Cuando le pides a un LLM que genere un informe, puede que te dé una estadística que aparece de la nada. Pero si lo discutes con tres o cuatro modelos más, la tasa de alucinaciones disminuye drásticamente.
Es contraintuitivo: durante mucho tiempo hemos fantaseado con un cerebro IA omnisciente, único e invencible. ¿Y si, en cambio, la verdadera potencia radica en el colectivo?
Estamos viendo surgir un enfoque que desafía esta idea preconcebida: la arquitectura Mixture‑of‑Agents (MoA). Capas de modelos que trabajan juntas, se corrigen y se enriquecen mutuamente.
Este artículo desmenuza el principio, sus rendimientos en comparación con GPT‑4 Omni, la adopción acelerada en las empresas y, sobre todo, las precauciones que nos recuerdan por qué el ser humano sigue siendo el director de orquesta.
1. ¿Qué es la arquitectura Mixture‑of‑Agents (MoA)?
Una arquitectura en capas inspirada en el debate
El punto de partida es un documento fundacional publicado en arXiv en junio de 2024. ¿La idea? Superponer varias capas de agentes LLM. Cada agente de la capa n recibe como entrada las respuestas producidas por los agentes de la capa anterior, actuando como un contexto auxiliar. A simple vista, no parece complicado, pero el resultado lo cambia todo.
La información se afina de capa en capa, como si un equipo de especialistas revisara sucesivamente las propuestas de los demás.
La arquitectura separa claramente dos roles, tal como explica el artículo Together Mixture-Of-Agents (MoA): por un lado, los Propositores, que generan respuestas iniciales variadas, y por otro, los Agregadores, cuya función es sintetizar todas estas propuestas para obtener una única respuesta de mejor calidad.
Este proceso se repite en varias capas, acercando cada iteración la salida final a lo que una sola IA nunca habría encontrado por sí sola.
La implementación open‑source Together MoA
El equipo de Together ha puesto en práctica la idea con seis modelos open‑source utilizados como Propositores: WizardLM‑2‑8x22B, Qwen1.5‑110B‑Chat, Qwen1.5‑72B‑Chat, Llama‑3‑70B‑Chat, Mixtral‑8x22B y DBRX. El Agregador final, responsable de la síntesis, es Qwen1.5‑110B‑Chat, todo en tres capas.
Esta demostración open‑source, detallada en el mismo artículo Together MoA, ha causado revuelo porque demuestra que se pueden superar modelos propietarios sin necesidad de presupuestos enormes.
2. ¿Por qué funciona mejor la colaboración entre LLM?
La «colaboratividad» de los modelos de lenguaje
El principio fundamental es lo que el artículo de Together llama la colaboratividad de los LLM. En otras palabras, un modelo de lenguaje produce mejores respuestas cuando se le presentan las salidas de otros modelos, incluso si estos son individualmente peores. Intrigante, ¿no?
El Agregador no se limita a elegir la mejor propuesta entre los Propositores, como señala un análisis de Zilliz, sino que teje una síntesis que supera cada una de las respuestas iniciales.
Una reducción concreta de las alucinaciones
Las cifras no mienten. En un estudio realizado sobre transcripciones de centros de llamadas y publicado en MDPI Information en 2025, un framework multi‑agentes logró reducir la tasa de alucinaciones de LLaMA‑3‑8B. La reducción de alucinaciones alcanza un 85.5%. Así, es innegable que un simple debate entre modelos puede transformar una herramienta potencialmente fantasiosa en un asistente mucho más confiable.
3. MoA en práctica: rendimiento y compromisos
Puntajes que superan a GPT‑4 Omni
La prueba está en los benchmarks. La implementación Together MoA obtiene un puntaje del 65.1% en AlpacaEval 2.0, comparado con el 57.5% de GPT‑4 Omni. Siete puntos de diferencia no son margen de error, son una clara ventaja.
MoA‑Lite: la mitad de costos, rendimiento mejorado
Otra buena sorpresa: una versión simplificada de dos capas, MoA‑Lite, supera a GPT‑4 Turbo en aproximadamente un 4% en AlpacaEval 2.0, mientras reduce los costos en más de la mitad, según reporta Zilliz. En otras palabras, no se necesita un despliegue costoso para obtener beneficios. Es un compromiso atractivo para los equipos que desean destacar sin arruinar su presupuesto en la nube.
