Durante años, la carrera hacia la inteligencia artificial general, conocida como AGI por sus siglas en inglés, se ha contado como una historia de escalada: modelos cada vez más grandes, más datos, más capacidad de cálculo y sistemas capaces de resolver tareas cada vez más complejas. La imagen era sencilla y poderosa: construir una gran mente artificial, un sistema único capaz de igualar o superar a los humanos en la mayoría de tareas intelectuales.
Pero en paralelo a esa vía está ganando fuerza otra posibilidad: quizá la AGI no llegue como un único “cerebro” artificial, sino como una organización de agentes inteligentes. No una máquina que lo sabe todo, sino una red de sistemas especializados que investigan, debaten, planifican, ejecutan, se corrigen y se coordinan entre sí.
Y la diferencia es profunda: la primera visión imagina una inteligencia parecida a un gran genio individual, mientras que la segunda imagina algo más parecido a una empresa, una universidad, un laboratorio, una administración pública o un centro de investigación digital.
Es decir, una inteligencia que no reside en una sola entidad, sino en la coordinación de muchas.
Empresas como OpenAI han definido tradicionalmente la AGI como sistemas altamente autónomos capaces de superar a los humanos en la mayor parte del trabajo económicamente valioso. Esa definición ha influido mucho en el debate, aunque no existe una definición universalmente aceptada de AGI. La discusión actual se está desplazando hacia una pregunta más concreta: no solo cuándo aparecerá una IA tan capaz como una persona, sino cuándo aparecerán sistemas artificiales capaces de funcionar como equipos humanos completos.
1. De los modelos que responden a los agentes que actúan
Para entender esta nueva vía hay que distinguir entre un modelo conversacional y un agente.
- Un modelo conversacional responde. Un agente actúa.
- Un modelo puede redactar un informe, resumir una norma, explicar un concepto o escribir código. Un agente, en cambio, puede recibir un objetivo, dividirlo en tareas, usar herramientas, consultar bases de datos, ejecutar pasos, revisar resultados y corregir su propio proceso.
La IA está entrando precisamente en esa fase. La literatura técnica reciente habla de razonamiento agéntico para describir sistemas basados en modelos de lenguaje que no solo contestan preguntas, sino que planifican, actúan y aprenden mediante interacción continua con entornos y herramientas.
Ese cambio es decisivo: mientras la IA generativa tradicional se parece a un asesor brillante sentado al otro lado de la mesa, la IA agéntica empieza a parecerse a un equipo de trabajo.
Y cuando varios agentes se coordinan, aparece el concepto de sistema multiagente. En el lenguaje divulgativo se suele hablar de “enjambres”, aunque conviene matizarlo: no todos los sistemas multiagente son enjambres en sentido estricto. Un enjambre puro implica coordinación distribuida, sin un jefe central claro, como ocurre en colonias de insectos o bandadas de aves. Muchos sistemas actuales son más bien equipos de agentes organizados de forma jerárquica o semijerárquica.
Aun así, la imagen del enjambre resulta útil: muchas piezas relativamente limitadas pueden producir una capacidad colectiva superior cuando están bien coordinadas.
2. Qué es un enjambre de agentes
Un enjambre de agentes IA es un conjunto de sistemas artificiales que trabajan sobre un objetivo común. Cada agente puede tener un papel distinto: investigar, programar, verificar, traducir, analizar datos, revisar normativa, redactar, detectar errores, simular escenarios o controlar herramientas externas.
En vez de pedirle a un único modelo que resuelva todo, se diseña una pequeña organización artificial.
Imaginemos que una administración quiere preparar una estrategia de inteligencia artificial para mejorar sus servicios públicos. Un agente podría analizar la normativa europea. Otro revisaría la normativa estatal y autonómica. Otro detectaría procesos administrativos automatizables. Otro estudiaría riesgos de protección de datos. Otro analizaría impacto laboral. Otro prepararía indicadores de evaluación. Otro redactaría el documento final. Y otro, fundamental, actuaría como crítico, buscando contradicciones, lagunas y riesgos.
El resultado no sería una única respuesta generada de golpe, sino un proceso: investigación, contraste, deliberación, síntesis y revisión.
Ahí está la novedad: la inteligencia deja de estar solo en el modelo y pasa a estar también en la arquitectura de coordinación.
3. La AGI como organización, no como individuo
La intuición de fondo es poderosa: la inteligencia humana más avanzada rara vez es individual.
