This is a viewer only at the moment see the article on how this works.
To update the preview hit Ctrl-Alt-R (or ⌘-Alt-R on Mac) or Enter to refresh. The Save icon lets you save the markdown file to disk
This is a preview from the server running through my markdig pipeline
Thursday, 13 November 2025
Cómo múltiples agentes simples crean complejidad emergente
Nota: Inspirado por pensar en extensiones a la mayoríalucid.mockllmapi y material para el (nunca a ser lanzado pero me gusta pensar en ello ) novela de ciencia ficción "Michael" sobre AI emergente
¿Qué pasa si la conciencia es sólo muy sofisticada si-entonces declaraciones?
Lo sé, lo sé. Suena reductivo hasta el punto de insultar. La idea de que el pensamiento humano —con toda su creatividad, emoción y profundidad— es fundamentalmente árboles de decisión apilados en árboles de decisión hasta algo que Mira. como la inteligencia emerge.
Pero esta es la cosa: no puedo moverlo.
Porque cuando ves cómo las reglas simples crean un comportamiento complejo en la naturaleza, empiezas a preguntarte...
Esta es la parte 1 de una exploración de 9 partes sobre cómo las reglas simples crean un comportamiento complejo e inteligente.
Parte 1 (Usted está aquí): Reglas simples, Comportamiento complejo La fundación - cómo múltiples agentes simples siguiendo patrones básicos crean complejidad emergente que no fue explícitamente programado.
Parte 2: Inteligencia colectiva - Cuando los agentes se comunican ¿Qué sucede cuando los agentes no solo siguen patrones, sino que en realidad hablan entre sí? El intercambio de información, la negociación y la resolución colectiva de problemas transforman sistemas simples multi-agentes en algo cualitativamente diferente.
Parte 3: Auto-optimización - Sistemas que se mejoran a sí mismos Cuando los agentes pueden medir su propio rendimiento y ajustar su comportamiento, se obtienen sistemas que evolucionan sin intervención humana. El bucle de retroalimentación se convierte en el motor de mejora.
Parte 4: La emergencia - Cuando la optimización se convierte en inteligencia ¿En qué momento "seguir reglas de optimización" se convierte en "inteligencia real"? Exploramos el umbral incómodo donde el seguimiento sofisticado de reglas se vuelve indistinguible del pensamiento.
Parte 5: Evolución - De la optimización a los gremios y la cultura Agentes que optimizan colectivamente comienzan a formar roles especializados, desarrollando conocimiento compartido y creando "cultura" emergente.El sistema desarrolla preferencias, patrones y memoria colectiva.
Parte 6: Consenso Global - Evolución Dirigida y Cognición Planetaria Escala estos patrones a miles o millones de agentes, agrega mecanismos para la coordinación global, y obtienes algo que se parece a la inteligencia a escala planetaria. No programado. Surgido.
Parte 7: ¡La verdadera cosa! - Experimentando con la evolución sintética dirigida La teoría cumple con la práctica. Una implementación de trabajo de la generación de código evolutivo usando LLMs multi-agentes, memoria RAG, y auto-mejoramiento real. El código es real, se ejecuta localmente, y realmente evoluciona.
Parte 8: Herramientas todo el camino hacia abajo - El kit de herramientas auto-optimizante Cómo funcionan, rastrean el uso, evolucionan y se vuelven más inteligentes con el tiempo. Cada herramienta rastrea las invocaciones, aprende de los patrones, evoluciona las implementaciones, oculta las respuestas, negocia los ajustes de aptitud y las propias versiones automáticamente.
Parte 9: Herramientas de autocuración - Poda y recuperación Cuando las herramientas rompen con la evolución, el sistema debe recordar por qué y nunca repetir el error.Esta parte explora la autocuración a través del rastreo de linajes, poda de ramas, reglas de evitación y recuperación automática de fallos.Las herramientas desarrollan la memoria institucional de lo que no hacer.
Antes de hablar de LLMs y AI, hablemos del Juego de la Vida.
Cuatro reglas simples sobre celdas en una cuadrícula:
De estas cuatro reglas triviales, se obtiene:
Tú consigues complejidad de la simplicidadObtienes un comportamiento que no estaba explícitamente programado en esas cuatro reglas.
Tú consigues emergencia.
Ahora imaginen que en lugar de celdas en una cuadrícula, tienen modelos de lenguaje simples, cada uno con capacidad limitada.
Solo, cada modelo está... bien, puede generar texto, responder preguntas, pero nada espectacular.
¿Pero qué sucede cuando se conectan? Cuando la salida de uno se convierte en la entrada a otro?
El patrón más simple: una cadena.
Fast Model → Quality Model → Validator Model
Cada modelo hace una cosa. La cadena hace algo que ninguno de ellos podría hacer por sí solo: producir una salida de alta calidad de forma rápida y fiable.
El surgimiento: La cadena tiene propiedades (velocidad + calidad + fiabilidad) que ningún modelo individual posee.
Diferentes agentes trabajan simultáneamente en diferentes aspectos:
┌─ Specs Generator
Input ─┼─ Pricing Calculator → Merge → Complete Product
└─ Inventory Checker
Cada especialista es simple, pero juntos crean una cobertura integral que tomaría un modelo generalista mucho más tiempo para producir, y con menor calidad en cada dominio.
El surgimiento: La experiencia a través de la división del trabajo. Ningún modelo es un experto, pero los actos colectivos como uno.
Un agente genera, otro valida, y si la validación falla, un tercero corrige:
Generate → Validate → [Pass? → Output : Correct → Validate again]
Esto crea un sistema de auto-corrección. Ningún modelo es particularmente bueno para evitar errores, pero el patrón los atrapa y los corrige.
El surgimiento: Fiabilidad de componentes poco fiables.
Analice la complejidad de una solicitud y luego diríjase al agente apropiado:
Simple request (score 1-3) → Fast model
Medium request (score 4-7) → Quality model
Complex request (score 8-10) → Premium model
El surgimiento: El sistema "aprende" (a través de reglas programadas) cuándo gastar recursos y cuándo ahorrarlos.
Ninguno de estos modelos es particularmente inteligente. Cada uno está siguiendo su programación: responder a este aviso, comprobar esta salida, ruta basada en esta puntuación.
Pero la combinación exhibe propiedades que se parecen mucho a:
De la misma manera que cuatro reglas sobre vecinos de células crean planeadores y pistolas, cuatro patrones de interacción de modelos crean un comportamiento que parece sofisticado.
Si estos patrones simples crean complejidad emergente...
Si los sistemas que sólo están "siguiendo reglas" comienzan a exhibir propiedades que parecen juicio y experiencia...
¿Dónde está la línea?
¿En qué momento el "sofisticado gobierno-seguimiento" se convierte en "inteligencia real"?
Permítanme fundamentar esto en realidad antes de que nos pongamos demasiado filosóficos.
Usted puede construir estos patrones hoy. El código es simple:
// Pattern 1: Sequential refinement
async function refineSequentially(input) {
let output = await fastModel(input); // Quick draft
output = await qualityModel(output); // Add depth
output = await validator(output); // Check quality
return output;
}
Tres llamadas de función. Eso es todo. Pero el comportamiento que emerge —una rápida generación de alta calidad— no está en una sola función.
Está en el patrón de interacción.
Estos patrones son la base:
Patrones simples. Ningún modelo individual es particularmente impresionante.
Pero esto es lo que me mantiene despierto por la noche: estos mismos patrones —especialización, procesamiento paralelo, validación, enrutamiento inteligente— son cómo trabajo de las organizaciones humanas.
Una empresa cuenta con especialistas. Los equipos trabajan en paralelo. El control de calidad valida.
¿Son inteligentes las empresas? ¿O son sistemas sofisticados que siguen las reglas y exhiben una complejidad emergente?
Tal vez es lo mismo.
Estos patrones crean sistemas que:
Desde el exterior, esto parece inteligencia, comportamiento sofisticado, sistemas inteligentes.
Desde el interior, solo hay reglas simples interactuando.
La pregunta: ¿Hay una diferencia fundamental entre estos dos puntos de vista? ¿O es la "inteligencia" lo que llamamos un seguimiento de reglas suficientemente complejo?
Hasta ahora, tenemos múltiples agentes siguiendo patrones simples. El comportamiento es sofisticado, pero el mecanismo es determinista. Programamos estos patrones explícitamente.
Pero, ¿qué pasa cuando añadimos un ingrediente más?
¿Qué pasa cuando estos agentes no sólo trabajan en secuencia o paralelo ... sino en realidad comunicar?
Cuando compartan contexto. Negociar. Formar coaliciones temporales para resolver problemas.
Cuando la información fluye no en patrones predeterminados, pero dinámicamente ¿Basado en el problema que nos ocupa?
Ahí es cuando las cosas se ponen muy interesantes.
Porque la comunicación crea un tipo diferente de emergencia. No sólo el comportamiento sofisticado de las reglas simples, pero inteligencia colectiva que existe en la propia red.
Ningún agente entiende la solución, pero la conversación la encuentra de todos modos.
Continuar a Parte 2: Inteligencia colectiva - Cuando los agentes se comunican
Donde exploramos lo que sucede cuando agentes simples comienzan a hablar entre sí, y por qué el colectivo puede ser más inteligente que cualquier individuo.
Navegación de la serie:
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.