A medida que los repositorios de código empresarial crecen, los agentes de inteligencia artificial encargados de analizarlos suelen colapsar bajo el peso de tareas de largo alcance. El problema no siempre es la falta de potencia. También es la falta de comunicación efectiva: muchos sistemas multiagente no están diseñados para que sus agentes se coordinen entre sí mientras trabajan.
Para resolver ese cuello de botella, investigadores de Coral AI Labs y varias universidades presentaron AgentRadio, una capa asíncrona de intercambio de mensajes. La herramienta permite que los agentes compartan descubrimientos intermedios entre pasos de ejecución sin detener su trabajo principal. El preprint AgentRadio: Passive Awareness for Long-Horizon Multi-Agent Collaboration y su código están disponibles para consulta y reproducción.
Por qué un solo agente pierde cobertura
Entender un código base completo es uno de los retos más exigentes para un agente de IA. Requiere construir el software, ejecutarlo, rastrear rutas de ejecución en múltiples archivos y reunir evidencia durante una investigación prolongada.
Un agente individual suele seguir una única ruta por el repositorio. Conforme aumenta la información que debe mantener en contexto, le cuesta revisar su plan inicial y conectar descubrimientos tardíos con decisiones anteriores. Puede ejecutar pasos individuales, pero se vuelve más difícil mantener activas todas las obligaciones, dependencias y evidencias contradictorias.
El benchmark SWE-Atlas QnA mide el desempeño en preguntas de largo alcance sobre repositorios de producción. Sus tareas no se resuelven únicamente leyendo código: los agentes deben ejecutar el software y usar varios comandos para encontrar las respuestas. En la evaluación descrita en el preprint, una instancia de Claude Code con Opus 4.6 resolvió el 32.3% de las tareas. Un agente individual con Opus 4.8 alcanzó el 57.2%.
El problema no es sumar agentes, sino conectarlos
Dividir el trabajo entre varios agentes parece una solución lógica. Funciona bien cuando cada parte puede resolverse por separado y después combinarse. La comprensión de un código base, sin embargo, rara vez es tan sencilla.
Una configuración crítica o un error descubierto por un agente puede cambiar por completo la investigación de otro. Por eso, los agentes necesitan compartir hipótesis y evidencia antes de terminar sus tareas. Sin esa comunicación, varios agentes pueden avanzar con supuestos que ya fueron refutados.
1. Agentes paralelos pero aislados
Los agentes trabajan al mismo tiempo, pero no se comunican. Cada uno explora una parte del repositorio sin conocer los hallazgos de los demás.
2. Agentes que esperan a rondas de comunicación
Los agentes solo pueden intercambiar información en momentos previamente establecidos. Esto obliga a detenerse y esperar al resto del equipo. Una pista importante puede llegar demasiado tarde, cuando otro agente ya terminó una investigación basada en una hipótesis equivocada.
3. Asincronía limitada
Algunos sistemas permiten enviar tareas desde un agente coordinador, pero no ofrecen canales laterales entre pares. Tampoco mantienen una escucha activa que permita recibir actualizaciones sin que el agente abandone su trabajo.
El límite que AgentRadio intenta resolver es sencillo de describir: un agente que está trabajando no siempre puede escuchar al mismo tiempo. En el estudio, los autores presentan su propuesta como una forma de dar a agentes concurrentes una conciencia pasiva de los mensajes relevantes. La afirmación se refiere al sistema y a las comparaciones analizadas en ese trabajo, no a todos los sistemas multiagente existentes.
Cómo AgentRadio permite corregir el rumbo
La idea se parece a tener un canal de radio abierto durante una investigación. Cada agente puede continuar con su tarea y, al mismo tiempo, enterarse de un hallazgo que cambia el contexto. AgentRadio ofrece tres funciones básicas:
1. Abrir una conversación
create_thread crea un hilo de conversación entre los agentes participantes.
2. Enviar información sin bloquear el trabajo
send_message añade un mensaje al hilo y devuelve el control al agente que lo envía. El agente no tiene que esperar a que los demás respondan.
3. Recibir menciones relevantes
wait_for_mention mantiene un proceso de escucha hasta que llega un mensaje que menciona al agente. Cuando ocurre, entrega el mensaje y una instantánea de los hilos disponibles para que el agente pueda interpretar el hallazgo con mayor contexto.
La implementación usa un servidor de mensajes independiente y una integración ligera mediante scripts de shell. El requisito estricto es que el marco del agente pueda ejecutar un comando de shell como tarea en segundo plano. El código, los datos y los scripts de reproducción están publicados en el repositorio Coral-Protocol/AgentRadio.
Qué cambió en la evaluación
Los investigadores probaron el marco en 124 tareas de SWE-Atlas QnA. Compararon desde un agente individual hasta equipos con distintas formas de división del trabajo y un equipo de cuatro agentes Claude Code coordinados con AgentRadio.
El equipo completo con AgentRadio alcanzó un 62.1% de exactitud, frente al 32.3% de un agente individual con Opus 4.6. También superó el 57.2% obtenido por un agente individual con Opus 4.8. En las pruebas con DeepSeek V4 Pro, la coordinación elevó el resultado del 29.0% al 50.8%.