Una persona no diseña sola un avión comercial, no descubre sola una vacuna, no gestiona sola un sistema sanitario ni administra sola una comunidad autónoma. Las grandes capacidades humanas son colectivas. Surgen de equipos, instituciones, procedimientos, memoria compartida, especialización, revisión entre pares y coordinación.
- Una universidad es más capaz que cualquier profesor aislado.
- Un hospital es más capaz que cualquier médico individual.
- Una agencia espacial supera a cualquier ingeniero concreto.
- Una administración, con todos sus defectos, puede gestionar una complejidad que ninguna persona podría abarcar por sí sola.
La hipótesis de los enjambres de agentes parte de esa observación: quizá la AGI no tenga que imitar a una persona, sino a una organización humana.
En este enfoque, una inteligencia artificial general no sería necesariamente una mente única con conciencia, voluntad o personalidad. Podría ser un sistema distribuido capaz de movilizar conocimientos especializados, repartir tareas, evaluar alternativas, aprender de errores y actuar en entornos complejos.
Dicho de otra manera: no una IA que piensa como Einstein, sino una IA que funciona como un gran centro de investigación, una consultora, una oficina técnica o una administración digital.
4. La vía alternativa al modelo gigante
Durante la última década, el progreso de la IA se ha asociado al escalado: más parámetros, más datos, más cálculo, más contexto y más entrenamiento. Esa vía ha producido avances extraordinarios. Sin ella no estaríamos hablando de agentes capaces de programar, analizar documentos, generar imágenes, interpretar instrucciones complejas o usar herramientas.
Pero el escalado puro tiene límites. Los modelos grandes son costosos, consumen muchos recursos, pueden ser opacos, difíciles de actualizar y todavía fallan en tareas largas. Además, una sola arquitectura generalista no siempre es la mejor forma de resolver problemas reales, que suelen ser heterogéneos, cambiantes y llenos de restricciones.
Por eso algunos trabajos recientes defienden que los sistemas basados en agentes pueden ser una vía relevante hacia capacidades más generales. Un artículo de 2026 sostiene que la IA agéntica representa un cambio de paradigma porque permite a los modelos actuar en entornos abiertos y dinámicos mediante planificación, uso de herramientas y aprendizaje por interacción.
Traducido a lenguaje sencillo: quizá no baste con hacer una IA más grande. Tal vez haya que hacer una IA mejor organizada.
5. Especialistas, supervisores y críticos
Los sistemas multiagente pueden organizarse de varias formas.
- Una arquitectura sencilla es la jerárquica. Hay un agente coordinador que reparte tareas a agentes especializados. Es el modelo más parecido a una empresa tradicional: dirección, especialistas y revisión.
- Otra posibilidad es la deliberativa. Varios agentes analizan el mismo problema desde puntos de vista distintos. Uno propone, otro critica, otro busca evidencia, otro evalúa riesgos y otro sintetiza. Esta arquitectura puede ser especialmente útil en tareas donde el error es costoso, como derecho, sanidad, contratación pública, finanzas o ciberseguridad.
- También existen modelos de competencia, en los que varios agentes proponen soluciones y otros agentes las evalúan. Y modelos más cercanos al enjambre puro, donde no hay un jefe único, sino reglas locales de cooperación y reajuste continuo.
La fórmula más realista para empresas y administraciones será probablemente híbrida: un agente coordinador, varios especialistas, memoria común, herramientas externas, mecanismos de auditoría y supervisión humana.
No una colonia de hormigas descontrolada, sino una organización digital gobernada.
6. Por qué varios agentes pueden ser mejores que uno solo
Veamos un ejemplo. Un agente jurídico puede revisar normativa mejor que un agente generalista. Un agente de datos puede detectar patrones que otro no ve. Un agente crítico puede encontrar debilidades en una propuesta aparentemente convincente. Un agente de seguridad puede impedir que el sistema ejecute acciones peligrosas. Un agente de lenguaje claro puede traducir una resolución administrativa compleja a una explicación comprensible para el ciudadano. En este caso la ventaja es la división del trabajo.
Pero además, varios agentes pueden trabajar en paralelo. Mientras uno investiga, otro programa. Mientras uno resume, otro verifica. Mientras uno explora una solución, otro ensaya una alternativa. Y esto no solo mejora la productividad, sino que además puede mejorar también la calidad, siempre que la coordinación esté bien diseñada.
La inteligencia colectiva funciona porque combina diversidad, especialización y control mutuo. En un buen equipo humano, las mejores decisiones no salen siempre de la persona más brillante, sino del contraste entre perspectivas. Un sistema multiagente intenta reproducir ese mecanismo.
