greenai.guide

Inicio › Artículos › La IA agéntica y el desperdicio de tokens

Artículo

La IA agéntica y el desperdicio de tokens

Actualizado · 5 min de lectura

En resumen

Los agentes de IA realizan tareas en muchos pasos y llaman a modelos y herramientas una y otra vez, de modo que una sola solicitud puede usar muchas veces los tokens de un chat. Los sistemas multiagente multiplican este efecto, y cuando los agentes entran en bucle o no se entienden entre sí, los tokens se desperdician. Los presupuestos, los límites de pasos, la detección de bucles y los modelos del tamaño adecuado mantienen la utilidad de los agentes sin gastar energía en vano.

Puntos clave

  • Un agente hace muchas llamadas al modelo por tarea, así que su uso de tokens, y de energía, puede ser muchas veces el de un solo chat.
  • Los sistemas multiagente vuelven a multiplicar el uso de tokens, lo que solo compensa en tareas lo bastante valiosas y complejas como para necesitarlo.
  • Los agentes pueden quedarse atrapados en bucles o repetir trabajo, consumiendo tokens sin avanzar.
  • Los límites estrictos de pasos, tokens, tiempo y gasto, junto con una supervisión capaz de detener una ejecución atascada, son salvaguardas básicas.
  • Ajustar el tamaño significa usar un solo agente, un modelo pequeño o ningún agente cuando la tarea lo permite.

Los agentes de IA son sistemas que trabajan hacia un objetivo en varios pasos y eligen qué herramientas llamar y qué hacer a continuación. Pueden reservar, buscar, escribir código, probarlo y volver a intentarlo. Esa autonomía es útil, pero cada paso es otra llamada a un modelo, y los costes se acumulan de una forma que no ocurre en un solo chat.

¿Qué hace que los agentes sean costosos?

Un agente llama a un modelo muchas veces por tarea, y cada llamada suele incluir el historial creciente de la tarea hasta ese momento. El uso de tokens, y por tanto de energía, aumenta con cada paso, cada llamada a una herramienta y cada reintento.

Un token es un fragmento de texto, aproximadamente una parte de una palabra, que un modelo lee o escribe. Cada token procesado cuesta cómputo. En un chat, una pregunta produce una respuesta. En un agente, una sola solicitud puede desencadenar decenas de llamadas al modelo: planificar, buscar, leer resultados, redactar, comprobar y revisar.

Anthropic lo describió en 2025, al explicar cómo construyó su sistema de investigación multiagente. Informó de que los agentes solían usar unas cuatro veces más tokens que las interacciones de chat, y los sistemas multiagente unas quince veces más. También observó que, en su prueba de referencia de navegación, el uso de tokens por sí solo explicaba el 80 % de la varianza en el rendimiento: los sistemas funcionaban mejor sobre todo porque gastaban más.

Es un intercambio razonable para una tarea difícil y valiosa. Para una tarea sencilla, es desperdicio.

¿Hay datos sobre el uso de energía de los agentes?

Las primeras investigaciones apuntan en la misma dirección. Kim, Shin, Chung y Rhu (2025) compararon los flujos de trabajo agénticos de varios turnos con la inferencia de un solo turno desde el punto de vista de la infraestructura de los centros de datos. Descubrieron que los agentes usaban bastante más energía, que las mejoras de precisión mostraban rendimientos decrecientes a medida que se gastaba más cómputo y que los costes de infraestructura de escalar los agentes de esta manera podían volverse insostenibles.

Las cifras medidas en despliegues reales todavía escasean, porque los proveedores rara vez las publican. Consulte la medición es el cuello de botella.

¿Cómo desperdician tokens los agentes?

Haciendo trabajo que no hace avanzar la tarea. Entre los patrones habituales están:

  • Bucles. Un agente repite la misma acción, o dos agentes se pasan un problema una y otra vez.
  • Exceso de comprobaciones. Cada paso lo revisa otra llamada al modelo, incluso cuando bastaría una prueba sencilla.
  • Contexto sobrecargado. Documentos completos, registros o salidas de herramientas se arrastran por todos los pasos posteriores.
  • Avalanchas de reintentos. Un fallo provoca reintentos repetidos, a veces con modelos cada vez más grandes.
  • Exceso de delegación. Una tarea se reparte entre muchos agentes cuando uno solo habría bastado.

Cemri y sus colegas (2025) analizaron más de 1.600 trazas anotadas de siete marcos multiagente e identificaron 14 formas distintas en que fallan estos sistemas, agrupadas en tres categorías: problemas en cómo se especifican el sistema y la tarea, falta de alineación entre agentes y fallos en la verificación de la tarea. Cada modo de fallo es también una forma de gastar tokens sin obtener un resultado.

Un sandpit británico de IA verde celebrado en 2026, con matemáticos, informáticos y representantes de la industria, debatió el mismo problema: los enjambres de agentes pueden quedar atrapados, enviándose mensajes sin sentido y gastando cientos de miles de tokens. La pregunta de investigación abierta que planteó es cómo detectar, matemáticamente y a tiempo, que un grupo de agentes está atascado, para que alguien o algo pueda detenerlo.

