{"id":24324,"date":"2025-11-11T07:03:27","date_gmt":"2025-11-11T06:03:27","guid":{"rendered":"https:\/\/www.rasc.es\/blogacademia\/?p=24324"},"modified":"2025-10-27T12:49:28","modified_gmt":"2025-10-27T11:49:28","slug":"multi-agentes-inteligentes-el-futuro-ya-ha-llegado","status":"publish","type":"post","link":"https:\/\/www.rasc.es\/blogacademia\/?p=24324","title":{"rendered":"Multi-agentes Inteligentes: el futuro ya ha llegado"},"content":{"rendered":"

En mi entrada anterior en este blog De HAL a ChatGPT: La IA y el sue\u00f1o de crear inteligencia (y II)<\/em><\/a>\u00a0se citaron los multi-agentes inteligentes como la tecnolog\u00eda que iba a revolucionar (a\u00fan m\u00e1s si cabe) el futuro inmediato de numerosas actividades humanas. Vamos en esta entrada a profundizar m\u00e1s en este concepto, poniendo ejemplos claros sobre qu\u00e9 tareas podr\u00eda realizar un multi-agente. \u00a0<\/p>\n

Antes de explicar c\u00f3mo funcionan los multi-agentes vamos a referirnos al concepto de un solo agente inteligente describiendo tres ejemplos:<\/p>\n

\"\"El primer ejemplo ser\u00edan los termostatos inteligentes que, aunque en apariencia son simples, cumplen perfectamente con la definici\u00f3n de agente AI. Sus componentes son:<\/p>\n

– Objetivo: maximizar el confort de los habitantes mientras se minimiza el coste de la energ\u00eda necesaria. Estos dos objetivos a menudo est\u00e1n en conflicto, y la \u00abinteligencia\u00bb del agente reside en c\u00f3mo los equilibra.<\/p>\n

– Sensores: temperatura, humedad, movimiento, luz, conexi\u00f3n a internet que le proporciona pron\u00f3stico del tiempo, precio de la electricidad, localizaci\u00f3n del m\u00f3vil del usuario para saber si vuelve a casa, reconocimiento de voz.<\/p>\n

– Actuadores: enciende o apaga calefacci\u00f3n\/aire acondicionado\/ventilador\/persianas.<\/p>\n

Si el termostato se limita a fijar los actuadores en funci\u00f3n de una petici\u00f3n del usuario, es un agente programable pero \u201ctonto\u201d. La diferencia surge cuando los termostatos \u201caprenden\u201d las preferencias del usuario y las programa autom\u00e1ticamente o cuando construyen un modelo termodin\u00e1mico de la casa en funci\u00f3n del calendario, de la predicci\u00f3n meteorol\u00f3gica, del precio de la electricidad, de cu\u00e1nto tiempo se tarda en calentar o enfriar el espacio o cu\u00e1ndo hay m\u00e1s o menos personas en la estancia. Podemos observar que el agente soporta cierto nivel de \u201cinteligencia\u201d aunque para ello no le es necesario ning\u00fan modelo de lenguaje LLM.<\/p>\n

El segundo ejemplo la siguiente generaci\u00f3n de buscadores de internet como Perplexity AI que, aunque tiene apariencia de un LLM m\u00e1s, su base de conocimiento no est\u00e1 \u201ccongelada\u201d en el tiempo sino que su entorno es la totalidad de internet. \u00bfQu\u00e9 lo diferencia del buscador Google en su versi\u00f3n cl\u00e1sica? La capacidad de razonamiento ya que Perplexity descompone la pregunta entendiendo el contexto temporal, el tema espec\u00edfico y si la pregunta qu\u00e9 se ha hecho sobre ese tema. A continuaci\u00f3n el agente planifica distintas b\u00fasquedas, lee y analiza el contenido de las p\u00e1ginas m\u00e1s relevantes, sintetiza la informaci\u00f3n y cita las fuentes en las que basa su respuesta. Por supuesto Google ya incorpora ahora en sus resultados \u201cVistas IA\u201d, pero en muy breve plazo va a disponer de su ModoIA (ya disponible en Estados Unidos), qu\u00e9 directamente sustituir\u00e1 la tradicional lista de enlaces por respuestas creadas por un agente.<\/p>\n