Pero hay una advertencia importante: poner muchos agentes no garantiza inteligencia. También puede producir ruido, redundancia, contradicciones y errores multiplicados.
7. Cuando el enjambre amplifica el error
Supongamos que un agente inventa un dato. Otro lo toma como cierto. Un tercero construye una conclusión sobre él. Un cuarto redacta un informe. Un quinto lo envía automáticamente. En pocos segundos, una alucinación inicial puede convertirse en una actuación administrativa, financiera o empresarial.
Un sistema multiagente puede ser más robusto que un agente aislado, pero también puede ser más peligroso si está mal diseñado.
El riesgo aumenta cuando los agentes tienen acceso a herramientas reales: correo electrónico, bases de datos, sistemas de gestión, portales administrativos, hojas de cálculo, código, plataformas de contratación, sistemas de atención ciudadana o infraestructuras críticas. Por eso la IA agéntica no puede desplegarse solo con entusiasmo tecnológico; necesita gobernanza, trazabilidad, auditoría, límites de actuación y supervisión humana.
La ONU ha advertido en 2026 que el progreso de la IA está avanzando más rápido que la comprensión científica y los mecanismos regulatorios disponibles. Su panel científico internacional ha señalado especialmente los riesgos de los sistemas agénticos capaces de realizar tareas complejas del mundo real de forma autónoma, junto con problemas como desinformación, ciberataques, amenazas biológicas, pérdida de control o comportamiento engañoso.
La cuestión no es menor: cuanto más autónomo sea un sistema, más importante será saber quién responde por sus actos.
8. La alineación ya no es solo de modelos, sino de sistemas completos
Hasta ahora, el debate sobre seguridad en IA se ha centrado mucho en la alineación: cómo hacer que un modelo actúe de acuerdo con valores, instrucciones y límites humanos. Pero en un sistema multiagente el problema se complica. Así que no basta con que cada agente tenga un funcionamiento razonable por separado: hay que garantizar que la dinámica colectiva también lo sea.
- Un equipo de agentes puede perseguir objetivos parciales correctos y producir un resultado global equivocado. Por ejemplo, si todos optimizan la eficiencia administrativa, pero nadie protege suficientemente las garantías del ciudadano, el sistema puede acabar proponiendo decisiones rápidas, baratas y jurídicamente débiles.
- Lo mismo puede ocurrir en una empresa: un agente busca reducir costes, otro automatizar procesos, otro maximizar ventas y otro acelerar atención al cliente. Si no existe una capa de gobernanza, el conjunto puede terminar vulnerando privacidad, generando respuestas incorrectas o tomando decisiones opacas.
Por este motivo, la seguridad de los enjambres no consiste únicamente en evitar que un agente “se porte mal”. Consiste en diseñar reglas, responsabilidades, controles, permisos, registros y mecanismos de parada para todo el sistema.
OWASP, organización de referencia en seguridad de aplicaciones, ha publicado materiales específicos sobre seguridad y gobernanza de IA agéntica, centrados en cómo gestionar de forma segura sistemas autónomos que usan herramientas, toman decisiones y se integran en procesos reales.
9. Europa ya no mira esto como ciencia ficción
En Europa, este debate tiene además una dimensión regulatoria inmediata. El Reglamento Europeo de Inteligencia Artificial entró en vigor el 1 de agosto de 2024 y su aplicación se está desplegando por fases. La Comisión Europea indica que el reglamento será plenamente aplicable el 2 de agosto de 2026, con excepciones y obligaciones que han entrado antes, como las relativas a modelos de propósito general.
Además, las obligaciones para proveedores de modelos de IA de propósito general comenzaron a aplicarse el 2 de agosto de 2025, y la Comisión publicó en 2026 directrices para aclarar el alcance de dichas obligaciones.
Esto es relevante porque los agentes y sistemas multiagente no viven en el vacío. Pueden tocar protección de datos, ciberseguridad, responsabilidad civil, contratación pública, servicios digitales, gestión documental, derechos ciudadanos y normas sectoriales. Un trabajo académico reciente sobre agentes bajo derecho europeo advierte precisamente que estos sistemas plantean retos específicos en supervisión humana, transparencia, ciberseguridad, trazabilidad de acciones y cambios de comportamiento durante la ejecución.
En otras palabras: la pregunta ya no es solo si los agentes funcionan. La pregunta es si pueden funcionar cumpliendo la ley, siendo auditables y respetando garantías.
10. El ejemplo de la administración pública
La administración pública es uno de los ámbitos donde los enjambres de agentes pueden tener más impacto, pero también donde deben implantarse con más prudencia.
Pensemos en un expediente complejo de ayudas públicas. Hoy puede requerir revisión documental, comprobación de requisitos, análisis jurídico, consulta de bases de datos, requerimientos al interesado, evaluación económica, generación de resoluciones y comunicación en lenguaje comprensible.
Un sistema de agentes podría ayudar en cada fase. Un agente clasificaría documentos. Otro comprobaría si falta información. Otro contrastaría normativa. Otro detectaría contradicciones. Otro prepararía un borrador de requerimiento. Otro evaluaría riesgos de protección de datos. Otro traduciría la respuesta al ciudadano en lenguaje claro. Y un funcionario responsable tomaría la decisión final.
El potencial es enorme: menos carga repetitiva, mejores tiempos de respuesta, más homogeneidad, trazabilidad reforzada y mejor atención ciudadana. Pero el límite debe ser claro: la IA puede asistir, preparar, advertir, proponer y verificar. La decisión administrativa con efectos sobre derechos, obligaciones o intereses legítimos debe permanecer bajo responsabilidad humana, con garantías jurídicas y posibilidad de revisión.
La clave no es sustituir al funcionario, sino rodearlo de una capa de inteligencia operativa.
11. El ejemplo empresarial
En la empresa, los enjambres de agentes pueden convertirse en una nueva forma de automatización avanzada.
Un agente comercial puede analizar clientes potenciales. Otro puede preparar propuestas. Otro puede revisar márgenes. Otro puede generar contratos. Otro puede comprobar riesgos legales. Otro puede integrarse con el CRM. Otro puede preparar una campaña de seguimiento. Otro puede analizar resultados y proponer mejoras.
Esto va mucho más allá del chatbot corporativo. Es automatización de procesos basada en inteligencia flexible.
La diferencia con la automatización clásica es que no se limita a reglas rígidas.
Un sistema multiagente puede interpretar contexto, leer documentación, priorizar tareas, justificar decisiones y adaptarse a situaciones nuevas.
Por eso el salto empresarial no estará solo en “tener un asistente de IA”, sino en rediseñar procesos completos alrededor de equipos mixtos: personas, software tradicional y agentes inteligentes.
12. Finanzas, ciberseguridad y riesgo sistémico
Los sectores más sensibles ya empiezan a mostrar las tensiones de esta nueva etapa.
En julio de 2026, el Banco de Inglaterra advirtió que la IA está emergiendo como un riesgo creciente para la estabilidad financiera, señalando vulnerabilidades de ciberseguridad, dependencia de infraestructuras complejas y la posibilidad de que la confianza excesiva en el éxito de la IA alimente riesgos financieros.
También se han señalado riesgos en servicios financieros derivados del uso de modelos de IA generalistas por consumidores y empresas, así como la dependencia de un número reducido de proveedores tecnológicos.
Este punto es importante para los sistemas multiagente: cuando muchas organizaciones usan arquitecturas parecidas, conectadas a los mismos proveedores y con comportamientos similares, los errores pueden dejar de ser locales y convertirse en sistémicos.
Un fallo en un chatbot puede ser molesto. Un fallo coordinado en sistemas agénticos financieros, sanitarios, energéticos o administrativos puede tener consecuencias mucho mayores.
13. La conexión con la superinteligencia
La vía de los enjambres no solo interesa por su posible relación con la AGI. También puede ser relevante para la ASI, o inteligencia artificial superinteligente.
La ASI sería una inteligencia artificial que superase de forma clara las capacidades humanas, no solo individuales, sino también colectivas. Y aquí los sistemas multiagente plantean un escenario especialmente delicado.
Si un sistema de agentes alcanza capacidades generales y además puede investigar, programar, experimentar, diseñar nuevos modelos, optimizar arquitecturas y crear subagentes especializados, entonces la IA podría convertirse en motor de mejora de la propia IA.
Es decir: agentes que ayudan a crear mejores agentes.
Ese ciclo podría acelerar la investigación científica, la ingeniería, el descubrimiento de materiales, la medicina, la energía o la automatización industrial. Pero también podría intensificar riesgos si no existe control suficiente.
La imagen no tiene por qué parecerse a una máquina que despierta de pronto, como en la ciencia ficción. Puede ser más gradual y más difícil de detectar: una red de sistemas que mejora progresivamente su capacidad de actuar, coordinarse y rediseñar partes de su propio funcionamiento.
14. No hace falta esperar a la AGI para notar el impacto
Uno de los errores habituales en este debate es pensar que nada cambia hasta que alguien declare oficialmente: “ya hemos alcanzado la AGI”.
La realidad será más gradual. Antes de una AGI plena veremos sistemas cada vez más capaces de automatizar tareas largas, gestionar procesos, coordinar herramientas, interactuar con humanos y tomar decisiones parciales. Muchas transformaciones económicas, laborales y administrativas llegarán antes de que exista consenso sobre si eso merece o no llamarse AGI.
La frontera no será una línea clara. Será una zona gris.
Hoy una IA ayuda a redactar un documento. Mañana coordina a varios agentes para prepararlo. Pasado mañana consulta bases de datos, detecta errores, genera versiones, solicita información y propone una decisión. En algún momento, la pregunta dejará de ser si “responde bien” y pasará a ser si “trabaja bien”.
Ese cambio es profundo. Porque nuestras organizaciones no están diseñadas todavía para convivir con trabajadores digitales autónomos, sino con software, expedientes, personas y procedimientos.
15. La gran pregunta: quién gobierna al enjambre
La tecnología avanza hacia sistemas cada vez más autónomos. Pero la autonomía sin gobierno no es inteligencia: es riesgo.
Por eso el verdadero reto de los enjambres de agentes no será solo técnico. Será institucional.
Habrá que decidir qué puede hacer un agente, qué no puede hacer, cuándo debe pedir permiso, qué datos puede consultar, qué herramientas puede usar, cómo se registra cada acción, quién audita sus resultados, cómo se corrigen errores y quién asume la responsabilidad.
En la empresa, esto exigirá nuevos modelos de control interno. En la administración, requerirá garantías reforzadas. En sectores como banca, sanidad, justicia, defensa o infraestructuras críticas, será imprescindible una supervisión especialmente estricta.
La gobernanza de agentes tendrá que incluir, como mínimo, inventario de acciones posibles, gestión de permisos, trazabilidad, evaluación de impacto, supervisión humana significativa, control de datos, medidas de ciberseguridad, registros de ejecución y mecanismos de desconexión.
Dicho de forma sencilla: antes de dar autonomía a un enjambre, hay que construirle una jaula jurídica, técnica y ética.
16. La nueva alfabetización: aprender a dirigir agentes
Durante años se ha dicho que todos debíamos aprender competencias digitales. Después llegó la necesidad de aprender a usar IA generativa. La siguiente fase será aprender a dirigir agentes.
Eso implica saber formular objetivos, dividir problemas, asignar roles, comprobar resultados, detectar errores, exigir fuentes, limitar permisos y evaluar riesgos. En cierto modo, el usuario avanzado de IA se parecerá menos a alguien que escribe buenos prompts y más a un jefe de proyecto capaz de coordinar un equipo mixto de personas y agentes digitales.
La competencia clave será la dirección inteligente de procesos automatizados.
No bastará con preguntar bien. Habrá que saber diseñar flujos de trabajo.
17. El futuro no será humano contra IA, sino humano con enjambres
El relato público de la inteligencia artificial suele caer en dos extremos: entusiasmo ingenuo o miedo apocalíptico. Los enjambres de agentes obligan a una mirada más madura.
Sí, pueden aumentar enormemente la productividad. Sí, pueden mejorar servicios públicos y procesos empresariales. Sí, pueden democratizar capacidades antes reservadas a grandes consultoras, departamentos técnicos o centros de investigación.
Pero también pueden amplificar errores, concentrar poder, crear dependencia tecnológica, automatizar malas decisiones y erosionar la responsabilidad humana si se implantan sin control.
La pregunta decisiva no es si usaremos agentes. Probablemente los usaremos cada vez más. La pregunta es cómo.
Con buena gobernanza, pueden convertirse en una infraestructura de inteligencia colectiva al servicio de personas, empresas y administraciones. Sin ella, pueden convertirse en cajas negras distribuidas tomando decisiones que nadie entiende del todo.
18. La inteligencia que viene
La historia de la IA puede estar entrando en una nueva fase; Primero construimos modelos que clasificaban, después modelos que generaban, y ahora estamos construyendo agentes que actúan. El siguiente paso puede ser construir sociedades de agentes que se organizan.
Y tal vez ahí, en esa coordinación, aparezca una forma práctica de inteligencia general. No como un robot con rostro humano, no como una conciencia encerrada en un servidor, no como una voz omnisciente que responde a todo, sino como una organización digital capaz de investigar, planificar, ejecutar, revisar, aprender y mejorar.
La AGI, si llega por esta vía, quizá no se parezca a una persona. Quizá se parezca más a una institución.