentes de IA no mejora necesariamente el rendimiento — igual que contratar a más personas no hace automáticamente más eficaz a una empresa», declaró Tanaka en la publicación. «La comunicación se vuelve más difícil, y los grupos pueden partirse en bandos rivales» (NTT Research, 2026).
Leído como afirmación operativa resulta incómodo, porque las poblaciones de agentes polarizadas no parecen averiadas desde fuera. Producen resultados seguros y coherentes internamente. El consenso sigue formándose — dentro de cada bando. Lo que desaparece es la propiedad que estabas comprando: evidencia independiente, agregada. Una flota de veinte agentes que devuelve una respuesta nítida y equivocada es mucho más cara que una de seis que devuelve una incierta, y solo uno de esos dos estados aparece en tu monitorización.
El incentivo del proveedor apunta en sentido contrario
Ambos grandes laboratorios han promovido las arquitecturas multiagente como la vía para escalar el valor de la IA — OpenAI con su encuadre de «swarm» y ahora el Agents SDK, Anthropic con la orquestación multiagente (The Register, 2026). La implicación de ese posicionamiento es que la productividad sube con el número de agentes. Fíjate en quién paga cuando eso ocurre.
No es una acusación de mala fe; la orquestación es genuinamente útil. Es una observación sobre hacia dónde apunta el consejo por defecto cuando la investigación dice que el rango útil está acotado y nadie en la cadena de suministro tiene incentivo para encontrar ese límite por ti.
Los dos hallazgos que importan más que el 16
La cifra de titular se citará durante un año. Las dos conclusiones secundarias son las que cambian lo que un equipo de operaciones del mercado medio hace el lunes.
La estructura vence a la escala. El planteamiento de los investigadores es que el rendimiento de la IA empresarial depende no solo de cuántos agentes despliegas, sino de cómo se comunican esos agentes, cómo están organizados y cómo los humanos guían su colaboración (NTT Research, 2026). El reto, en sus palabras, no es construir organizaciones de IA más grandes — es diseñarlas más eficaces.
La diversidad de modelos se nombra como variable de diseño. La investigación plantea el éxito organizativo como un equilibrio entre escala, comunicación, estructura y diversidad de modelos, con agentes que se complementan en lugar de duplicarse. La publicación pública no ofrece una comparación cuantificada entre equipos multimodelo y de modelo único, así que trata la dirección como orientación de diseño de los autores y no como efecto medido — pero observa que apunta de lleno contra el instinto de estandarizar en un solo proveedor, que es el estado por defecto de la mayoría de las funciones de compras.
Por qué el punto sobre diversidad tiene apoyo independiente
Existe una base de evidencia separada que apunta en la misma dirección. Una revisión sistemática con metaanálisis sobre 19 estudios y 61 tamaños de efecto halló que la cocreación con IA generativa produce una homogeneización del resultado pequeña pero robusta, d = 0,334, no explicada por sesgo de publicación (de Rooij & Biskjaer, 2026). El mecanismo es el anclaje: el modelo aporta el punto de partida, el humano elabora, y la elaboración preserva la calidad mientras destruye la independencia.
Esos estudios comparaban trabajo asistido por IA frente a trabajo sin asistir, no organizaciones de un solo proveedor frente a multiproveedor. La extensión a la concentración de proveedores es una inferencia, no un hallazgo — lo señalo como tal. Pero dos líneas de investigación independientes convergen ya en la misma cautela operativa: una población de agentes que bebe de priores idénticos coincidirá más rápido y significará menos. En el Flag Game, el acuerdo es la condición de victoria. En tu negocio, el acuerdo es justo lo que intentabas poner a prueba.
Lo que 16 no es
Tres límites, planteados antes de que alguien lo convierta en política.
No es una constante transferible. Dieciséis es el pico de una única tarea sintética de consenso, con una topología de comunicación y una regla de parada concretas. Un pipeline de extracción documental, una flota de revisión de código y un sistema de triaje de clientes tienen estructuras de evidencia distintas y harán pico en otro sitio — quizá en cuatro, quizá en cuarenta.
