Ejecutar 10.000 agentes de IA durante más de 36 horas seguidas es la cifra con la que Third Moment Research ha llamado la atención del sector. Es, además, el único dato firme que tenemos: no hay detalles sobre la arquitectura, las herramientas, los costes ni los resultados obtenidos. Aun así, la escala sirve para plantear preguntas útiles a quien evalúa sistemas multiagente. En este artículo separamos lo que se sabe de lo que no, y explicamos qué problemas de ingeniería aparecen cuando un enjambre de agentes trabaja día y medio sin parar.
Qué ha pasado al ejecutar 10.000 agentes de IA durante más de 36 horas
Third Moment Research ha descrito públicamente cómo ejecuta 10.000 agentes de IA durante más de 36 horas. Esa es toda la información verificable que ha llegado a nuestra redacción: un número de agentes y una duración. No sabemos qué tarea resolvían esos agentes, qué modelos usaban, si trabajaban de forma independiente o coordinada, ni cuánto costó la operación. Tampoco sabemos si la ejecución terminó con éxito, si hubo fallos por el camino o qué porcentaje de agentes completó su trabajo.
Conviene decirlo sin rodeos porque una cifra aislada se presta a lecturas exageradas. Diez mil agentes y 36 horas describen un tamaño y una persistencia, pero no una calidad de resultado. Un sistema puede mantener muchos procesos vivos durante mucho tiempo y aun así producir poco valor útil. Para valorar el caso con rigor habría que conocer la fuente completa, y cualquier conclusión técnica antes de eso sería rellenar huecos con suposiciones. Lo que sí podemos hacer es explicar por qué esa combinación de escala y duración es un reto reconocido en el desarrollo de agentes.
Qué implica ejecutar 10.000 agentes de IA en continuo
Mantener agentes en ejecución durante horas es un problema distinto a lanzar una consulta a un modelo. Un agente típico encadena llamadas a un LLM, usa herramientas externas y conserva algún tipo de estado entre pasos. Cuando se multiplica por miles y se alarga en el tiempo, entran en juego cuestiones de ingeniería muy concretas: cómo se guarda y se recupera el estado de cada agente, qué ocurre cuando una herramienta externa falla, cómo se reintentan las tareas sin duplicar acciones y cómo se limita el gasto para que un bucle descontrolado no dispare la factura.
Hay además un efecto acumulativo. En tareas largas, los errores pequeños se arrastran de un paso al siguiente y pueden desviar el trabajo de un agente respecto a su objetivo original. A escala de miles de agentes, esos fallos dejan de ser anécdotas y pasan a ser estadística: siempre habrá una fracción que se atasque, repita acciones o se pierda. Por eso la observabilidad, es decir, poder ver qué hace cada agente y detener los que se desvían, pesa tanto como el modelo que hay debajo. Y por eso, sin datos sobre cómo gestiona esto Third Moment Research, la cifra de 10.000 agentes dice poco sobre la madurez real del sistema.
También cuentan los límites externos. Las APIs de los proveedores de modelos imponen topes de peticiones y de uso, y cualquier sistema que quiera ejecutar 10.000 agentes de IA en paralelo tiene que repartir esa capacidad. Todo esto son retos generales de la disciplina, no afirmaciones sobre el caso concreto, del que seguimos sin detalles.
Cuándo y para quién será relevante esto
Para una PYME, un sistema de 10.000 agentes durante 36 horas queda lejos de cualquier necesidad actual. La mayoría de empresas que empiezan con agentes trabajan con unos pocos, acotados a tareas concretas como clasificar correos, preparar borradores o consultar documentación interna. En ese rango, los problemas relevantes son otros: que el agente acierte con fiabilidad, que se pueda auditar lo que hizo y que el coste por tarea sea predecible. Copiar la escala de un caso así no tiene sentido sin una necesidad que la justifique.
El caso sí interesa antes a equipos técnicos que construyen infraestructura de agentes: quienes diseñan orquestadores, sistemas de colas, almacenamiento de estado o herramientas de monitorización. Para ellos, una referencia pública de escala es útil como punto de comparación, siempre que vaya acompañada de métricas: tasa de éxito, coste por agente, tiempo medio entre fallos. Hoy esa información no está en el material que tenemos.
Sobre el horizonte temporal, lo honesto es no poner fecha. Que alguien ejecute este volumen no implica que esté al alcance de equipos pequeños, ni que los costes sean asumibles fuera de proyectos con presupuesto de investigación. El criterio práctico para seguir el tema es sencillo: esperar a que se publique la descripción completa, comprobar qué resultados se midieron y solo entonces valorar si algo de ese enfoque se puede trasladar a un caso de uso propio, a una escala mucho menor.
Análisis Blixel
Una cifra sin contexto es marketing, no ingeniería. Diez mil agentes y 36 horas suenan impresionantes, pero un titular no responde a las preguntas que importan: qué trabajo útil se hizo, con qué tasa de acierto y a qué coste. En el mundo de los agentes ya hemos visto demasiadas demos que se sostienen mientras todo sale bien y se desmoronan cuando aparece el primer fallo de una herramienta externa. La duración es, de hecho, la parte más interesante del dato, porque la persistencia es donde los sistemas multiagente suelen romperse. Pero sin saber cómo se gestionó el estado, los reintentos y el gasto, no hay nada que evaluar.
Mi posición es clara: este caso merece seguimiento, no aplauso. Si Third Moment Research publica métricas reales, será una referencia valiosa para quien construye infraestructura. Si se queda en la cifra, será una anécdota más. Para los directivos de PYMEs, la lección es otra y más útil: no midan un proyecto de agentes por cuántos agentes ejecuta, sino por cuántas tareas resuelve bien y a qué precio. Ejecutar 10.000 agentes de IA es un logro de escala; ejecutar uno que haga bien su trabajo todos los días es lo que de verdad paga facturas. Mientras llegan los detalles, conviene tratar el dato como una pista y no como una conclusión.
¿Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido común. Hablemos.