El tercer ejemplo son las herramientas de gesti\u00f3n de contenidos como NotebookLM, un asistente de investigaci\u00f3n, \u00fatil para estudiantes, profesores o investigadores. Estos agentes son capaces de resumir y extraer informaci\u00f3n de diversas fuentes (incluso te ayuda a buscarlas). El resultado puede tener diferentes formatos: texto, audio, v\u00eddeo, mapas mentales, tarjetas did\u00e1cticas e incluso cuestionarios. L\u00f3gicamente NotebookLM s\u00ed usa LLMs para interactuar mediante texto, pero sigue siendo un solo agente, ya que no hay colaboraci\u00f3n ni negociaci\u00f3n y el flujo de trabajo es lineal.<\/p>\n

Este tercer ejemplo nos va a servir para introducir un sistema multi-agente: el bufete \u201csin abogados\u201d. Imaginemos algo similar a NotebookLM que act\u00faa como un abogado super r\u00e1pido en lectura y escritura: capaz de leer decenas de expedientes en minutos, encontrando conexiones entre ellos, h\u00e1bil para responder preguntas sobre los documentos y de elaborar res\u00famenes en texto o audio. Es muy eficiente pero es un solo \u201cladrillo en el muro\u201d.<\/p>\n

Supongamos ahora que tenemos distintos agentes AI actuando como abogados: uno para buscar y guardar sentencias y jurisprudencia propias del bufete o p\u00fablicas, otro que busca antecedentes de casos similares en el repositorio anterior, otro que busca estrategias y analiza argumentos posibles y un \u00faltimo agente que estima las probabilidades de \u00e9xito de las distintas l\u00edneas de defensa o ataque dependiendo del tribunal o la tendencia jurisprudencial. Finalmente podr\u00edamos tener un agente financiero que calibrara el coste que tendr\u00eda la estrategia prevista, y por tanto, aportar informaci\u00f3n sobre la minuta que deber\u00eda pagar el cliente. Con todos estos agentes IA colaborando, \u00a0los abogados \u201chumanos\u201d encuentran un sistema de ayuda a la toma de decisiones que facilitar\u00eda enormemente su d\u00eda a d\u00eda.<\/p>\n

\u00bfCu\u00e1les son las tecnolog\u00edas hacen falta para implementar este Bufete-AI?<\/p>\n

L\u00f3gicamente la respuesta depender\u00e1 mucho de las prestaciones que queramos tenga el asistente pero el m\u00ednimo ser\u00edan los siguientes:<\/p>\n

– Una base de datos documental para los casos judiciales previos del bufete y otra con la contabilidad anal\u00edtica de los costes hist\u00f3ricos.<\/p>\n

– Framework para orquestar los distintos agentes: debe permitir encadenar llamadas a los LLM, interactuar con las bases de datos y definir herramientas para los agentes. Ejemplos de estas herramientas son CrewAI, LangGraph o AutoGen.<\/p>\n

– Web Scraping para buscar informaci\u00f3n en portales judiciales y descargarse sentencias de forma autom\u00e1tica y peri\u00f3dica. Herramientas como Firecrawl son un agente AI en s\u00ed mismo.<\/p>\n

– Modelos LLM, como los modelos GPT de OpenAi o Gemini de Google. En el caso de un bufete donde la privacidad debe ser un objetivo de primer orden, se debe recurrir a modelos de c\u00f3digo abierto como Llama o DeepSeek que se pueden instalar en local, aunque para su ejecuci\u00f3n entonces se necesitar\u00e1 una potente infraestructura hardware con GPUs.<\/p>\n

