De boids a agentes: reglas de enjambre para sistemas de IA

En 1986, Craig Reynolds se hizo una pregunta que suena trivial: ¿cómo vuelan en bandada los pájaros? No era una pregunta filosófica, sino de ingeniería. Quería representar bandadas convincentes en gráficos por computadora sin programar a mano la trayectoria de cada pájaro.

El algoritmo boids que Craig Reynolds creó en 1986 demuestra que tres reglas locales simples (separación, alineación, cohesión) producen un comportamiento global coherente sin control centralizado, y esa misma dinámica gobierna los sistemas de IA multiagente. Los agentes que siguen instrucciones locales producen coordinación emergente cuando las reglas están bien elegidas y caos emergente cuando no lo están. Agregar más reglas para corregir casos límite empeora a los agentes en lugar de mejorarlos.

Su respuesta usaba tres reglas. Separación: girar para no amontonarse con los vecinos. Alineación: orientarse hacia el rumbo promedio de los vecinos. Cohesión: dirigirse hacia la posición promedio de los vecinos. Sin líder, sin plan de vuelo, sin controlador central. Solo tres reglas aplicadas localmente a cada pájaro, que producen una coordinación global indistinguible de una bandada real.1

Cuarenta años después, opero un sistema de IA multiagente diseñado en torno a diez roles de agente especializados que investigan, debaten y votan decisiones. La noche en que un solo prompt generó dinámicamente 23 agentes (cada uno generando más en una cascada descontrolada) y todos alcanzaron un consenso perfecto sobre la pregunta equivocada, me di cuenta de que estaba viendo la misma dinámica que Reynolds describió: coordinación emergente a partir de reglas simples y falla emergente a partir del mismo mecanismo.

TL;DR

El algoritmo boids de Reynolds demuestra que tres reglas locales simples producen un comportamiento global coherente sin control centralizado. Los agentes que siguen instrucciones locales (evalúa este código, revisa esa superficie de seguridad, examina esta arquitectura) producen coordinación emergente cuando las reglas están bien elegidas y caos emergente cuando no lo están. Agregar más reglas para corregir casos límite vuelve a los agentes peores, no mejores. Mi incidente de 23 agentes desbocados lo demostró: un presupuesto de generación que limita la anchura, y no solo la profundidad, es el equivalente en agentes de la regla de separación de Reynolds.


Tres reglas, bandadas infinitas

Activa y desactiva las reglas de arriba para ver qué pasa. Con las tres activas, los boids forman una bandada de manera natural. Quita la separación y colapsan en una sola masa. Quita la alineación y se dispersan en movimiento aleatorio. Quita la cohesión y se alejan unos de otros mientras mantienen su rumbo local. Cada regla es necesaria. Ninguna basta por sí sola.

Reynolds presentó esto en SIGGRAPH 1987 con el título “Flocks, Herds, and Schools: A Distributed Behavioral Model”.1 El artículo cambió los gráficos por computadora. Antes de los boids, las bandadas animadas requerían trayectorias programadas a mano. Después de los boids, las bandadas surgían de reglas. Más de una década después, en 1998, Reynolds recibió por este trabajo el Scientific and Engineering Award de la Academy of Motion Picture Arts and Sciences.2

La contribución más profunda no fueron las reglas concretas. Fue la prueba de que la coordinación global no requiere conocimiento global. Cada boid solo conoce a sus vecinos inmediatos. Ningún boid tiene un mapa de la bandada. Ningún boid conoce el destino de la bandada. La bandada no tiene destino. Lo que parece un movimiento coordinado son decisiones locales que producen un patrón global.


De píxeles a procesos

La correspondencia entre boids y agentes de IA no es metafórica. Un artículo de un taller de NeurIPS 2025, “Revisiting Boids for Emergent Intelligence via Multi-Agent Collaboration”, aplica de forma explícita los principios de los boids a sistemas multiagente.3 El artículo usa las reglas de Reynolds como guía en lenguaje natural para agentes en un entorno colaborativo de construcción de herramientas: la alineación y la separación se derivan de los metadatos de las herramientas de los vecinos, mientras que la cohesión inyecta el resumen global de la ronda anterior.

