Un nuevo estudio de la Universidad de Stanford presenta un marco en el que grupos de agentes de IA aprenden a colaborar a partir de un pequeño conjunto de experiencias pasadas, y luego aplican esas estrategias de trabajo en equipo a problemas completamente nuevos. El enfoque, llamado Self-Organizing Agent Teams (SAT), logró una precisión promedio de 66.7% en cinco benchmarks de matemáticas y física, superando con holgura al mejor agente individual del grupo, que obtuvo 48.8%.

Cómo funciona SAT

Los sistemas convencionales de IA multiagente suelen seguir un protocolo rígido: los agentes debaten un problema y luego votan por una respuesta. SAT se aparta de ese esquema al permitir que los equipos de agentes desarrollen sus propias estructuras organizativas, incluyendo roles, reglas de participación, fases de conversación y patrones de flujo de información.

Una idea clave es que estas estrategias pueden aprenderse de conjuntos de datos notablemente pequeños. Los equipos de SAT derivaron sus manuales de colaboración a partir de tan solo 15 problemas de AIME 2024 o 25 problemas de GPQA Diamond, y luego transfirieron esas estrategias sin cambios a benchmarks independientes que nunca habían visto. AIME, el American Invitational Mathematics Examination, es una prueba de matemáticas de competencia que se ha convertido en un estándar para medir el razonamiento de modelos de frontera, mientras que GPQA Diamond es la porción más difícil de un benchmark de ciencias de nivel de posgrado diseñado para resistir búsquedas rápidas en la web. Que unas pocas docenas de problemas bastaran para estrategias lo bastante robustas como para transferirse intactas plantea el trabajo en equipo mismo como una capacidad aprendible y reutilizable, en lugar de una ingeniería tarea por tarea.

El concepto se basa en gran medida en la psicología organizacional. Los agentes intercambian razonamiento, cuestionan la lógica de los demás y combinan soluciones parciales para llegar a respuestas que ningún agente podría producir por sí solo.

La lista de modelos se lee como un equipo de estrellas de la IA, con sistemas de varios laboratorios en formas cerradas y de pesos abiertos. Las tareas de matemáticas y física contaron con o3-mini, Claude Sonnet 4 y DeepSeek-V3, mientras que los benchmarks de conocimiento y lógica usaron Gemini-2.5-Flash, Llama-4-Maverick y GPT-4.1.

Los números que importan

La precisión promedio de 66.7% de SAT no solo superó a los agentes individuales. También superó la inferencia de un solo agente con cómputo equivalente, que alcanzó 58.7%, y un oráculo de enrutamiento construido a partir de las respuestas individuales de los agentes, que obtuvo 59.0%. Un oráculo de enrutamiento selecciona la mejor respuesta individual para cada problema después del hecho, así que superarlo indica que el equipo está produciendo genuinamente un mejor razonamiento, no solo seleccion lo mejor.

Específicamente en AIME 2026, SAT alcanzó una precisión de 71.2%, superando al oráculo de enrutamiento por .4 puntos porcentuales.

Uno de los hallazgos más reveladores involucra lo que los investigadores llaman "demonstrability": esencialmente, qué tan fácil es distinguir el razonamiento correcto del incorrecto una vez que aparece en la conversación. Las ganancias de rendimiento se correlacionaron con la demonstrability con una correlación de Spearman de 0.90. Cuando surge un razonamiento sólido, estos equipos lo reconocen y lo aprovechan. Para los profesionales, la correlación se lee como una señal de despliegue: las ventajas de SAT se concentran donde un equipo puede verificar si una línea de razonamiento determinada se sostiene.

Por qué esto contradice la sabiduría convencional

Un trabajo relacionado de Stanford publicado a comienzos de 2026 encontró que los agentes individuales a menudo igualan o superan a los esquemas multiagente cuando reciben presupuestos de cómputo equivalentes. SAT aborda directamente esa crítica. Al centrarse en estrategias organizativas aprendidas en lugar de protocolos de debate de fuerza bruta, el marco demuestra que la colaboración puede generar ventajas genuinas más allá de lo que ofrecen el ensembling o la inferencia individual. La brecha entre el 66.7% de SAT y el 58.7% del agente individual con cómputo equivalente sugiere que el valor no está en tener más modelos, sino en tener modelos que sepan trabajar juntos, un hallazgo que posiciona el diseño de orquestación como una disciplina aprendible en lugar de una plantilla para ajustar a mano.

La fuerte correlación con la demonstrability también apunta a una condición de frontera natural. SAT funciona mejor en problemas donde el razonamiento correcto es reconocible cuando aparece en la conversación: dominios con cadenas lógicas verificables como las matemáticas, la física y el razonamiento estructurado. Hasta dónde puede extenderse el mismo enfoque de manuales a trabajos abiertos sin esas verificaciones es la pregunta que los resultados dejan abierta.