Desentrañando la aparición del comportamiento colectivo en redes de agentes cognitivos

Por qué importan los enjambres que piensan

Desde colectivos de robots hasta comunidades en línea, grupos de unidades simples pueden mostrar comportamientos sorprendentemente ricos. Pero ¿qué ocurre cuando cada unidad no es simple en absoluto y, en cambio, dispone de un razonamiento potente basado en lenguaje como los grandes modelos de IA actuales? Este estudio explora cómo se comportan los enjambres de tales “agentes cognitivos” en comparación con partículas clásicas que siguen reglas, y qué implica eso para tareas como la resolución de problemas y la simulación de sociedades.

De partículas simples a agentes que hablan

Los modelos tradicionales de multitudes, bandadas o enjambres tratan a los individuos como partículas básicas que siguen reglas fijas: acercarse a un vecino, evitar colisiones, preferir vecinos similares, etc. En contraste, los agentes estudiados aquí están impulsados por grandes modelos de lenguaje (LLM). Perciben su entorno en palabras, razonan sobre qué hacer a continuación, recuerdan experiencias pasadas e incluso se comunican entre sí. Los autores plantean una pregunta central: cuando cada unidad tiene esta “inteligencia” incorporada, ¿cambian los patrones globales que emergen a nivel de grupo y, de ser así, cómo?

Poner a prueba enjambres en problemas difíciles

Para indagar esta cuestión, los investigadores comparan agentes cognitivos con partículas clásicas en dos desafíos muy distintos. El primero es la optimización de funciones, un sustituto de problemas de búsqueda difíciles donde el objetivo es encontrar la mejor solución en un paisaje accidentado lleno de trampas locales. Introducen LLM Agent Swarm Optimization (llmASO), donde una red de agentes LLM propone y comparte soluciones candidatas en lenguaje natural. Esto se compara con un método basado en partículas bien conocido llamado Particle Swarm Optimization, así como con un optimizador LLM individual que opera en solitario. En paisajes más simples, agentes LLM individuales encuentran rápidamente buenas respuestas identificando patrones en intentos previos. Pero en terrenos más ásperos con muchos pozos locales, los agentes solitarios tienden a asentarse demasiado pronto en puntos “suficientemente buenos” cercanos. Los enjambres de agentes conversadores, en cambio, descubren de forma fiable la región realmente óptima—aunque lo hacen más lentamente y son sensibles a cómo fluye la información a través de su red de comunicación.

Cómo el habla cambia los patrones sociales

La segunda prueba revisita el modelo clásico de segregación de Schelling, que muestra cómo preferencias leves por vecinos similares pueden conducir a una separación marcada entre grupos. Aquí, los agentes se mueven en una cuadrícula y pertenecen a uno de dos tipos; son “felices” si hay pocos vecinos distintos a ellos. Para las partículas estándar que siguen reglas simples de reubicación, aparecen tres fases conocidas a medida que cambia la tolerancia: un estado mezclado con continuo movimiento, un estado segregado con clústeres distintos y un estado congelado donde el movimiento se detiene en gran medida. Los agentes cognitivos obedecen la misma regla básica de satisfacción pero deciden dónde moverse después de intercambiar mensajes con otros agentes. Cuando cada agente puede hablar con cualquiera, el resultado a gran escala se parece sorprendentemente al caso de las partículas, lo que sugiere que simplemente añadir lenguaje y razonamiento no revierte automáticamente los patrones de segregación bien conocidos.

Redes y efectos de “pájaros del mismo plumaje”

La historia cambia una vez que la estructura de las conversaciones se hace más realista. Los autores reconfiguran la red de comunicación de modo que los agentes hablen principalmente con pares cercanos, o de modo que las conexiones sigan patrones observados en muchos sistemas sociales reales con algunos hubs muy conectados. También experimentan con homofilia (los agentes prefieren hablar con el mismo tipo) y heterofilia (preferir el tipo opuesto). Estas variaciones tienen consecuencias fuertes: cuando los agentes conversan mayoritariamente con pares similares, coordinan rápidamente, forman clústeres de forma eficiente e incluso pueden evitar la fase constantemente mezclada. Cuando hablan principalmente entre tipos distintos, el camino hacia la satisfacción es más lento y complejo, pero aún así puede surgir una fuerte segregación—aunque cada conversación cruce las líneas de grupo. En conjunto, las conversaciones locales y las tendencias de “pájaros del mismo plumaje” remodelan cómo emerge la segregación, de maneras no accesibles a partículas que no piensan.

Qué significa esto para futuros enjambres de IA y simulaciones sociales

Los autores concluyen que dotar a cada agente de capacidades avanzadas basadas en lenguaje no convierte a los grupos simplemente en mejores en todo. En su lugar, estas capacidades introducen nuevas fuerzas—como consenso rápido y explotación de patrones—que pueden ser útiles o perjudiciales según cómo estén interconectados los agentes. En tareas de optimización, redes mal diseñadas pueden empujar a agentes inteligentes a consensuar demasiado pronto en soluciones mediocres; limitar cuidadosamente el flujo de información les ayuda a explorar con mayor amplitud, a costa de la rapidez. En simulaciones sociales, patrones de comunicación realistas y la homofilia pueden generar comportamientos diferentes a los modelos clásicos y quizá reflejar mejor a las sociedades humanas. A medida que los enjambres de robots impulsados por IA y las redes de agentes virtuales se generalicen, entender y ajustar estos efectos colectivos será crucial para diseñar sistemas seguros y eficaces.

Cita: Zomer, N., De Domenico, M. Unraveling the emergence of collective behavior in networks of cognitive agents. npj Artif. Intell. 2, 36 (2026). https://doi.org/10.1038/s44387-026-00091-5

Palabras clave: agentes cognitivos, modelos de lenguaje a gran escala, optimización en enjambre, dinámica de segregación, topología de redes