La investigación de la Universidad de Stanford ha demostrado que los equipos autoorganizados de agentes de inteligencia artificial superan tanto a los modelos individuales como a los enfoques tradicionales de múltiples agentes basados en debates y votaciones.
En un nuevo trabajo se presenta una metodología en la que grupos de agentes de IA aprenden a colaborar basándose en un pequeño conjunto de tareas pasadas y luego aplican estas estrategias de trabajo en equipo a tareas completamente nuevas. Este enfoque se ha denominado SAT (Self-Organizing Teams). Ha mostrado una precisión media del 66,7% en cinco pruebas matemáticas y físicas, significativamente superior al resultado del mejor agente individual en el grupo (48,8%).
Los sistemas tradicionales de múltiples agentes suelen seguir un guion rígido: los agentes discuten el problema y luego votan por una solución. SAT utiliza un enfoque fundamentalmente diferente: los equipos de agentes desarrollan sus propias estructuras organizativas, incluyendo roles, reglas de participación, etapas de diálogo y esquemas de flujo de información.
La idea clave es el aprendizaje a partir de conjuntos de datos sorprendentemente pequeños. Los equipos SAT desarrollaron sus guías colaborativas utilizando solo 15 tareas de AIME 2024 o 25 tareas de GPQA Diamond, y luego trasladaron estas estrategias sin cambios a conjuntos de pruebas completamente diferentes con los que nunca habían interactuado. El concepto se inspira en gran medida en la psicología organizacional. Los agentes intercambian razonamientos, desafían la lógica de los demás y combinan soluciones parciales para llegar a respuestas que son inalcanzables para un agente individual.
La lista de modelos involucrados se asemeja a un equipo estelar de IA. En las tareas de matemáticas y física se utilizaron o3-mini, Claude Sonnet 4 y DeepSeek-V3, mientras que en las pruebas de conocimiento y lógica se emplearon Gemini-2.5-Flash, Llama-4-Maverick y GPT-4.1.
Artículos relacionados
