Multi-Agent Debate: consenso a través de la discusión

Multi-Agent Debate es un patrón de arquitectura en el que varios agentes LLM proponen soluciones de forma independiente, critican las propuestas de los demás y, a lo largo de varias rondas, convergen en una respuesta común de mayor calidad. Un agente moderador o crítico dirige la discusión y toma la decisión final. El patrón mejora la calidad del razonamiento y la precisión factual, a cambio de un coste y una latencia considerablemente mayores. Por eso es una herramienta para tareas de alto valor y sensibles a los errores, no para volúmenes rutinarios.

• Qué aporta: varios agentes se contradicen de forma productiva, detectan errores y puntos ciegos y revisan sus respuestas en lugar de consolidar un primer borrador.
• Qué cuesta: según una estimación aproximada, 3-6x más tokens que un agente individual, y aún más en configuraciones grandes, además de una latencia alta, porque las rondas se ejecutan de forma secuencial.
• Cuándo compensa: en razonamiento exigente y cuando se requiere una alta precisión factual (derecho, ciencia, regulación, verificación de afirmaciones); no en tareas rutinarias de gran volumen.

Encuadre: Debate como patrón Evaluator-Optimizer

En la taxonomía de Anthropic de Building Effective Agents (diciembre de 2024, Schluntz & Zhang) no aparece Multi-Agent Debate. Sin embargo, puede encuadrarse en el patrón de workflow Evaluator-Optimizer, que a menudo también se llama Critic-Generator. La forma básica es sencilla: un agente generador propone una solución y un agente crítico o juez la evalúa y exige una revisión. En la forma ampliada, que Anthropic no describe, varios agentes del mismo rango debaten de forma adversarial y al final decide un moderador.

El mecanismo decisivo es la crítica explícita e iterativa. A diferencia de un agente individual, que entrega su primera respuesta plausible, aquí cada respuesta se somete a un interlocutor que busca activamente sus puntos débiles. La investigación sobre Multi-Agent Debate del MIT y Google Brain (Du et al., 2023, ICML 2024) en la que se basa respalda este enfoque: una confrontación estructurada puede reducir los errores de razonamiento y las alucinaciones, porque lo que un agente pasa por alto lo detecta otro.

Importante para el encuadre en el contexto B2B europeo: Evaluator-Optimizer es uno de los siete patrones de esta taxonomía, y Multi-Agent Debate puede interpretarse como su forma ampliada. En 2026, la mayoría de los «agentes» en producción siguen siendo un único LLM con herramientas (Augmented LLM) o un único agente en un bucle de herramientas (Autonomous Agent). Debate es una escalada deliberada, no la opción por defecto.

Cómo se desarrolla un debate

Una ejecución típica de Multi-Agent Debate sigue este esquema:

1. Ronda de propuestas: dos o más agentes responden a la misma pregunta de forma independiente, idealmente con prompts o modelos distintos para generar diversidad.
2. Ronda de crítica: cada agente recibe las propuestas de los demás y señala de forma concreta debilidades, errores factuales o lagunas lógicas.
3. Ronda de revisión: cada agente reelabora su respuesta a la luz de la crítica. Esto puede repetirse durante varias iteraciones.
4. Consenso/decisión: los agentes convergen en una respuesta común, o un agente moderador/juez elige o sintetiza la solución final.

El valor surge en las rondas dos y tres. Un debate en el que nadie lleva realmente la contraria no es más que un Self-Consistency caro.

Relación con Self-Consistency, ensembling y Mixture-of-Agents

Multi-Agent Debate se confunde a menudo con métodos relacionados. Las diferencias son relevantes para la arquitectura y para los costes.

Self-Consistency genera varias rutas de respuesta independientes del mismo modelo y se queda por mayoría con la respuesta más frecuente. Las ejecuciones no saben nada unas de otras: no hay discusión, solo agregación por votación.

Mixture-of-Agents (MoA) es un ensemble paralelo de varios LLM con un agregador que sintetiza las respuestas. El trabajo de referencia de Together AI (Wang et al., arXiv:2406.04692, ICLR 2025 Spotlight) muestra que una configuración MoA por capas formada por modelos open source superó a GPT-4 Omni en AlpacaEval 2.0 (65,1 % frente a 57,5 %). Sin embargo, MoA solo agrega: los modelos no se critican entre sí de forma iterativa.

Multi-Agent Debate va más allá de ambos: los agentes ven las propuestas de los demás, las critican de forma explícita y las revisan a lo largo de varias rondas. Es discursivo e iterativo, no se limita a votar o agregar.

Los factores de coste de MoA (4-8×) y Debate (3-6×) son estimaciones aproximadas para configuraciones pequeñas (a fecha de 2026) y aumentan con el número de modelos, agentes y rondas; el factor ~N× de Self-Consistency se deriva directamente del número de rutas muestreadas. A la hora de decidir: Self-Consistency es la mejora de calidad más barata, MoA aporta diversidad de modelos, y Debate es el único método con una corrección mutua real, pero también el de mayor latencia, porque cada ronda tiene que construirse sobre la anterior.

Cuándo Debate mejora realmente la calidad

Multi-Agent Debate es un patrón quality-bound, no latency-bound. Los campos de aplicación adecuados son sobre todo:

• Tareas de razonamiento muy sensibles en las que la calidad importa más que el coste
• Redacción de memorandos jurídicos
• Redacción científica y presentaciones regulatorias
• Verificación de afirmaciones de marketing en cuanto a exactitud y cumplimiento normativo

El denominador común: una respuesta errónea sale cara, y la tarea se beneficia de que un segundo punto de vista ponga en cuestión el primero. La precisión factual mejora porque un agente crítico puede marcar las afirmaciones sin respaldo antes de que pasen a la respuesta final.

Cuándo conviene prescindir de él: en flujos de trabajo rutinarios de gran volumen. Si cada solicitud consume entre tres y seis veces más tokens y el tiempo de respuesta se multiplica, eso no es asumible para soporte estándar, clasificación sencilla o generación masiva.

Modos de fallo y sus antídotos

Tres riesgos son decisivos en la práctica:

• Mode Collapse: el crítico da la razón por reflejo en lugar de señalar debilidades reales. El debate degenera en un eco caro.
• Cámara de eco: los agentes se refuerzan mutuamente en una premisa falsa, procedente por ejemplo de un prompt principal defectuoso. Antídoto: diversificar los subagentes con modelos o prompts distintos (estilo MoA) e introducir un rol de crítico explícito.
• Reward hacking / explosión de costes: si el crítico es a la vez fuente de entrenamiento, puede recompensarse a sí mismo; y sin límite de rondas, los costes en tokens se disparan.

A esto se suma el modo de fallo general de los sistemas multiagente, los fallos en cascada: si un agente alucina un dato, el moderador puede incorporarlo a la respuesta final. Un antídoto eficaz es un agente verificador/juez dedicado con recuperación de información fundamentada en fuentes y citas obligatorias.

Ejemplo de configuración: verificación de afirmaciones con tres agentes

Una configuración concreta y realista para una agencia que quiere comprobar si una afirmación de marketing se sostiene en los hechos:

```
Pregunta: "¿Se puede demostrar la afirmación 'solución líder en Europa'?"

Ronda 1: propuesta:
Agente A (modelo 1, prompt "optimista"): borrador de evaluación A
Agente B (modelo 2, prompt "escéptico"): borrador de evaluación B

Ronda 2: crítica:
El agente A critica a B (¿faltan fuentes?)
El agente B critica a A (¿superlativos sin respaldo?)

Ronda 3: revisión:
El agente A y el agente B reelaboran sus respuestas a partir de la crítica

Cierre: verificador/moderador (modelo 3):

• contrasta cada afirmación mediante recuperación de información (cita obligatoria)
• sintetiza una valoración final respaldada con fuentes
  ```

Cálculo del orden de magnitud: si un agente individual consume unos 4.000 tokens para esta tarea, ya la forma mínima (un generador, un crítico, una revisión) cuesta aproximadamente entre 3 y 6 veces más. La configuración mostrada necesita al menos siete llamadas al LLM y, a partir de la ronda 2, cada agente procesa además los textos de la otra parte. Por eso se sitúa más bien entre 7 y 10 veces más, es decir, aproximadamente entre 28.000 y 40.000 tokens (estimación propia, a fecha de 2026). Para una única afirmación de alto valor es asumible; para 10.000 afirmaciones al día, no. Precisamente ese umbral, «¿compensa el esfuerzo adicional por operación?», es la verdadera decisión de arquitectura.

El patrón puede implementarse sin desarrollo propio: LangGraph representa los bucles Evaluator-Optimizer como un grafo con estado, AutoGen admite Group Chat con turnos de palabra, y ambos están bajo licencia MIT. No obstante, AutoGen está en modo de mantenimiento y ya no recibe funciones nuevas. Como sucesor, Microsoft señala Microsoft Agent Framework.

Para agencias y empresas B2B

Para las agencias de marketing y los responsables de decisiones B2B en Europa, el mensaje es pragmático: Multi-Agent Debate es un instrumento específico para resultados de alto valor y sensibles a los errores, no una palanca estándar para cualquier workflow. Los casos típicos son la verificación de afirmaciones y de cumplimiento normativo, los textos técnicos rigurosos y los borradores regulatorios. Quien lo utilice debería sopesar de forma consciente el consumo de tokens (entre 3 y 10 veces el de un agente individual, según la configuración) y la mayor latencia frente al riesgo de error, y trabajar siempre con modelos diversos más un verificador para evitar la cámara de eco y el Mode Collapse. Blck Alpaca diseña este tipo de topologías de agentes de modo que la profundidad de la discusión solo se produzca donde sale rentable, con límites de coste claros por operación y fuentes trazables para cada afirmación. En la página Integración de agentes de IA explicamos cómo implementamos estos sistemas.