El agente que delega busca peor que el modelo que usa la web

Qué ha ocurrido

Los sistemas de búsqueda con IA han pasado de «un modelo que responde» a «un modelo que organiza». La fórmula dominante consiste en que un modelo orquestador descomponga una pregunta compleja y reparta cada parte a subagentes, para no arrastrar todas las páginas web en un único contexto. Un equipo con Tamara Stojanovska, Elisabeth Kirsten, Leon Swazinna y Muhammad Bilal Zafar ha sometido esa fórmula a una comparación sistemática y la conclusión es incómoda: delegar no mejora la precisión, y la mayoría de las veces la empeora.

El trabajo, enviado a arXiv el 12 de noviembre de 2026, no es un producto ni una nota de prensa. Es un preprint académico que no ha pasado por revisión por pares.

Cómo se ha medido

Los autores construyeron cuatro conjuntos de datos de preguntas que exigen buscar hechos verificables en la web, y cada uno con dos versiones. Una contiene hechos anteriores al conocimiento del modelo, como años de publicación de libros entre 2014 y 2019, edades de premiados con el Nobel o tasas de crecimiento del PIB. La otra contiene hechos posteriores a ese límite: libros de 2026, datos de 2025 o productos lanzados ese año. Ese corte es el eje del experimento, porque distingue las preguntas que un modelo puede responder de memoria de las que exigen salir a internet.

Compararon cuatro configuraciones con cuatro modelos, Claude Sonnet 4.5, GPT-5, gpt-oss-120b y Qwen3-30B-A3B: un modelo sin herramientas, un único agente con acceso directo a la búsqueda, una delegación forzada en la que cada parte va a un subagente, y una delegación opcional en la que el orquestador decide si delega o responde él. El orquestador nunca ve las webs; solo recibe la respuesta final de cada subagente.

El resultado

La herramienta manda. Sin acceso a la web, los modelos aciertan entre el 0 % y el 6 % en las preguntas posteriores a su conocimiento. Con herramientas, un solo agente alcanza a menudo entre el 70 % y el 100 %. El problema aparece al añadir capas.

En 32 combinaciones de modelo, conjunto de datos y momento, la delegación opcional fue peor que un solo agente en 22 casos, mejor en 7 y empató en 3. La forzada fue peor en 21, mejor en 10 y empató en 1. El promedio de aciertos de un agente directo se mantiene casi plano entre las dos versiones de los datos, 0,77 antes del límite y 0,75 después. La delegación, en cambio, pierde unos diez puntos en la versión reciente, y la diferencia con el agente directo pasa de 1 a 9 puntos en la delegación forzada y de 3 a 11 en la opcional.

El caso extremo es GPT-5. En las preguntas de PIB posteriores al límite, un agente directo acierta el 89 % de las veces; con delegación opcional, el 43 %, y con delegación forzada, el 35 %. En productos, la caída va del 87 % al 68 % y al 65 %.

Dónde se rompe la delegación

El estudio identifica tres fallos repetidos. El primero es que el orquestador reescribe las preguntas y les mete suposiciones. Cuando se le preguntó por el año de publicación de la novela The Night We Met, de Abby Jimenez, GPT-5 delegó una petición sobre la canción del mismo título de Lord Huron, y el subagente respondió correctamente 2015, el año de la canción, que es una respuesta equivocada a la pregunta original. En las novedades posteriores al límite, el estudio mide que la información añadida por el orquestador es fiable en una fracción mínima: en libros recientes, entre el 4 % y el 6 % de las veces que GPT-5 añade el medio de publicación lo hace bien.

El segundo fallo es de comunicación. El subagente no devuelve sus búsquedas ni sus errores, solo su conclusión. Cuando una web devuelve un error 403, el agente directo lo ve y prueba otra vía; el orquestador no. En las preguntas afectadas por un fallo de acceso, un agente directo acierta alrededor del 73 %, frente al 54 % de la delegación forzada y el 52 % de la opcional. Con páginas sin contenido extraíble, el 60 % frente al 50 % y el 45 %.

El tercero es de desconfianza. El orquestador rechaza respuestas correctas del subagente y a veces delega la misma tarea otra vez. En un caso documentado, un subagente respondió bien que A Gathering of Shadows se publicó en 2016 y el orquestador lo descartó porque creía que era 2022. La re-delegación crece con las preguntas recientes, del 6,6 % al 8,6 %, y ocurre incluso cuando la respuesta recibida ya era correcta.

Los autores probaron dos parches con instrucciones: prohibir las búsquedas repetidas y obligar a los subagentes a reportar los fallos de acceso. El primero apenas cambió nada. El segundo mejoró a GPT-5 en PIB, del 43 % al 51 %, pero empeoró a gpt-oss-120b y quedó muy por debajo del agente directo.

Por qué importa

La arquitectura de subagentes se ha convertido en la respuesta habitual a un problema real: el contexto se llena y los modelos degradan cuando acumulan demasiada información. Este trabajo confirma que la delegación alivia ese problema, pero muestra que introduce uno nuevo, una frontera por la que se cuelan suposiciones, se pierden errores y se descartan aciertos.

La buena noticia está en el lado sencillo. Para preguntas que dependen de información reciente, un modelo con acceso directo a la web supera a la versión orquestada en casi todas las combinaciones medidas. El consejo práctico que se desprende es no multiplicar agentes por inercia: delegar tiene sentido cuando las subtareas son independientes y el orquestador tiene forma de comprobar el trabajo, no como sustituto de dar acceso a las fuentes.

También matiza el relato sobre los modelos de razonamiento. La ventaja no está en dividir el trabajo en más cabezas, sino en que la cabeza que recibe la pregunta pueda buscar, ver los fallos y corregir.

El contexto ayuda a entender por qué importa. Según una encuesta de Pew Research Center publicada en junio de 2026, el 42 % de los adultos estadounidenses usa chatbots de IA para buscar información, la utilización más frecuente de estas herramientas. Si una parte relevante de esas búsquedas pasa por sistemas que delegan, la fiabilidad de lo que se responde es un problema de consumo general, no solo de arquitectura interna.

Limitaciones y contexto

El estudio es un preprint, sin revisión por pares. Los conjuntos de datos son pequeños y deliberadamente simples, hechos independientes que se pueden repartir sin que las partes dependan unas de otras; los propios autores advierten de que los fallos medidos en este terreno sencillo obligan a ser cautos antes de generalizar a tareas interdependientes. Los modelos estudiados son de 2026 y el trabajo no aborda combinaciones de familias distintas en el orquestador y el subagente.

La investigación coincide en el tiempo con intentos de resolver el mismo problema desde el entrenamiento. Otro preprint enviado el mismo día, 2611.17041, presenta un método que entrena al orquestador y a los subagentes de forma conjunta y reporta mejores resultados que el entrenamiento conjunto con una recompensa compartida. Son resultados de su equipo, no una réplica independiente, pero señalan que la respuesta podría estar en enseñar a delegar mejor, no en delegar más.