La IA se encarga desde la planificación hasta el reparto del trabajo
Anthropic ha añadido a Claude Managed Agents, su plataforma de ejecución de agentes de IA, un flujo de trabajo dinámico en el que varios agentes se reparten las tareas. Un agente coordinador planifica el trabajo, asigna tareas a los subagentes e integra los resultados. En una sola ejecución pueden funcionar en paralelo hasta 1000 agentes.
Un agente de IA es una inteligencia artificial que realiza tareas para alcanzar un objetivo determinado. Con esta nueva función, en lugar de dejarlo todo en manos de un único agente, el trabajo se divide entre un coordinador y agentes encargados de ejecutarlo. En esencia, se añade a la plataforma de ejecución existente un sistema para poner en marcha varios agentes de IA de forma conjunta.
El límite de 1000 no es lo único que merece atención. La IA se encarga de dividir el trabajo y reunir los resultados. Sin embargo, el número de agentes que pueden funcionar en paralelo no se traduce automáticamente en una mayor velocidad de procesamiento ni en un aumento equivalente de los resultados.
Detecta 66 de 70 errores de software
En las pruebas presentadas por Anthropic, se introdujeron deliberadamente 70 errores en 116 000 líneas de código y se compararon los resultados de detección. Un agente por sí solo encontró entre 14 y 27 errores en una ejecución, mientras que, según la empresa, el flujo de trabajo dinámico detectó 66 de forma sistemática.
En términos de tasa de detección, esto equivale a aproximadamente un 20-39 % con un agente individual y a cerca de un 94 % con el flujo de trabajo dinámico. En esta prueba, el trabajo repartido entre varios agentes permitió aumentar el número de errores detectados. Aun así, con 66 errores detectados no se encontraron todos los que se habían introducido.
Además, estos resultados corresponden a una tarea concreta: detectar errores en el código. No permiten confirmar si se obtendrían diferencias similares en otros trabajos, como la investigación o la redacción de documentos. El material facilitado tampoco indica cuántos agentes se utilizaron realmente en la prueba, por lo que sería precipitado atribuir el resultado al uso de 1000 agentes.
El criterio para adoptarlo: el coste por resultado, no el número de agentes
El trabajo repartido también conlleva un aumento de la carga de procesamiento de la IA. Anthropic advierte de que puede consumir una gran cantidad de tokens y recomienda empezar con una configuración pequeña. Los tokens son unidades de procesamiento de texto o código que utiliza la IA y sirven como referencia para calcular el coste de uso.
A las empresas les interesa saber cuánto cuesta obtener resultados con la calidad necesaria, más que cuántos agentes de IA pueden poner en marcha. Aunque se detecten más errores, la decisión de adoptarlo dependerá de cuánto aumenten los costes y el trabajo de revisión. Lo más práctico es comparar, ante la misma tarea, un agente individual con una configuración de trabajo en equipo reducida y medir el número de errores detectados, el tiempo empleado y el coste.
El material facilitado no detalla el coste total, el tiempo de procesamiento ni el consumo de tokens de la prueba comparativa. Lo único que puede comprobarse es la diferencia en el número de errores detectados; los resultados no demuestran también la rentabilidad de la solución.
コメント