La comparación también intentó separar el efecto de la coordinación del simple aumento de cómputo. Seis ejecuciones independientes de Opus, con un gasto de 17.76 dólares por tarea, resolvieron el 37.9% de los casos. El equipo AgentRadio alcanzó el 62.1% con un gasto promedio de 19.45 dólares por tarea, frente a 2.96 dólares para un agente Opus individual. La arquitectura mejoró el resultado, pero lo hizo con un costo mayor.
Un caso de MinIO muestra por qué importa el momento
Uno de los ejemplos del estudio involucró un sistema MinIO. Para resolver la tarea era necesario revisar registros del servidor por solicitud, algo que los agentes no habían previsto al principio.
En una configuración sin comunicación asíncrona, dos agentes descubrieron por separado que necesitaban esos registros. Como no podían compartir el hallazgo durante la ejecución, uno abandonó esa línea y el otro no consiguió plantearla al equipo. Durante la revisión, el grupo llegó a una respuesta incorrecta y omitió cinco criterios de evaluación.
Con AgentRadio, uno de los agentes transmitió la evidencia mientras la investigación seguía en curso. Los demás pudieron incorporarla en su siguiente paso de trabajo. En ese caso, el resultado pasó a 16 de 16 puntos. Esa cifra representa los criterios de evaluación del caso descrito, no una garantía de rendimiento para todas las tareas.
La lección es el momento en que llega la información. Una nueva ronda de revisión no siempre basta. Si un descubrimiento deja de ser útil cuando llega demasiado tarde, compartirlo durante la ejecución puede evitar que todo el equipo avance por el camino equivocado.
Cuándo conviene asumir el costo de coordinar
AgentRadio no convierte automáticamente cualquier tarea en una buena candidata para un equipo de agentes. La comunicación puede llevar a mejor evidencia, pero también puede distraer a un agente de una ruta válida. Además, el costo promedio por tarea sube de 2.96 dólares para un agente Opus a 19.45 dólares para la configuración completa.
Una señal útil son los puntos de responsabilidad. Aparecen cuando el trabajo cruza un límite de propiedad, necesita una hipótesis independiente o implica suficiente riesgo como para justificar una verificación separada.
La coordinación tiene más sentido cuando una tarea es difícil de resolver con un solo contexto, sus partes siguen siendo interdependientes, el índice de éxito individual es poco confiable y una respuesta incompleta tendría un costo importante. Algunos ejemplos son las preguntas de arquitectura de todo un repositorio, los sistemas heredados desconocidos, las investigaciones de incidentes entre servicios, los análisis de seguridad, las migraciones de dependencias y las refactorizaciones que abarcan varios módulos.
Para un cambio local, conocido y reversible, como editar un archivo o generar código repetitivo, un solo agente suele ser la opción más sencilla. La decisión práctica es esta: usa un equipo cuando un agente tendría que comprimir evidencia importante, cruzar un límite independiente de responsabilidad o verificar por sí solo una conclusión de alto impacto.
El límite actual: comunicarse mejor no basta
La conciencia pasiva hace que los mensajes estén disponibles durante la ejecución, pero no decide qué agentes deben existir, qué hallazgos merecen atención, quién debe recibirlos ni cuándo la evidencia justifica cambiar el plan.
Si todos reciben todas las actualizaciones, el canal se convierte en ruido. Si varios agentes comparten el mismo supuesto equivocado, una comunicación más rápida puede propagar el error. En un caso del estudio relacionado con Grafana, los agentes ejecutaron las pruebas necesarias, pero ninguno formuló una hipótesis negativa que era necesaria para resolver cuatro criterios. Las dos configuraciones fallaron esos criterios.
Esto marca una frontera importante. AgentRadio puede distribuir una idea que alguien del equipo ya desarrolló, pero no puede inventar una hipótesis que nunca apareció. Los sistemas futuros necesitarán asignación adaptativa de responsabilidades, selección de destinatarios, resolución de conflictos, límites de costo, permisos, recuperación y puntos claros de escalamiento humano.
Qué significa para quienes construyen herramientas de IA
AgentRadio es una implementación de investigación con un equipo fijo de cuatro agentes y un protocolo de cinco fases. Sus principios también se están adaptando al producto comercial Coral Code, que busca activar investigación acotada, especialistas y comunicación solo cuando la evidencia lo justifica.
Para quienes desarrollan sistemas de IA en México o en cualquier otro lugar, la conclusión es práctica: antes de pagar por modelos más grandes o sumar agentes aislados, conviene revisar cómo comparten información. Una capa asíncrona puede mejorar la exactitud en tareas complejas porque permite corregir el rumbo mientras todavía hay tiempo de hacerlo.
El siguiente paso puede ser pequeño. Elige una tarea de tu repositorio que cruce varios servicios, registra qué decisiones se pierden durante la ejecución y prueba una coordinación que preserve esos hallazgos. Si el intercambio de información mejora el resultado sin generar más ruido del que resuelve, tendrás una señal concreta de que tu problema era arquitectónico, no solo de potencia del modelo. Más sobre el tema: Instacart revoluciona su ingeniería con IA. Descubre cómo tu rol profesional está cambiando hoy.