Mi correspondencia es más simple y surgió de construir el sistema antes de leer el artículo:

Regla de boids Equivalente en agentes Qué evita
Separación Presupuesto de generación: limitar los agentes activos por agente padre Que los agentes se amontonen en el mismo subproblema
Alineación Criterios de evaluación compartidos: todos los agentes usan el mismo estándar de evidencia Agentes que trabajan hacia definiciones de calidad incompatibles
Cohesión Protocolo de consenso: los agentes convergen hacia los hallazgos del grupo Agentes que se desvían hacia temas sin relación

El paralelo no es perfecto. Las reglas de los boids son continuas (girar hacia el rumbo promedio). Las reglas de los agentes son discretas (generar como máximo 12 hijos). Los boids operan en coordenadas espaciales; los agentes, en el espacio del problema. Pero la idea estructural se sostiene: reglas locales, aplicadas de forma independiente por cada agente, producen un comportamiento de grupo coherente. Y los modos de falla son los mismos.


La noche en que 23 agentes coincidieron en la pregunta equivocada

Febrero de 2026. Le pedí a mi agente que “investigara cómo mejorar el sistema de despacho de hooks”. El agente evaluó su propia confianza en 0,58, lo que activó el sistema de deliberación. Se generaron tres agentes de investigación. Cada uno encontró subproblemas y generó sus propios agentes de investigación. Esos agentes generaron más.

Siete minutos después: 23 procesos de agentes activos. USD 4,80 en créditos de API. El consumo de tokens subía a USD 0,70 por minuto.

El guardián de recursión controlaba la profundidad (el padre genera un hijo, el hijo genera un nieto), pero no la anchura (el padre genera 12 hijos que generan 12 más cada uno). El límite de profundidad de 3 nunca se activó porque los agentes se expandieron en horizontal. Maté los procesos a mano.

Todos los agentes coincidieron en que el sistema de despacho de hooks necesitaba mejoras. Todos propusieron cambios razonables. Ni un solo agente cuestionó si la investigación misma tenía el alcance correcto.

El resultado muestra lo que pasa cuando hay cohesión y alineación pero no separación. Los agentes convergieron en la misma conclusión (cohesión) y se alinearon con los mismos criterios de evaluación (alineación). Pero nada les impidió amontonarse en el mismo subproblema. En términos de Reynolds, 23 boids ocuparon el mismo punto del espacio, un comportamiento que su regla de separación impide de forma explícita.


El presupuesto de generación como separación

La corrección tomó 20 minutos. Un presupuesto de generación que lleva la cuenta del total de hijos activos por agente padre, con un tope de 12.4 Una restricción de anchura, no solo de profundidad.

La implementación es un contador, no una regla:

# Simplified spawn budget (actual implementation uses hooks)
active_children = count_active_agents(parent_id=self.id)
if active_children >= MAX_CHILDREN:  # MAX_CHILDREN = 12
    return "Budget exhausted. Synthesize existing findings instead."
# else: allow spawn

El hook aplica esto de forma determinista. El agente no puede racionalizar para saltarse un contador como sí puede saltarse una instrucción del prompt del tipo “intenta no generar demasiados agentes”. El contador permite o bloquea. Sin discusión, sin interpretación.

En términos de boids, el presupuesto de generación es la regla de separación: no amontonarse con los vecinos. En términos de agentes: no poner más de N agentes en un subproblema, porque el agente N+1 agrega costo sin agregar perspectiva. El incidente de los 23 agentes me enseñó que la regla de separación es la más importante de las tres. Sin ella, la alineación y la cohesión se vuelven patológicas: agentes que convergen con entusiasmo en la misma respuesta equivocada.

Las implementaciones habituales del algoritmo de Reynolds ponderan la fuerza de separación entre 1,5 y 2 veces más que la alineación o la cohesión exactamente por esta razón. Es una convención documentada en el propio artículo posterior de Reynolds, “Steering Behaviors for Autonomous Characters” (GDC 1999), donde analiza la combinación de fuerzas basada en prioridades y señala que la evasión de colisiones (separación) suele recibir la prioridad más alta.8 En mi sistema, los hooks aplican el presupuesto de generación (deterministas, inmunes a la racionalización de los agentes), mientras que los prompts y el contexto moldean la alineación y la cohesión (más suaves, flexibles). La restricción más dura recibe la aplicación más dura.


Por qué más reglas empeoran a los agentes

Activa y desactiva las reglas de la simulación de boids de arriba. Ahora imagina agregar una cuarta regla: “evitar el centro del lienzo”. Una quinta: “preferir la mitad superior”. Una sexta: “invertir el rumbo cada 100 fotogramas”.

