¿Puede un solo agente con habilidades reemplazar a los sistemas multiagente? Los sistemas multiagente funcionan bien para razonamientos complejos donde agentes especializados colaboran mediante comunicación explícita. Pero esto implica una sobrecarga computacional considerable en tokens y latencia. Esta nueva investigación explora si se puede compilar un sistema multiagente en un sistema equivalente de agente único intercambiando la comunicación interagente por la selección de habilidades. La respuesta: sí, pero con una salvedad. Experimentos preliminares muestran que los enfoques de agente único con bibliotecas de habilidades pueden reducir sustancialmente el uso y la latencia de tokens, manteniendo la precisión competitiva en benchmarks de razonamiento. Hasta ahora, bien. Pero aquí es donde se pone interesante. Los investigadores preguntaron: ¿Cómo escala la selección de habilidades a medida que crecen las bibliotecas? Basándose en la ciencia cognitiva, proponen que la selección de habilidades en los LLM exhibe una capacidad limitada análoga a la toma de decisiones humana. Y encontraron un patrón interesante. En lugar de degradarse gradualmente, la precisión de selección se mantiene estable hasta un tamaño crítico de biblioteca, y luego cae bruscamente. Pero parece una transición de fase, no un declive suave. Esto refleja los límites de capacidad observados en la cognición humana. El culpable no es solo el tamaño de la biblioteca. Es la confusión semántica entre habilidades similares. Cuando las habilidades son demasiado similares semánticamente, el modelo no puede distinguirlas de forma fiable. Esto sugiere que la organización jerárquica, que durante mucho tiempo ha ayudado a los humanos a gestionar decisiones complejas, podría beneficiar de forma similar a los sistemas de IA. Los resultados iniciales con enrutamiento jerárquico apoyan esta hipótesis. A medida que construimos agentes cada vez más capaces con habilidades en expansión, comprender estos límites fundamentales se vuelve fundamental. No puedes seguir añadiendo habilidades indefinidamente. Hay un umbral en el que la selección se rompe, y ocurre de repente, no de forma gradual. Papel: Aprende a crear agentes de IA efectivos en nuestra academia: