Agensh: Microsoft libera un sistema que coordina 1.024 agentes sin jefe
Microsoft Research publicó como código abierto Agensh, un sistema que llegó a coordinar 1.024 agentes de IA trabajando en simultáneo sobre el mismo repositorio de código, sin un agente líder que reparta las tareas. Para un equipo fundador, el dato relevante no es la cifra: es que la coordinación entre agentes dejó de ser un problema de infraestructura y pasó a ser un problema de diseño de equipo.
Un harness, en este contexto, es el entorno de ejecución que envuelve al modelo: le da herramientas, memoria y control de contexto. Agensh es un harness multiagente, y su apuesta central es eliminar al orquestador.
Cómo funciona un equipo de agentes sin coordinador central
Los sistemas multiagente habituales asignan a un agente central la planificación, el reparto del trabajo y la integración de resultados. Agensh invierte esa estructura: cada trabajador opera de forma concurrente y asíncrona, reclama sus propias subtareas y negocia directamente con sus pares.
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 díasEl bucle que sigue cada agente tiene cinco pasos:
- Reunir contexto: leer el objetivo, el progreso de los pares, los mensajes y los hallazgos.
- Reclamar una subtarea: publicar un CLAIM y resolver solapamientos por mensaje directo.
- Ejecutar: trabajar con herramientas locales y publicar hallazgos útiles cuanto antes.
- Verificar: contrastar el resultado contra los criterios de aceptación de la subtarea.
- Fusionar: integrar los cambios en el repositorio compartido, publicar una actualización y repetir el ciclo.
Tres servicios sostienen el trabajo compartido. Gitea aloja el repositorio, las ramas y las solicitudes de cambios; Mattermost aporta un canal de equipo y mensajes directos para resolver colisiones; y un tablero de contexto guarda notas tipadas como observaciones, hechos, fallos, tareas reclamadas y resúmenes de cambios.
El detalle más contraintuitivo es dónde vive la inteligencia de coordinación: en el prompt del agente, no en el código de ejecución. Todos los trabajadores reciben esencialmente las mismas instrucciones, salvo por su identificador. Agensh se monta sobre un harness de agente individual, y los experimentos usaron GitHub Copilot CLI mediante sesiones ACP. El equipo señala que adaptadores ligeros podrían conectar otros entornos, como Claude Code.
Qué midieron las pruebas en ProgramBench
La evaluación se concentró en las cinco tareas más difíciles de ProgramBench: FFmpeg, GROMACS, pandoc, PHP-src y ctags. El objetivo de cada prueba es reconstruir un programa a partir del comportamiento observado, y los agentes trabajan sin conexión durante un máximo de seis horas.
El tamaño de los proyectos varía muchísimo, y eso importa al leer los resultados: el repositorio de referencia de pandoc tiene 2.767 archivos, mientras que PHP-src llega a 26.266. No son la misma clase de problema ni la misma cantidad de código por reproducir.
Con GPT-5.6-sol y un nivel alto de razonamiento, la tasa media final de pruebas superadas en las cinco tareas fue:
- 1 agente: 19,31%
- 8 agentes: 20,68%
- 32 agentes: 26,52%
- 128 agentes: 28,78%
Entre el primer y el último valor hay una mejora de 9,47 puntos porcentuales, cerca de 49% en términos relativos. Pero el salto de 1 a 8 agentes aportó apenas 1,37 puntos: multiplicar por ocho el equipo casi no movió la aguja.
En pandoc, el caso con cifras detalladas para todas las escalas, la secuencia con GPT-5.6-sol fue 33,89% con un agente, 41,75% con ocho, 43,11% con 32, 50,94% con 128 y 55,06% con 1.024. La velocidad también mejoró: con 128 agentes el sistema superó el 30% de pruebas aprobadas a los 30 minutos, mientras que 32 agentes necesitaron 60 minutos y ocho agentes, 90.
La página del proyecto añade una medición con GPT-6.1-sol que no aparece en la versión inicial del paper: en pandoc pasó de 56,19% con un agente a 79,59% con 32, un aumento relativo de 41,64%. Son cifras de otro modelo y conviene no mezclarlas con las anteriores.
¿Más agentes siempre significa mejores resultados?
No. La curva de Agensh es clara en su forma: la ganancia más nítida aparece al pasar de 8 a 32 trabajadores, y el tramo de 32 a 128 muestra un progreso más moderado. El propio equipo lo enmarca como evidencia de que la colaboración distribuida puede elevar el desempeño en estas pruebas, no como una garantía de que la escala resuelva los límites de capacidad o calidad de un modelo.
Los roles que emergieron al crecer el grupo apuntan en la misma dirección. Con ocho agentes, los pares acordaron interfaces y resolvieron reclamos superpuestos por su cuenta. Con 32, revisaron trabajo compartido y retiraron una aprobación después de encontrar un contraejemplo. Con 128, reutilizaron revisores considerados confiables y estandarizaron un protocolo de integración. A 1.024, varios asumieron funciones de integración y algunos ayudaron a recuperar trabajo fallido. Ninguno de esos roles estaba preprogramado.
