Outshift de Cisco: 75% de agentes IA acuerdan mal

¿Qué encontró Outshift en los debates de cinco agentes?

El 75% de los debates entre equipos de cinco agentes de IA terminó con todos los agentes de acuerdo en la respuesta equivocada. Lo contó Vijoy Pandey, vicepresidente sénior y gerente general de Outshift, el brazo de incubación de Cisco, durante el Agentic Infrastructure Stack Summit de VentureBeat. El detalle incómodo: esas sesiones quedaron registradas como eficientes en los reportes de costo, porque gastaron menos tokens.

Pandey no maquilló el mecanismo. Los agentes retrocedieron en sus posiciones y convergieron en un consenso. "Sí, estaban gastando menos tokens, porque no estaban haciendo el trabajo duro de alinear, coordinar y verificar lo que se suponía que debían hacer".

Para quien ya opera varios agentes en producción, la lectura es directa: una factura de tokens baja no demuestra que el sistema funcionó. Puede estar señalando justo lo contrario.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Por qué el consenso puede ser la falla y no la solución?

Pandey le puso nombre al fenómeno: pensamiento de grupo. "Nadie desafía, nadie discute, y todos aceptan los resultados de los demás agentes como verdad".

Outshift lleva ocho o nueve meses estudiando sistemas multiagente, con despliegues en producción en salud, videovigilancia e ingeniería de plataformas. En una categoría de falla, todas las sesiones examinadas mostraron fallas cognitivas: agentes que no se alinean en un objetivo, no coordinan su trabajo, no negocian contrapartidas ni verifican el resultado final.

El problema no es exclusivo de ese laboratorio. Pandey citó un estudio de Berkeley según el cual cerca de un tercio de las fallas de agentes examinadas se atribuye a objetivos desalineados. Ese trabajo tiene nombre propio: "Why Do Multi-Agent LLM Systems Fail?", liderado por Mert Cemri, analizó más de 1.600 trazas de ejecución anotadas en siete frameworks multiagente y construyó la taxonomía MAST, con 14 modos de falla agrupados en diseño del sistema, desalineación entre agentes y verificación de tareas, según recoge Unite.AI. Su conclusión central: buena parte de estos errores viene de cómo se diseña el sistema, no solo de los límites del modelo.

El síntoma compartido es que estas fallas no dejan rastro de error. Un agente que declara una tarea terminada sin revisar nada no genera una excepción ni un log rojo.

¿Basta con dar memoria y contexto compartidos a los agentes?

No. Es una condición necesaria, no suficiente.

Pandey reconoció el valor de la memoria de equipo —sistemas que cargan procedimientos operativos y conocimiento compartido para los agentes, como los que construyen PayPal y otras compañías mencionadas en el mismo evento—, pero señaló lo que deja sin resolver: la coordinación.

Hacen falta tres mecanismos distintos, dijo: uno para que los agentes acuerden la intención antes de empezar, otro para coordinar y negociar durante el trabajo y un tercero para verificar el resultado global, no solo el desempeño local de cada agente.

El ejemplo que dio es brutal por lo cotidiano. Un agente de ventas aprende de un cliente que el trato depende de una función capaz de soportar 100.000 usuarios y le pasa el requisito a ingeniería. Ingeniería construye para 100.000 usuarios acumulados; el cliente hablaba de 100.000 usuarios concurrentes. Es una falla de alineación de objetivos, y ocurre antes de que ningún agente empiece a trabajar.

Una vez que el trabajo arranca, cada agente optimiza la métrica de su función: ventas empuja el ingreso más rápido, ingeniería y producto iteran entre funcionalidad, pruebas y despliegue, legal revisa obligaciones contractuales y finanzas protege el margen. "Eso es un problema de coordinación", dijo Pandey. "No puedes resolver la coordinación solo con contexto".

Por qué vas a terminar con más agentes, no con menos

El problema de coordinación no se va a reducir solo. Crece por tres razones concretas:

Hiperspecialización. Cada vez más empresas construyen agentes para tareas muy acotadas, les dan el contexto de su área y les conceden únicamente los permisos de ese equipo. "No puedes darle al agente de finanzas el mismo acceso que tiene ingeniería", dijo Pandey.
Heterogeneidad de proveedores. Un solo flujo de cierre de un deal puede involucrar agentes de Salesforce, Cisco, Microsoft, Harvey y Workday, cada uno sobre el stack de su proveedor.
Motores de cognición. Agentes que los equipos de IT despliegan junto a los flujos de negocio: unos se ocupan de seguridad, escala, cumplimiento y disponibilidad; otros de destilar memoria y razonar en conjunto entre agentes.

Cada proveedor o especialista nuevo que se suma multiplica la cantidad de acuerdos que esos agentes tienen que alcanzar. El tamaño del mercado confirma la dirección: un análisis publicado en Forbes Business Council proyecta que el mercado de sistemas multiagente pase de US$5.400 millones en 2024 a US$236.000 millones en 2034.