4. Los sistemas multi‑agentes en la escala empresarial
Los números son anunciadores de una ola de cambio. Según IT Brief Australia, Gartner prevé que el 40% de las aplicaciones empresariales incorporarán agentes AI para finales de 2026, frente a menos del 5% en 2025.
McKinsey, por su parte, informa de ganancias de productividad de entre el 20 y el 30% gracias a la IA agente, y hasta un 30% en el desarrollo de software, tal como explica LeMagIT. La empresa ha desplegado 25,000 agentes para sus 60,000 colaboradores, con un lema: la colaboración entre agentes y humanos.
Un mensaje similar proviene de Capgemini: un estudio del Capgemini Research Institute realizado a 1,100 directivos muestra que la adopción de IA generativa ha aumentado del 6% en 2023 al 30% en 2025, y casi el 45% de las empresas que implementan agentes a gran escala están probando o construyendo sistemas multi‑agentes.
Si se cuestiona a los profesionales directamente involucrados, el 83% afirma que la IA refuerza las capacidades humanas en lugar de reemplazarlas, según un estudio de Workday.
En este contexto, plataformas como Genspark representan este cambio hacia un trabajo aumentado. Su Super Agent coordina más de 30 modelos – GPT, Claude, Gemini y alternativas open‑source – movilizando 15 agentes especializados (slides, sheets, docs, code, design…) para entregar documentos completos a partir de un solo prompt. Según un hilo de Reddit muy detallado, entender qué agente utilizar para cada tarea hace que la herramienta sea mucho más rentable.
El objetivo es reducir el «glue work», ese trabajo de copiar y pegar de poco valor que consume el tiempo de los equipos. Los comentarios de los usuarios confirman que se gana en productividad en las entregas, siempre que se preste atención a los prompts y se mantenga una revisión humana sistemática.
Las señales del mercado son espectaculares. AIbase informa que Genspark alcanzó los 36 millones de dólares en ingresos recurrentes anuales (ARR) en 45 días tras su lanzamiento, con un equipo de solo 20 personas y sin publicidad pagada. Cinco meses después, superaron los 50 millones, y luego 250 millones en 12 meses, según un artículo del E2B blog.
El apetito es real. Sin embargo, la euforia no es un cheque en blanco. Un recordatorio útil: incluso con una orquesta de agentes, el humano debe mantener un ojo sobre los costos y la calidad de la experiencia.
5. Por qué el humano sigue siendo indispensable
Los agentes de IA más avanzados brillan, pero se estancan rápidamente sin supervisión humana. Un experimento de Carnegie Mellon llamado TheAgentCompany puso a Claude 3.5 Sonnet a prueba en tareas profesionales complejas: solo 24% se realizaron sin ayuda humana.
Esto invita a reflexionar sobre una empresa ficticia compuesta completamente por agentes IA. El escenario fue llevado al extremo con una startup completamente gestionada por IA. El resultado a las 72 horas: un colapso total. Sin un marco humano que reoriente las prioridades, los agentes se perdieron en bucles de sobreanálisis improductivo, nos enseña el artículo sobre una empresa dirigida al 100% por IA que colapsa.
Estos fracasos resaltan la necesidad de un acoplamiento agente-humano. Los sistemas multi‑agentes, por más efectivos que sean, no convierten a los equipos en simples espectadores. Exigen un desarrollo de habilidades, una gobernanza de costos y una supervisión humana clara.
Incluso en Genspark, los usuarios que obtienen los mejores resultados insisten: el Super Agent es un acelerador, no un reemplazo.
6. Hacia una IA colaborativa al servicio de los equipos
La arquitectura Mixture‑of‑Agents ha demostrado algo esencial: la inteligencia colectiva de los modelos reduce drásticamente las alucinaciones y produce respuestas de mayor calidad. Un golpe a la imagen del IA única y todopoderosa.
Para las empresas, este nuevo paradigma se traduce en ganancias de productividad tangibles, del 20 al 30% según su madurez, siempre que se mantenga un verdadero human‑in‑the‑loop.
Con el 40% de las aplicaciones profesionales que integrarán agentes para 2026, la cuestión ya no es si la IA transformará el trabajo, sino cómo las equipos aprenderán a gestionar estos colectivos digitales. La meta no es reemplazar al ser humano, sino darle una capacidad de amplificación sin precedentes.