– APIs para comunicaci\u00f3n entre los distintos agentes. Una API REST es un conjunto de reglas y un punto de contacto para que un programa se comunique con otro. Herramientas como FastAPO o Flask son frameworks de Python para construir estas APIs<\/p>\n

– Comunicaci\u00f3n as\u00edncrona, para desacoplar los agentes, esto es, el agente que busca en vez de darle directamente los resultados al agente analista, los publica en un canal y el agente analista los recoge cuando los necesite. Herramientas como Kafka resuelven problemas de desacoplamiento espacial o temporal de datos entre programas.<\/p>\n

\"\"Finalmente vamos a exponer un caso de un sistema multi-agente AI que simula escenarios de comportamientos sociales. El pasado octubre se public\u00f3 un estudio por dos investigadores de la Universidad de Stanford (https:\/\/arxiv.org\/abs\/2510.06105) que analiz\u00f3 tres entornos simulados que representan mercados que compiten por el favor del p\u00fablico: ventas, elecciones y redes sociales. Para ello se construyen dos tipos de multi-agentes. Los primeros son programados para que generen mensajes (lanzamientos de productos en venta, declaraciones de pol\u00edticos en campa\u00f1a o publicaciones en redes sociales) que sean convincentes y expl\u00edcitamente se les remarca que sean veraces y fundamentados. Como contexto para que los mensajes cumplan lo pedido se le proporciona descripciones de productos de Amazon Reviews, biograf\u00edas de candidatos en las elecciones y art\u00edculos de noticias de medios de comunicaci\u00f3n. Por otro lado, un segundo conjunto de agentes simula personas que deben elegir los mensajes que m\u00e1s le gustan. El modelo recoge los mensajes con m\u00e1s valoraciones positivas \u00a0que se introducen como se\u00f1al de reentrenamiento y se maximiza el n\u00famero de los mensajes que son puntuados de forma positiva. El sistema evoluciona libre y se miden los cambios en los mensajes al comienzo y al final de la simulaci\u00f3n.<\/p>\n

Los resultados demuestran que si bien se consigui\u00f3 un aumento de la tasa de mensajes positivos, el sistema generador de mensajes evolucion\u00f3 hacia incluir bulos, distorsionando cifras que no estaban en las noticias, mensajes pol\u00edticos populistas o la promoci\u00f3n de la violencia. Como se\u00f1alan los autores: \u201cCuando pones a varios modelos de IA a competir por un recurso (como la atenci\u00f3n del usuario o una buena puntuaci\u00f3n), empiezan a comportarse de forma deshonesta (mienten, exageran, inventan), incluso si les hab\u00edas programado una regla fundamental para que siempre dijeran la verdad. Esto es un gran problema si vamos a usarlos para tareas como el marketing o el periodismo, donde la veracidad es crucial.\u201d<\/p>\n

La conclusi\u00f3n es clara, la Inteligencia Artificial trata de imitar a la Inteligencia Humana, al menos, en la parte menos buena.<\/strong><\/p>\n

\"\"<\/p>\n

 <\/p>\n

Nota: Todas las im\u00e1genes que ilustran esta entrada han sido realizados por las AI Gemini o chatGPT.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