Ese es el hallazgo más útil para un founder: la organización emergió del entorno compartido, no de un diseño previo.
Agensh frente a otros sistemas multiagente
La comparación publicada por el equipo ubica a Agensh junto a otras arquitecturas conocidas:
- Claude Code agent teams usa un líder fijo y recomienda grupos de tres a cinco agentes.
- Kimi Agent Swarm emplea un orquestador y declara hasta 100 subagentes.
- Copilot CLI no informa un límite de agentes.
La prueba de 1.024 coloca a Agensh en una escala llamativa, pero no constituye por sí sola una comparación de rendimiento bajo condiciones idénticas: son arquitecturas distintas, con modelos distintos y protocolos de evaluación distintos.
El contexto del sector ayuda a leer el anuncio. Según InfoQ, Microsoft llevó su Agent Framework a disponibilidad general el 2 de abril de 2026 y presentó el Agent Harness en su evento Build de junio, con el argumento de que el harness es la mayor parte del sistema: un análisis del VILA-Lab de la MBZUAI sobre Claude Code v2.1.88 estimó que cerca del 98,4% del código es infraestructura de harness y apenas 1,6% es lógica de decisión de IA.
Microsoft no es el único apostando a coordinar varios agentes. GeekWire reportó que su sistema MDASH, con más de 100 agentes especializados, alcanzó 88,45% en el benchmark CyberGym de UC Berkeley, por delante del 83,1% de Mythos Preview de Anthropic y el 81,8% de GPT-5.5, con la advertencia de que son puntajes autoinformados. En el mercado comercial, UiPath presentó Maestro Flow, una capa de orquestación para agentes de programación que ya está en vista previa pública, con una frase de su director de producto y tecnología, Raghu Malpani, que resume el momento: las empresas no tienen un problema de agentes, sino un problema de orquestación.
Y la orquestación multiagente también se cobra. Según TechTimes, la japonesa Sakana AI lanzó Fugu en junio de 2026 con precios de referencia de aproximadamente US$5 por millón de tokens de entrada y US$30 por millón de salida en su versión Ultra, además de planes mensuales desde US$20. Es el tipo de factura que conviene tener en la cabeza antes de multiplicar agentes.
Qué significa esto para tu startup
Agensh no es un producto que vayas a poner en producción mañana, pero sí un mapa de dónde está el retorno cuando sumas agentes. Cuatro decisiones concretas:
- Empieza por 8 y salta a 32, no a 1.024. Los datos de ProgramBench muestran que el tramo de 1 a 8 agentes aportó apenas 1,37 puntos, mientras que el salto de 8 a 32 fue el más pronunciado. Ahí está el primer retorno, y es donde conviene medir con tus propias tareas.
- Modela el costo antes de escalar. Microsoft no divulgó el costo de tokens de las corridas, y el harness fija un máximo de 272.000 tokens de entrada y 128.000 de salida por trabajador. Con 32 trabajadores simultáneos, esa factura hay que proyectarla antes de entusiasmarse con la escala.
- Estandariza el estado compartido antes de sumar agentes. Los roles que emergieron a 32 y 128 agentes aparecieron porque existía un repositorio y un canal comunes donde dejar rastro. Sin esa base, sumar trabajadores solo multiplica el desorden.
- Mantén un humano en el merge. A 32 agentes, el equipo retiró una aprobación después de encontrar un contraejemplo. La verificación entre pares funciona, pero no reemplaza el control final sobre lo que entra al repositorio.
Para equipos en LATAM o España que compiten con presupuestos de cómputo más ajustados que los de una gran tecnológica, la lección práctica es la misma: la ventaja no está en correr más agentes, sino en diseñar mejor el protocolo con el que se coordinan.
Requisitos para probarlo hoy
La ejecución de referencia está preparada para Linux con Docker Compose y, por defecto, un solo nodo con ocho trabajadores, seis horas por tarea y GPT-5.6-sol con alto esfuerzo de razonamiento. Los requisitos indicados son Docker Engine, Compose v2, systemd, cgroup v2 y Python 3.11 o posterior.
La corrida de 1.024 agentes usó 16 nodos con 64 trabajadores cada uno, con un límite de 64 GiB de memoria por trabajador. El proyecto valida ProgramBench v1.2.5 y requiere un token de API del modelo para ejecutar las pruebas. Se distribuye bajo licencia MIT.
Conclusión
Agensh demuestra algo más interesante que una cifra grande: que un equipo de agentes puede organizarse sin jefe cuando el entorno compartido está bien diseñado. Los resultados más sólidos se concentran en combinaciones específicas de modelo, tarea y número de trabajadores, y la mejora reducida entre uno y ocho agentes, junto a la ausencia de cifras de costos, deja abierta la pregunta sobre cuándo esta coordinación distribuida resulta realmente práctica.
Para un founder, la conclusión es prudente y accionable: prueba la coordinación distribuida en un tramo acotado, mide el costo por punto de mejora y no confundas escala con progreso.
Fuentes
- DiarioBitcoin (fuente original)
- MarkTechPost
- InfoQ
- GeekWire
- TechTimes
- SD Times
- ADTmag
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días