¿Importa esto en lo comercial además de en lo ambiental?

Sí; el coste y la energía aumentan a la vez. Gartner predijo en junio de 2025 que más del 40 % de los proyectos de IA agéntica se cancelarán antes de finales de 2027 debido al aumento de los costes, a un valor empresarial poco claro o a controles de riesgo insuficientes. El desperdicio de tokens contribuye directamente al primero de esos motivos.

¿Qué salvaguardas mantienen a los agentes bajo control?

Límites estrictos, supervisión y una forma de detenerlos. Son controles de ingeniería básicos, y la mayoría de los marcos para agentes admiten algunos de ellos.

Salvaguarda Qué hace
Límite de pasos Limita el número de llamadas al modelo en una ejecución. El OpenAI Agents SDK, por ejemplo, tiene un parámetro max_turns que detiene la ejecución cuando se supera.
Presupuesto de tokens o de gasto Detiene una ejecución, o la escala a una persona, cuando supera un coste fijado.
Límite de tiempo Termina las ejecuciones que tardan mucho más de lo previsto.
Detección de bucles Señala acciones repetidas o mensajes casi idénticos entre agentes.
Observador externo Un proceso aparte y barato, o una persona, que vigila el progreso y puede detener la ejecución: el «botón rojo».
Recorte del contexto Resume o descarta el historial antiguo para que cada llamada lea menos tokens.

Los límites deben fallar de forma segura: cuando se agota un presupuesto, el agente debe detenerse e informar de lo que tiene, no reintentar en silencio.

¿Qué significa ajustar el tamaño de un agente?

Usar el sistema menos complejo que haga el trabajo. Antes de construir un sistema multiagente, recorra esta lista de arriba abajo:

  1. Ningún agente. ¿Puede hacerlo un script fijo, una búsqueda o una sola llamada al modelo?
  2. Una llamada con herramientas. Una sola llamada al modelo con un buen prompt y acceso a una herramienta suele bastar.
  3. Un agente. Un solo agente con un límite de pasos.
  4. Varios agentes, solo para tareas amplias, valiosas y realmente paralelas.

En cualquiera de estos casos, use modelos pequeños para subtareas sencillas como la clasificación, la extracción y el formato, y reserve los modelos grandes para el razonamiento difícil. Hay una salvedad: un modelo demasiado pequeño puede fallar y obligar a repetir la ejecución con otro más grande, y en una cadena larga un fallo puede desbaratar los pasos posteriores. Fijar el umbral es una decisión de diseño que conviene probar. Consulte cómo elegir el modelo adecuado y orquestar en lugar de generar.

Qué hacer a continuación

  • Registre los tokens por tarea completada, incluidos los reintentos y las ejecuciones fallidas, en cada agente que utilice.
  • Fije límites de pasos, tokens, tiempo y gasto en cada agente antes de ponerlo en producción.
  • Añada detección de bucles y una forma de que una persona detenga una ejecución.
  • Empiece por el diseño más sencillo que funcione y añada agentes solo cuando la tarea lo requiera.
  • Dirija las subtareas sencillas a modelos pequeños. Consulte use la IA de forma eficiente.
  • Si compra herramientas agénticas, pregunte a los proveedores cómo limitan e informan del uso de tokens: consulte la compra sostenible de IA.

Preguntas frecuentes

¿Qué es la IA agéntica?

Sistemas de IA que persiguen un objetivo a lo largo de varios pasos y deciden por sí mismos qué herramientas llamar y qué hacer a continuación, en lugar de responder a un único prompt. A menudo llaman a un modelo de lenguaje muchas veces por tarea.

¿Por qué los agentes de IA usan tantos tokens?

En cada paso se vuelve a enviar al modelo el historial creciente de la tarea, y los agentes pueden llamar a herramientas, revisar su propio trabajo y reintentar. Los sistemas multiagente además se pasan mensajes entre agentes, y cada uno de ellos cuesta tokens.

¿Cómo puedo evitar que un agente de IA desperdicie tokens?

Fije límites al número de pasos, tokens, tiempo y gasto; detecte bucles y acciones repetidas; use modelos pequeños para subtareas sencillas; y asegúrese de que una persona pueda detener una ejecución.

Fuentes

  1. How we built our multi-agent research system, Anthropic (2025)
  2. Why do multi-agent LLM systems fail?, Cemri et al. (2025)
  3. The cost of dynamic reasoning: demystifying AI agents and test-time scaling from an AI infrastructure perspective, Kim, Shin, Chung and Rhu, HPCA 2026 (2025)
  4. Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027, Gartner (2025)
  5. Running agents (max_turns), OpenAI Agents SDK documentation (2025)

Únase a nosotros

Ayude a reducir el impacto de la IA en el planeta

Reciba por correo electrónico nuevas guías, convocatorias de financiación y fichas de los directorios, aproximadamente una vez al mes. O añada su producto, curso, doctorado o investigación a los directorios.

Sin seguimiento. Cancele la suscripción con un clic. Otras formas de unirse · Privacidad