Anthropic publicó una recomendación para las empresas que construyen agentes de IA. Que evalúen si pueden fusionar sus subagentes en un solo agente principal que cargue el contexto a medida que lo necesita, porque esa arquitectura suele rendir mejor que una flota de agentes especializados. Los modelos nuevos, desde Opus 4.5 y siguiendo con Opus 5.5 y Fable 5.1, pueden manejar planes complejos directamente en un solo ciclo, lo que además puede bajar costos y tiempos de espera. En una comparación, según Anthropic, la arquitectura de un solo agente corrió cerca de dos veces más rápido que la versión con varios agentes.

La recomendación sale de la experiencia práctica en varios despliegues empresariales. Ahí el equipo de Applied AI de Anthropic encontró que un solo agente que usa las llamadas skills superaba con frecuencia en calidad tanto a los diseños de un prompt monolítico como a los esquemas con subagentes. Una empresa, por ejemplo, tenía una docena de subagentes especializados dentro de su agente de atención al cliente. Eso hacía difícil mantener una experiencia de marca coherente, y la latencia alta perjudicaba el uso.

En el flujo con varios agentes, el contexto se pierde en cada traspaso entre la escritura de la funcionalidad, la escritura de las pruebas y la revisión de código. En el flujo de un solo agente, el mismo agente escribe la funcionalidad y las pruebas porque ya tiene el contexto, y un verificador aparte solo ejecuta las pruebas e informa los resultados.

El modelo ya hace buena parte de la orquestación

Según Anthropic, muchos diseños de agentes siguen un patrón conocido. Detección de intención, una cadena de procesamiento fija, segmentación de usuarios, ramas de recomendación separadas y un orquestador encima de todo. Para cada caso de uso, gran parte de ese trabajo lo puede hacer hoy el propio modelo.

Anthropic lo llama la "ley de Conway" de los agentes. La arquitectura termina copiando el organigrama, con cada equipo lanzando su propio subagente hasta acumular cientos de agentes superpuestos y sin estándares comunes. Lo que sigue es lo que la empresa bautiza como "Frankenprompt", un prompt de sistema al que cada equipo le agrega reglas que terminan contradiciéndose entre sí. Un prompt de sistema limpio, cuatro o cinco herramientas de datos livianas y barreras fijas en la salida cubren buena parte de cada caso de uso, según la compañía.

Como ejemplo, Anthropic recortó en más de 80% el prompt de sistema de Claude Code para los modelos nuevos, en parte porque las skills y las herramientas ahora se cargan solo cuando hacen falta. Los modelos recientes también comentan su propio avance y revisan su propio trabajo, así que algunas capas de control extra pueden sobrar.

¿Cuándo siguen sirviendo los subagentes?

Anthropic dice que los subagentes todavía tienen sentido en tres casos. Cuando la ventana de contexto de un solo agente muestra una caída medible de desempeño, cuando varias tareas tienen que correr en paralelo con ventanas de contexto separadas, o cuando un agente único tiene problemas para elegir la herramienta correcta.

Para una migración paso a paso, la empresa publicó en GitHub un kit que guía a los equipos por un flujo para identificar los patrones existentes, evaluar alternativas y verificar cuál enfoque funciona mejor. Anthropic advierte contra fusionar a ciegas. En una prueba con un agente de soporte, incorporar un subagente al agente principal sí redujo la latencia, pero rompió un proceso que antes funcionaba. El agente principal empezó a responder por su cuenta en vez de consultar al especialista correcto.

Bibliotecas de skills con dueño

En lugar de darle a cada equipo su propio agente, Anthropic recomienda empaquetar los flujos de trabajo en skills y cargar las herramientas bajo demanda mediante una búsqueda de herramientas. Un equipo central pequeño debería ser dueño del prompt de sistema y de la calidad general. La empresa señala además que la selección de herramientas del modelo tiende a empeorar pasadas las 30 a 50 definiciones, por lo que cada equipo debería tener responsables designados que mantengan sus bibliotecas de skills para que no crezcan sin control.

Para material de referencia, como pautas, especificaciones de producto o definiciones de métricas, Anthropic recomienda bases de conocimiento que el agente consulte solo cuando las necesita, a través de una herramienta de búsqueda. Esa información también puede ir como archivos de referencia dentro de una skill. La empresa desaconseja traer contexto mediante código e inyectarlo directo en los prompts.

Lo que dicen otros estudios

Las conclusiones de Anthropic coinciden con investigaciones recientes. Un estudio de Vals encontró que los equipos de agentes pueden ser más rápidos que un agente solo, pero no entregan más calidad. Pasar de diez a 30 o 100 agentes no mejoró la calidad y sí subió bastante los costos, según ese estudio. Eric Provencher, desarrollador de OpenAI, también cuestionó el valor de los enjambres de agentes y los calificó "casi con seguridad" como dinero perdido.