No es una afirmación sobre la calidad de los agentes. El declive es una propiedad de la comunicación de la población, no del razonamiento de ningún agente individual. Modelos mejores no lo arreglan de forma obvia; fuentes de evidencia más independientes quizá sí.
Es un artículo de taller, no un estudio empresarial longitudinal. AI4Good es un track de taller de ICML con revisión por pares, es decir, ciencia creíble en fase temprana — no un resultado de campo replicado en despliegues de producción. Trátalo como una advertencia bien diseñada sobre un mecanismo, no como una tabla de calibración.
Lo que sobrevive a los tres es la asimetría. Si el rendimiento colectivo frente al número de agentes es una U invertida y no una recta creciente, entonces toda hoja de ruta agéntica necesita un número donde se detiene — y casi ninguna lo tiene.
La comparación humana que ya estás gestionando
La analogía de Tanaka con la contratación no es decorativa. Los responsables de operaciones ya gestionan un techo de coordinación y ya conocen la cifra, porque está en el organigrama.
Los datos de Gallup 2026 sobre span of control sitúan al mánager estadounidense medio en 12,1 reportes directos, frente a 10,9 el año anterior — pero la mediana se mantiene en cinco o seis desde 2013, con la media empujada al alza por una cola fina de equipos por encima de 25 (Gallup, 2026). Nadie sostiene que un mánager con 40 reportes sea 3 veces más eficaz que uno con 13. Damos por hecho, correctamente, que el coste de coordinación se come la ganancia.
Las flotas de agentes se han librado de ese razonamiento por una sola razón: en el margen, los agentes parecen gratis. No lo son en el margen en términos de precisión, y el Flag Game es la primera demostración limpia de que el coste en precisión llega antes que la línea de gasto.
Mientras tanto, la curva de despliegue no espera. El Work Trend Index 2026 de Microsoft reporta agentes activos en el ecosistema Microsoft 365 creciendo 15 veces interanualmente, y 18 veces en grandes empresas (Microsoft, 2026). Los tamaños de flota se están fijando ahora mismo, por quienquiera que configure el flujo, sin ningún techo declarado.
Diseña la flota, no te limites a dimensionarla
Cuatro movimientos, ordenados por lo baratos que son.
Pon un techo al tamaño de flota por tarea y déjalo por escrito. No una política global — un número por flujo de trabajo, elegido deliberadamente, registrado junto al flujo. Importa menos el valor que la existencia de un valor del que alguien responde.
Gasta el siguiente dólar marginal en instrucción, no en plantilla. La afirmación central de la investigación es que el modo en que los humanos estructuran y guían el sistema mueve el rendimiento colectivo. Clarificar la especificación de la tarea para una flota existente cuesta una tarde; el decimoséptimo agente cuesta una licencia y puede costar precisión.
Mezcla modelos deliberadamente donde la tarea sea juicio, no volumen. Para trabajo paralelo mecánico, la homogeneidad está bien y es más simple de operar. Donde la flota existe para sopesar evidencias en conflicto, los priores idénticos son el modo de fallo — y estandarizar en un solo proveedor es la vía más rápida hacia ellos.
Instrumenta la polarización, no solo la precisión. Registra la dinámica de acuerdo: con qué rapidez se forma el consenso, cuántos clústeres de respuesta distintos aparecen antes, si la disidencia desaparece antes a medida que escalas. Una flota que converge más rápido al crecer te está mostrando la señal de alarma, no la mejora.
Una decisión para este trimestre
Toma tu flujo agéntico de mayor riesgo — aquel cuyo resultado va a un cliente, a un regulador o a la cuenta de resultados. Ejecútalo con su tamaño de flota actual y luego con la mitad. Si la precisión aguanta, has encontrado margen gratis y un techo operativo. Si baja, tienes evidencia a favor del tamaño que ya elegiste, que es más de lo que la mayoría de hojas de ruta puede aportar.
La pregunta que financia la expansión de agentes es cuántos podemos ejecutar. La pregunta que determina si funciona es cuántos deberían estar hablando entre sí. Solo una de las dos tiene respuesta en la investigación, y es más pequeña de lo que sugiere la diapositiva de tu proveedor.