Scope, Accord, Concord y MAS Lab: cómo se detecta la deriva

Outshift lleva entre 12 y 18 meses conectando agentes a través de AGNTCY, su proyecto de código abierto dentro de la Linux Foundation. Poner esos sistemas en producción expuso el problema siguiente: los agentes podían comunicarse sin trabajar por el mismo resultado. Para atacarlo, publicó cuatro herramientas en su repositorio abierto.

Scope examina las trazas de OpenTelemetry que las empresas ya recolectan y analiza qué dicen y hacen los agentes para detectar deriva cognitiva respecto del objetivo compartido. Se apoya en extensiones semánticas de OpenTelemetry que Outshift introdujo junto a Microsoft.
Accord entra en juego si los agentes arrancan con interpretaciones distintas de la tarea: los obliga a acordar la intención antes del trabajo.
Concord cubre la divergencia durante la ejecución, con soporte para coordinación y negociación.
MAS Lab prueba si el sistema multiagente entrega el resultado que especificaron sus responsables.

Accord y Concord funcionan por encima de Agent2Agent (A2A), el protocolo de comunicación entre agentes, y de Model Context Protocol (MCP), el estándar para conectar modelos con herramientas y datos. Estas cuatro piezas son la primera parte pública de lo que Outshift llama el Internet of Cognition, una capa por encima de la conectividad entre agentes donde estos alinean, coordinan y verifican su trabajo. The Next Platform describió esa visión y recogió que se apoya en un paper de Cisco publicado en diciembre de 2025, que propone una arquitectura de protocolos por capas para el Internet of Agents.

La advertencia de Pandey sobre las herramientas actuales es la que más debería preocupar a un CTO: la observabilidad mide latencia, errores y, cada vez más, gasto de tokens. Un equipo que converge en una respuesta equivocada no dispara ninguna de esas alarmas. "Todos tus dashboards de cualquier proveedor de observabilidad van a mostrar verde, mientras tus resultados van a rojo".

Los datos de la industria van en la misma dirección. El informe State of Agent Engineering de LangChain, citado por Unite.AI, encuestó a 1.340 profesionales a fines de 2025: el 89% reportó algún tipo de observabilidad sobre sus agentes y el 62% tenía trazabilidad detallada de pasos y llamadas a herramientas, pero solo el 52,4% corría evaluaciones offline sobre conjuntos de prueba y apenas el 37,3% evaluaba tráfico en vivo. Ver qué hicieron los agentes ya es común; comprobar si estuvo bien, no.

La consistencia es el otro talón de Aquiles. El benchmark τ-bench de Sierra mostró que un agente basado en GPT-4o resolvía alrededor del 61% de las tareas de retail en un intento, pero caía a cerca del 25% cuando debía acertar ocho veces seguidas la misma tarea, también según Unite.AI. Un demo que funciona una vez dice poco sobre la ejecución número mil.

¿Qué significa esto para tu startup?

Deja de usar el costo por agente como métrica de éxito. Un equipo que debate hasta resolver quema más tokens que uno que se rinde temprano, así que una factura baja puede esconder la discrepancia que habría detectado el error.
Instrumenta verificación de resultado, no solo de ejecución. Define una prueba que compare el output del equipo de agentes contra el objetivo del negocio, y no solo contra el cumplimiento de cada rol.
Fija la intención antes de que los agentes trabajen. Un paso explícito de definición del objetivo con una métrica verificable habría evitado el caso de los 100.000 usuarios concurrentes contra acumulados. Cuesta tokens y los vale.
Registra qué devolvió cada herramienta, no solo si la llamada tuvo éxito. Sin eso, el fallo silencioso no aparece en ningún dashboard.
Cuenta los acuerdos antes de sumar proveedores. Cada agente nuevo de un stack distinto suma un punto de negociación. Si no tienes un mecanismo para resolverlo, la especialización se convierte en parálisis.

Para equipos pequeños en LATAM o España, que rara vez tienen un equipo de plataforma dedicado, esto es una advertencia de secuencia. Sumar agentes es fácil; el costo aparece cuando nadie definió quién arbitra si dos agentes no coinciden y nadie verifica el resultado final contra el objetivo del negocio.

Conclusión

El mensaje central de Pandey invierte una intuición muy extendida en la IA aplicada: el consenso no equivale a corrección. Un equipo de agentes que discute, se contradice y tarda en cerrar puede estar funcionando mejor que uno que acepta rápido, aunque el reporte de costos diga lo contrario.

La pregunta que queda sobre la mesa para cualquier founder que hoy corre agentes en producción no es cuántos tokens gastó su sistema, sino si alguien está midiendo si el resultado final fue el correcto, y si existe un mecanismo explícito de coordinación cuando los agentes no coinciden.