Cada regla es razonable por separado. Juntas, destruyen la bandada. Los boids tiemblan entre fuerzas que compiten, incapaces de satisfacer todas las restricciones a la vez. El elegante vuelo en bandada se desmorona en ruido porque cada regla crea un vector de fuerza, y cuando seis vectores de fuerza tiran en direcciones distintas, el movimiento resultante es prácticamente aleatorio.

Observé el mismo patrón en la orquestación de agentes. Las primeras versiones de mi sistema de deliberación tenían reglas elaboradas: profundidad mínima de investigación, número obligatorio de citas, generación obligatoria de contraargumentos, pasadas forzadas de abogado del diablo. Cada regla mejoraba algún caso de falla específico. Juntas, producían agentes que gastaban más tokens en cumplir reglas que en resolver problemas. Un ejemplo concreto: la regla de “contraargumento obligatorio” exigía que cada agente argumentara contra su propio hallazgo. La regla de “número mínimo de citas” exigía tres fuentes por afirmación. Cuando un agente generaba un contraargumento genuino, la regla de citas lo obligaba a encontrar tres fuentes que respaldaran la posición contraria, lo que a veces producía evidencia más sólida para la respuesta equivocada que para la correcta. Las dos reglas, al interactuar, premiaban la contradicción bien documentada por encima del análisis correcto.

La filosofía de ingeniería compuesta que documenté explica por qué esto ocurre a nivel de sistema: cada regla nueva interactúa con todas las reglas existentes y crea complejidad combinatoria. Diez reglas no producen diez restricciones. Producen potencialmente 45 interacciones por pares. El comportamiento del sistema se vuelve más difícil de predecir, más difícil de depurar y más propenso a producir fallas emergentes.

El artículo original de Reynolds entendía esto de forma implícita. Presentó tres reglas. Reynolds exploró comportamientos adicionales (evasión de obstáculos, búsqueda de objetivos), pero mantuvo mínimo el modelo central de bandada. Agregar una cuarta regla central habría obligado a reequilibrar los pesos de las cuatro, un problema que crece de forma combinatoria con cada adición.

La lección para los agentes: empieza con el mínimo de reglas que produzca el comportamiento que buscas. Agrega reglas solo cuando observes una falla específica que ninguna regla existente resuelva. Y cuando agregues una regla, comprueba si interfiere con las demás.


La descentralización como arquitectura

La ausencia de un controlador central no es una limitación de los boids. Es la arquitectura. La bandada se coordina porque ningún pájaro tiene autoridad sobre los demás. Si un pájaro se convirtiera en líder, el sistema se volvería frágil: dependiente del juicio de ese pájaro y vulnerable a su falla. El patrón refleja el principio de resiliencia distribuida que el vacío estructural crea en otros dominios.5

El mismo patrón aparece en los sistemas de IA multiagente. AutoGen de Microsoft (v0.4+, 2025) coordina a los agentes mediante protocolos de conversación en lugar de una orquestación centralizada: cada agente decide cuándo hablar según su contexto local, y el framework evita de forma explícita designar un agente “líder”.6 CrewAI (v0.28+, 2025) define roles de agente y reglas de traspaso mediante su abstracción de “crew”, pero no le da a ningún agente autoridad para anular a los demás.7 En mi sistema de deliberación, ningún agente tiene poder de veto. Cada uno evalúa de forma independiente. El protocolo de consenso consolida sus hallazgos. Si un agente produce basura, los demás lo superan en votos. El control centralizado volvería a introducir el punto único de falla que la coordinación descentralizada elimina.


Cuando las tres reglas funcionaron: un éxito silencioso

El incidente de los 23 agentes se recuerda porque falló de forma espectacular. Los éxitos son más silenciosos y más numerosos.

Una semana después de agregar el presupuesto de generación, le pedí al sistema que “evaluara si la infraestructura de pruebas A/B del blog debía asignar las variantes del lado del servidor o del lado del cliente”. El sistema de deliberación generó tres agentes de investigación. El agente 1 investigó enfoques del lado del servidor (basados en cookies, basados en sesión). El agente 2 investigó enfoques del lado del cliente (localStorage, parámetros de URL). El agente 3 evaluó patrones híbridos. Cada agente trabajó de forma independiente (cohesión: convergencia hacia la misma pregunta de evaluación). Cada uno usó los mismos estándares de evidencia (alineación: criterios de calidad compartidos). El presupuesto de generación impidió que cualquier agente generara sus propios subagentes para esta tarea (separación: nada de amontonarse).

