Microsoft publicó el 24 de octubre el código de Agensh, un sistema donde hasta 1.024 agentes de IA sin jefe trabajan sobre el mismo problema. Ninguno recibe órdenes de un coordinador central. En la prueba más grande, la proporción de pruebas superadas al reconstruir el programa pandoc pasó de 34 % a 55 %, con un plazo de seis horas.
En el repositorio publicado en GitHub están el arnés, los scripts para lanzar los experimentos y una guía para reproducirlos. Un arnés es la estructura que le da al modelo sus herramientas, su memoria de trabajo y el ciclo con el que actúa. El anuncio llega un mes después de la versión preliminar que Microsoft Research publicó en arXiv.
Las pruebas se hicieron en ProgramBench, un banco donde el sistema reconstruye programas de referencia. Solo ve cómo se comportan y qué dice su documentación. No hay acceso a internet ni al código original. La métrica es la proporción de pruebas oficiales que pasan en seis horas.
Qué hace un arnés de agentes de IA sin jefe
Cada trabajador repite cinco pasos. Lee el estado del trabajo y los mensajes de sus pares. Después reclama una subtarea, la ejecuta, verifica el resultado y lo integra al espacio común. Cuando dos reclamos se superponen, los agentes lo resuelven por mensaje directo.
La infraestructura son tres piezas. Un espacio de trabajo compartido montado sobre Gitea; un servicio de mensajería con Mattermost; y un contexto común. Ese contexto, adaptado de otro sistema, DeLM, funciona aquí como memoria de trabajo: guarda hallazgos reutilizables e intenciones de trabajo. La coordinación no pasa por un nodo central.
Cada integración deja un rastro. El trabajador describe qué cambió, la idea detrás y la evidencia con la que lo verificó. Así el siguiente puede construir sobre ese resultado en lugar de repetirlo.
El número de agentes como nueva dimensión
En las cinco tareas más difíciles de ProgramBench usaron GPT-5.6-sol con razonamiento alto. La media de pruebas superadas pasó de 19 % con un agente a 29 % con 128. Con ocho y con 32 agentes quedó entre esos dos extremos, sin alcanzar la marca del equipo grande. El promedio corresponde a esas cinco tareas de referencia, no al banco completo.
En pandoc la curva siguió subiendo por encima de esa cifra. Con un modelo más nuevo, GPT-6.1-sol, 32 agentes alcanzaron lo que con el anterior necesitaba un millar. Los equipos grandes también llegan antes al mismo umbral, y esa ventaja se mide en minutos dentro de las seis horas de plazo.
Los autores describen lo que aparece a medida que crece el equipo. Con ocho agentes hay coordinación de la implementación. Con 32, gestión de la integración entre varios. Con 128, especialización y flujos de trabajo estandarizados. A 1.024, los roles se reparten a escala de organización.
El problema que ataca el diseño es el cuello de botella del coordinador. En un arnés con jefe, ese nodo reparte las tareas. Su capacidad de decidir limita cuántos trabajadores aportan algo. Cuanto más grande el equipo, más caro resulta que ese nodo tenga la última palabra.
Los límites del estudio
La evaluación es de Microsoft, sobre una familia de pruebas y sin replicación independiente. Sin réplica externa, el resultado describe lo que logró el equipo que diseñó el sistema. La métrica mide pruebas superadas, no corrección demostrada. El presupuesto fijo es de seis horas y no se compara el cómputo total consumido. Más agentes también significa más trabajo en paralelo.
Si el hallazgo se sostiene, la ventaja se mueve de lugar. Pasa del modelo que se compra a la forma en que se reparte el trabajo. Los autores liberaron el arnés, los scripts y la guía de reproducción para que otros puedan medirlo.
Otras fuentes consultadas: Agensh, versión preliminar en arXiv (22/09/2026); Microsoft Research, página del proyecto (2026); Hacker News, hilo de presentación del repositorio (24/10/2026).