En mi entrada anterior en este blog De HAL a ChatGPT: La IA y el sue\u00f1o de crear inteligencia (y II)\u00a0se citaron los multi-agentes inteligentes como la tecnolog\u00eda que iba a revolucionar (a\u00fan m\u00e1s si cabe) el futuro inmediato de numerosas actividades humanas. Vamos en esta entrada a profundizar m\u00e1s en este concepto, poniendo ejemplos […]<\/p>\n","protected":false},"author":55,"featured_media":24336,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"default","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[2804],"tags":[],"ppma_author":[2837],"class_list":["post-24324","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tecnica"],"jetpack_featured_media_url":"https:\/\/www.rasc.es\/blogacademia\/wp-content\/uploads\/2025\/11\/Gemini_Generated_Image_ddja6iddja6iddja.png","uagb_featured_image_src":{"full":["https:\/\/www.rasc.es\/blogacademia\/wp-content\/uploads\/2025\/11\/Gemini_Generated_Image_ddja6iddja6iddja.png",1024,683,false],"thumbnail":["https:\/\/www.rasc.es\/blogacademia\/wp-content\/uploads\/2025\/11\/Gemini_Generated_Image_ddja6iddja6iddja-150x150.png",150,150,true],"medium":["https:\/\/www.rasc.es\/blogacademia\/wp-content\/uploads\/2025\/11\/Gemini_Generated_Image_ddja6iddja6iddja-300x200.png",300,200,true],"medium_large":["https:\/\/www.rasc.es\/blogacademia\/wp-content\/uploads\/2025\/11\/Gemini_Generated_Image_ddja6iddja6iddja-768x512.png",768,512,true],"large":["https:\/\/www.rasc.es\/blogacademia\/wp-content\/uploads\/2025\/11\/Gemini_Generated_Image_ddja6iddja6iddja.png",1024,683,false],"1536x1536":["https:\/\/www.rasc.es\/blogacademia\/wp-content\/uploads\/2025\/11\/Gemini_Generated_Image_ddja6iddja6iddja.png",1024,683,false],"2048x2048":["https:\/\/www.rasc.es\/blogacademia\/wp-content\/uploads\/2025\/11\/Gemini_Generated_Image_ddja6iddja6iddja.png",1024,683,false],"bdpp-medium":["https:\/\/www.rasc.es\/blogacademia\/wp-content\/uploads\/2025\/11\/Gemini_Generated_Image_ddja6iddja6iddja-640x480.png",640,480,true]},"uagb_author_info":{"display_name":"Jos\u00e9 C. Riquelme","author_link":"https:\/\/www.rasc.es\/blogacademia\/?author=55"},"uagb_comment_info":0,"uagb_excerpt":"En mi entrada anterior en este blog De HAL a ChatGPT: La IA y el sue\u00f1o de crear inteligencia (y II)\u00a0se citaron los multi-agentes inteligentes como la tecnolog\u00eda que iba a revolucionar (a\u00fan m\u00e1s si cabe) el futuro inmediato de numerosas actividades humanas. Vamos en esta entrada a profundizar m\u00e1s en este concepto, poniendo ejemplos…","jetpack_sharing_enabled":true,"authors":[{"term_id":2837,"user_id":55,"is_guest":0,"slug":"riquelmejose","display_name":"Jos\u00e9 C. Riquelme","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/c6f91544cc327029a038883da6bf87b0fcc09d4ca1e0a15462f4814981e0a7cf?s=96&d=mm&r=g","author_category":"","first_name":"Jos\u00e9 C.","last_name":"Riquelme","user_url":"","job_title":"","description":""}],"_links":{"self":[{"href":"https:\/\/www.rasc.es\/blogacademia\/index.php?rest_route=\/wp\/v2\/posts\/24324","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.rasc.es\/blogacademia\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.rasc.es\/blogacademia\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.rasc.es\/blogacademia\/index.php?rest_route=\/wp\/v2\/users\/55"}],"replies":[{"embeddable":true,"href":"https:\/\/www.rasc.es\/blogacademia\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=24324"}],"version-history":[{"count":7,"href":"https:\/\/www.rasc.es\/blogacademia\/index.php?rest_route=\/wp\/v2\/posts\/24324\/revisions"}],"predecessor-version":[{"id":24338,"href":"https:\/\/www.rasc.es\/blogacademia\/index.php?rest_route=\/wp\/v2\/posts\/24324\/revisions\/24338"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.rasc.es\/blogacademia\/index.php?rest_route=\/wp\/v2\/media\/24336"}],"wp:attachment":[{"href":"https:\/\/www.rasc.es\/blogacademia\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=24324"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.rasc.es\/blogacademia\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=24324"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.rasc.es\/blogacademia\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=24324"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.rasc.es\/blogacademia\/index.php?rest_route=%2Fwp%2Fv2%2Fppma_author&post=24324"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}