Los tres agentes entregaron sus hallazgos. El agente 1 favoreció la asignación del lado del servidor por la coherencia de SEO. El agente 2 favoreció la del lado del cliente por la sencillez de implementación. El agente 3 identificó un enfoque híbrido que coincidía con los patrones existentes del código. El protocolo de consenso sintetizó los hallazgos: asignación del lado del servidor para el blog (donde el SEO importa), con anulación del lado del cliente para los componentes interactivos (donde JavaScript ya se ejecuta).

Toda la deliberación tomó cuatro minutos y costó USD 1,40. Ningún agente generó subagentes. Ningún agente se puso de acuerdo con los demás antes de tiempo. Las recomendaciones fueron independientes y de verdad complementarias. La arquitectura de tres reglas produjo exactamente el comportamiento que Reynolds describió: decisiones locales que producen un resultado global coordinado.


Patrones emergentes en otros dominios

El patrón de “reglas simples, comportamiento emergente” no es exclusivo de los boids ni de los agentes. Aparece dondequiera que las decisiones locales se agregan en una estructura global:

Los códigos de Hamming muestran una forma de emergencia relacionada. Colocar estratégicamente bits de paridad en posiciones que son potencias de 2 crea un sistema en el que la posición del error emerge al aplicar XOR a las posiciones de todos los bits “1”. Ningún bit sabe dónde está el error. La ubicación del error emerge de la estructura. Un solo bit de paridad, aislado, no te dice casi nada. Varios bits de paridad en las posiciones correctas te lo dicen todo.

El Juego de la Vida de Conway produce planeadores, osciladores y computación Turing completa a partir de cuatro reglas aplicadas a una cuadrícula. Las reglas son más simples que las de los boids (una célula vive si tiene 2-3 vecinas y muere en caso contrario). La complejidad emergente no tiene límite.

En todos los casos, el patrón es el mismo: reglas locales, ningún coordinador central, comportamiento global emergente. Y en todos los casos se aplica el mismo modo de falla: si agregas demasiadas reglas, el sistema pasa de una emergencia elegante a una interferencia caótica.


Conclusiones clave

Para ingenieros que diseñan sistemas multiagente:

  • Tres reglas producen una bandada. Cuatro reglas quizá no. La intuición de Reynolds fue que tres reglas bien elegidas bastan para la coordinación emergente. Agregar una cuarta crea interferencia que puede destruir el comportamiento que producían las tres primeras. Empieza con el mínimo de reglas que produzca el comportamiento que buscas.

  • La separación es la regla más importante. Sin ella, la alineación y la cohesión se vuelven patológicas, con agentes que convergen en la misma respuesta equivocada. El presupuesto de generación (restricción de anchura) fue el cambio individual de mayor impacto que hice en mi sistema multiagente.

Para arquitectos que construyen sistemas distribuidos:

  • La ausencia de un líder es la arquitectura. El control centralizado crea un punto único de falla. La coordinación descentralizada mediante reglas locales es más resiliente. Diseña tus sistemas de agentes sin un “agente líder”, a menos que tengas una razón concreta para agregar uno.

  • Más reglas crean más interacciones. N reglas producen hasta N(N-1)/2 interacciones por pares. El comportamiento se vuelve más difícil de predecir con cada adición. Agrega reglas solo cuando observes una falla específica que ninguna regla existente resuelva.

Ejercicio: mapea tu propio sistema. Haz un diagrama de tu sistema multiagente actual (o de uno que planees construir). Para cada agente, identifica cuál de las tres reglas de Reynolds sigue. Si falta la separación, agrega un presupuesto de generación o un límite de concurrencia. Si falta la alineación, define criterios de evaluación compartidos. Si falta la cohesión, agrega un paso de síntesis. El diagrama revela a qué modo de falla es más vulnerable tu sistema.


Preguntas frecuentes

¿Qué son los boids y por qué importan para el diseño de agentes de IA?

Los boids son agentes simulados (originalmente “bird-oid objects”) que siguen tres reglas locales: separación (evitar amontonarse con los vecinos), alineación (orientarse hacia el rumbo promedio de los vecinos) y cohesión (dirigirse hacia la posición promedio de los vecinos). Craig Reynolds los presentó en SIGGRAPH 1987. Importan porque demostraron que un comportamiento global complejo y coordinado puede surgir de reglas locales simples sin ningún controlador central, un principio que se aplica directamente a los sistemas de IA multiagente, la robótica de enjambre y la computación distribuida.

¿Cómo se aplican las reglas de los boids a la orquestación de agentes de IA?

