Los sistemas multiagente (MAS) basados en modelos de lenguaje grandes (LLM) están transformando la automatización de tareas complejas, desde la resolución de problemas técnicos hasta la generación de código. Sin embargo, su crecimiento ha revelado un problema crítico: la comunicación entre agentes, generalmente en lenguaje natural sin restricciones, genera un consumo excesivo de tokens y saturación de ventanas de contexto, afectando el rendimiento y los costos de inferencia. Un equipo de investigadores ha identificado esta ineficiencia y propone una solución revolucionaria: PACT (Protocolized Action-state Communication and Transmission), un marco que estandariza la interacción entre agentes.

Según el estudio publicado en ArXiv AI, PACT aborda el problema al tratar la comunicación interagente como una actualización de estado público. En lugar de permitir que los agentes compartan información en formato libre, esta técnica proyecta cada salida del agente en un registro compacto de acción-estado, preservando solo los datos esenciales para los agentes posteriores. Esta estrategia elimina redundancias y optimiza el uso del contexto compartido, logrando un equilibrio entre eficiencia y precisión.

El análisis comparativo entre cinco estrategias de comunicación en dos topologías distintas (pipeline y jerárquica) reveló que ninguna solución única es ideal para todos los escenarios. Sin embargo, PACT destacó por su consistencia: en pruebas con sistemas de codificación como OpenHands y SWE-agent, logró mejorar la tasa de resolución con un 10% menos de tokens en OpenHands, y mantuvo el rendimiento mientras reducía a la mitad los tokens de entrada en SWE-agent. Estos resultados sugieren que la estandarización de la comunicación puede ser clave para escalar MAS sin sacrificar recursos.

¿Por qué importa esto? Para empresas y desarrolladores, la eficiencia computacional no es solo un tema técnico: impacta directamente en los costos operativos y la viabilidad de implementar sistemas de IA en escenarios reales. PACT no solo resuelve limitaciones actuales, sino que abre camino a arquitecturas más sostenibles y adaptables. Además, al hacer público su código en GitHub, los investigadores fomentan la colaboración abierta, un pilar fundamental en el avance de la IA.

En un ecosistema donde los LLM son cada vez más centrales, innovaciones como PACT representan un paso crítico hacia sistemas multiagente más inteligentes y económicos. La pregunta ahora es: ¿cuándo veremos estas ideas integradas en plataformas comerciales como OpenAI o Anthropic?