Pienso en los agentes como pienso en las personas. Un agente es un trabajador. Mil agentes son una organización, y una organización de máquinas es un sistema distribuido. La gente me sigue diciendo que los agentes pueden ejecutarse para siempre. Técnicamente es cierto. Puedes llamar a un modelo en un bucle hasta que tu tarjeta de crédito sea rechazada. Pero el agente aún se ejecuta en cosas finitas: tokens, contexto, cómputo, memoria, herramientas, dinero. Siempre algo se agota. Los humanos no somos tan diferentes. Trabajamos por un tiempo y nos cansamos. Nuestra memoria de trabajo es diminuta. Olvidamos cosas. Así que escribimos las partes importantes, dormimos y volvemos a la mañana siguiente con la cabeza despejada y la misma identidad. Las máquinas tienen la misma restricción en una forma diferente. Una caja se queda sin CPU. Un pod se queda sin memoria. Nadie arregla eso asumiendo que cada proceso debería vivir para siempre. Programamos el trabajo sobre los recursos que tenemos. No veo por qué la inteligencia recibe un pase. Un agente puede trabajar por un tiempo, escribir lo que importa, limpiar su contexto y dejar que él mismo u otro agente continúe desde allí. Ejecutamos nuestros propios agentes de codificación en VPS en Ins Forge, y se matan, se reinician y se quedan sin contexto todo el tiempo. Los fallos que realmente duelen son aquellos donde el plan vivía solo dentro de la ventana de contexto del agente.

Agregar agentes ayudó al trabajo paralelo hasta en un 80.9% y perjudicó el trabajo secuencial en un 39% a 70% en el estudio de 180 configuraciones de Google Research. La forma de la tarea decide. Un orquestador redujo la amplificación de errores de 17.2× a 4.4× en el mismo estudio. La coordinación es un trabajo real. En Silo-Bench (ACL 2026), equipos de 2 a 100 agentes hablaron mucho y razonaron mal. Las tareas más difíciles alcanzaron éxito cero con 50 agentes. Así que lo duradero debería ser el estado, no el agente. Programa agentes como procesos y recupéralos como nodos.

Los agentes están empezando a parecerse a procesos. Esto dejó de ser una analogía hace tiempo. Hay toda una línea de investigación construyéndolo. AIOS, un "Sistema Operativo de Agentes LLM" de Rutgers, abre con el problema en una oración: "Permitir acceso sin restricciones a recursos de LLM o herramientas puede llevar a una asignación y utilización de recursos ineficiente o incluso potencialmente dañina para los agentes". Su respuesta es un kernel. Cada solicitud de agente se descompone en llamadas al sistema, un programador decide qué llamada se ejecuta a continuación, y un administrador de contexto toma una instantánea del agente a mitad de tarea para que pueda ser interrumpido y reanudado. Reportan hasta 2.1× de ejecución más rápida al servir agentes construidos sobre marcos existentes. Programación, cambio de contexto, gestión de memoria, almacenamiento, control de acceso. Eso es un sistema operativo. Los procesos solo resultan que piensan.

También paga un nivel más arriba. LLM-as-Scheduler, de ACL 2026, parte de la observación de que la mayoría de las consultas no merecen un flujo de trabajo multiagente pesado, y deja que un programador elija el flujo de trabajo por consulta. Obtuvieron 43% menos tokens y más de 36% menos latencia de extremo a extremo, con una caída de precisión de como máximo 1.4 puntos porcentuales frente a un flujo de trabajo fijo fuerte. Así que un agente parece un proceso, y miles de procesos necesitan un programador. Bien. Pero programar el cómputo es solo la mitad. También tienes que coordinar los agentes entre sí, y ahí es donde se pone interesante. Diez personas se coordinan. Diez mil inventan gerentes. Diez personas pueden coordinarse en una sala. Mil personas no pueden hablar todas entre sí y decidir independientemente qué debería hacer la empresa, así que inventamos equipos, gerentes, departamentos y eventualmente un CEO. Los gerentes existen en parte porque la coordinación es en sí misma trabajo, y alguien tiene que hacerlo. Asumí que los agentes tendrían el mismo problema. Ahora hay datos. Google Research y MIT realizaron un estudio controlado de 180 configuraciones de agentes en cinco arquitecturas y tres familias de modelos. Su titular: "el enfoque de 'más agentes' a menudo alcanza un techo, e incluso puede..."