Introducción
Durante mucho tiempo, dividir el trabajo entre varios agentes especializados ha sido una forma de abordar tareas complejas con inteligencia artificial. Sin embargo, Anthropic plantea que las capacidades de los modelos más recientes están cambiando las ventajas de este enfoque.
En su guía «Building agents: When to fold subagents into your main agent loop», la empresa detrás de Claude recomienda evaluar si conviene reunir las funciones de varios subagentes en un único agente principal capaz de acceder a conocimientos, herramientas e instrucciones cuando los necesita.
La propuesta parte de una observación en entornos empresariales: un agente único equipado con skills ha superado con frecuencia tanto a las arquitecturas basadas en múltiples subagentes como a las que concentran todas las instrucciones en un gran prompt.
Además de las mejoras en calidad, esta simplificación puede reducir costes y tiempos de respuesta. En una comparación, la arquitectura de agente único resultó aproximadamente dos veces más rápida que la multiagente.
Qué recomienda Anthropic
La recomendación central consiste en sustituir la complejidad innecesaria por un agente principal con instrucciones claras y acceso selectivo a los recursos que necesita.
Anthropic describe una arquitectura con tres elementos principales:
- Un prompt de sistema limpio y coherente, sin instrucciones contradictorias.
- Entre cuatro y cinco herramientas ligeras para consultar datos.
- Reglas de seguridad y control de las respuestas, o guardrails, definidas de forma fija.
Este planteamiento busca resolver problemas que aparecen cuando varios equipos incorporan sus propios componentes a un mismo sistema.
Anthropic utiliza la expresión «ley de Conway para agentes» para describir las arquitecturas que terminan reproduciendo la estructura organizativa de una empresa: cada departamento desarrolla su propio subagente y el sistema acumula componentes especializados.
Otro problema es el denominado «Frankenprompt», un prompt de sistema que reúne reglas aportadas por diferentes equipos y que puede terminar conteniendo instrucciones incompatibles.
La compañía presenta el caso de una empresa que había desarrollado aproximadamente una docena de subagentes especializados para su sistema de atención al cliente. Esa división dificultaba mantener una experiencia de marca coherente y perjudicaba la usabilidad debido a la elevada latencia.
La alternativa consiste en centralizar la coordinación sin obligar al agente a cargar toda la información desde el principio.
Por qué ahora
El cambio está relacionado con la evolución de los modelos de inteligencia artificial.
Según Anthropic, modelos como Opus 4.5, Opus 5.5 y Fable 5.1 pueden gestionar planes complejos dentro de un único ciclo de ejecución. Esto reduce la necesidad de repartir cada etapa entre agentes independientes.
La empresa señala un ejemplo de esta evolución en Claude Code: su prompt de sistema se redujo más del 80% para los modelos nuevos, en parte porque las skills y las herramientas pueden cargarse únicamente cuando resultan necesarias.
En lugar de mantener permanentemente todas las instrucciones dentro del contexto, el agente puede acceder a capacidades específicas en función de la tarea.
El debate también cuenta con otros antecedentes. Un estudio de Vals encontró que los equipos de agentes pueden ejecutar determinadas tareas más rápido que un agente único, pero sin ofrecer una calidad superior.
Ese estudio también observó que aumentar el número de agentes de 10 a 30 o incluso 100 no produjo mejoras de calidad, mientras que los costes crecieron considerablemente.
Por su parte, Eric Provencher, desarrollador de OpenAI, también ha cuestionado el valor de las arquitecturas basadas en grandes conjuntos de agentes.
Estos resultados ponen de relieve una distinción importante: añadir agentes puede aportar velocidad en ciertos escenarios, pero no garantiza mejores respuestas ni una arquitectura más eficiente.
Cuándo SÍ convienen los subagentes
Anthropic no plantea eliminar los subagentes de todas las aplicaciones. La compañía identifica tres situaciones en las que mantenerlos puede tener ventajas concretas.
- Degradación del rendimiento por el contexto. Cuando el agente principal acumula demasiada información y se observa una disminución medible de su rendimiento, separar determinadas tareas puede resultar beneficioso.
- Procesos que necesitan ejecutarse en paralelo. Si varias tareas deben desarrollarse simultáneamente y requieren ventanas de contexto independientes, los subagentes permiten mantener esa separación.
- Dificultades para seleccionar herramientas. Cuando un agente principal tiene problemas para identificar las herramientas adecuadas, distribuir las responsabilidades puede mejorar su funcionamiento.
La diferencia está en justificar la separación por una necesidad técnica concreta, en lugar de convertir cada especialidad o departamento en un agente independiente.
Cómo migrar sin romper nada
La simplificación también presenta riesgos si se realiza sin evaluar las dependencias existentes.
Anthropic describe una prueba con un agente de soporte en la que integrar un subagente dentro del agente principal redujo la latencia, pero alteró un proceso que antes funcionaba correctamente.
Después de la modificación, el agente principal comenzó a responder directamente cuando debía consultar al especialista.
El ejemplo muestra que reducir el número de agentes no equivale automáticamente a mejorar todo el sistema.
Para abordar estas transiciones, Anthropic publicó en GitHub un kit de migración que ayuda a identificar patrones existentes, evaluar alternativas arquitectónicas y comprobar qué enfoque ofrece mejores resultados.
La guía también contempla varias decisiones de organización y diseño:
- Skills bajo demanda: empaquetar los flujos de trabajo en skills y utilizar búsqueda de herramientas para cargar únicamente las capacidades necesarias.
- Responsabilidad centralizada: mantener un equipo central pequeño encargado del prompt de sistema y de la calidad del agente.
- Control de herramientas: evitar que los catálogos crezcan sin límites, ya que la selección de herramientas tiende a degradarse al superar aproximadamente entre 30 y 50 definiciones. Cada equipo debe mantener organizada su biblioteca de skills.
- Información de referencia: utilizar bases de conocimiento consultadas bajo demanda o archivos de referencia incluidos dentro de una skill para guías, especificaciones y definiciones de métricas.
Anthropic también desaconseja recuperar información contextual mediante código para insertarla directamente en el prompt. Su planteamiento favorece que el agente consulte las fuentes de referencia cuando las necesita.
El objetivo es preservar los procesos que funcionan mientras se reducen las instrucciones redundantes, las herramientas innecesarias y los costes de coordinación.
Anthropic en contexto
Anthropic es la empresa detrás de Claude y desarrolla modelos de inteligencia artificial utilizados en sistemas basados en agentes.
Su guía sobre consolidación de subagentes recoge observaciones de despliegues empresariales y propone aprovechar las capacidades de modelos como Opus 4.5, Opus 5.5 y Fable 5.1 para simplificar las arquitecturas.
La compañía complementa estas recomendaciones con un kit de migración publicado en GitHub, orientado a comparar estructuras de agentes y evaluar los resultados antes de adoptar cambios.