Cada regla de los boids se corresponde con una restricción de diseño de agentes. La separación se convierte en un presupuesto de generación (limitar cuántos agentes trabajan en el mismo subproblema). La alineación se convierte en criterios de evaluación compartidos (todos los agentes usan el mismo estándar de calidad). La cohesión se convierte en un protocolo de consenso (los agentes convergen hacia los hallazgos del grupo). La correspondencia es estructural, no metafórica: ambos sistemas producen coordinación emergente a partir de reglas locales que cada agente aplica de forma independiente.

¿Por qué más reglas empeoran los sistemas de IA multiagente en lugar de mejorarlos?

Cada regla nueva interactúa con todas las reglas existentes y crea complejidad combinatoria. Diez reglas producen hasta 45 interacciones por pares. Los agentes gastan tokens en satisfacer las restricciones de las reglas en lugar de resolver problemas. La misma dinámica aparece en los boids: agregar una cuarta regla (por ejemplo, “evitar el centro”) obliga a reequilibrarla con las tres originales, y el elegante vuelo en bandada suele degradarse en temblores mientras los agentes intentan satisfacer fuerzas en competencia al mismo tiempo.

¿Cuándo debería usar control centralizado en lugar de coordinación emergente?

Usa control centralizado cuando necesites garantías estrictas de orden (etapas secuenciales de un pipeline), cuando las fallas deban manejarse de forma determinista (transacciones financieras) o cuando el sistema requiera una única decisión con autoridad en lugar de un consenso (resolución de conflictos de merge). Usa coordinación emergente cuando los agentes puedan evaluar de forma independiente, cuando la redundancia mejore la confiabilidad y cuando ningún agente necesite el panorama completo para hacer bien su trabajo.


Parte de la serie Interactive Explorations, donde los algoritmos se encuentran con la intuición visual: desde códigos de Hamming que detectan sus propios errores hasta boids que vuelan en bandada sin líder. Los patrones de orquestación de agentes aparecen en detalle en The Ralph System y Multi-Agent Deliberation. La capa de programación metacognitiva agrega la autosupervisión de cada agente para complementar la coordinación entre agentes descrita arriba.



  1. Reynolds, C. W. (1987). “Flocks, Herds, and Schools: A Distributed Behavioral Model.” SIGGRAPH ‘87: Proceedings of the 14th annual conference on Computer graphics and interactive techniques, pp. 25-34. red3d.com/cwr/boids/ ↩↩

  2. Reynolds recibió en 1998 el Scientific and Engineering Award de la Academy of Motion Picture Arts and Sciences por sus contribuciones a la animación conductual, a partir de su trabajo con los boids. El algoritmo se usa en la producción cinematográfica desde Batman Returns (1992). oscars.org/sci-tech/ceremonies/1998. Consulta también el currículum de Reynolds: red3d.com/cwr/resume.html. ↩

  3. “Revisiting Boids for Emergent Intelligence via Multi-Agent Collaboration.” NeurIPS 2025 Workshop: Scaling Environment. openreview.net/pdf?id=46LJ81Yqm2. El artículo aplica las reglas de los boids como guía en lenguaje natural para agentes que siguen un ciclo de observar, reflexionar y construir (observe-reflect-build). ↩

  4. La implementación del presupuesto de generación está documentada en The Ralph System. La decisión de arquitectura clave: imponer los límites de anchura mediante hooks (deterministas) en lugar de prompts (orientativos). Un agente al que se le indica “limitar la generación” racionalizará hasta pasar el límite. Un hook que cuenta los hijos activos y bloquea la llamada a la API de generación no puede hacerlo. ↩

  5. Lao Tzu, Tao Te Ching, capítulo 11. Traducción: D.C. Lau, Penguin Classics, 1963. El pasaje completo trata del cubo de una rueda, las paredes de una habitación y la arcilla de una vasija: tres ejemplos en los que la utilidad viene del vacío, no del material. Consulta Nothing is Structural para la exploración completa. ↩

  6. Microsoft AutoGen, github.com/microsoft/autogen. AutoGen v0.4 (lanzado en 2025) introdujo la abstracción GroupChat, en la que los agentes participan en conversaciones sin un líder designado. La documentación del framework afirma de forma explícita: “AutoGen enables a group of agents to collectively perform tasks that a single agent alone cannot.” Es el protocolo de conversación, y no un controlador central, el que determina el orden de los turnos. ↩

  7. CrewAI, github.com/crewAIInc/crewAI. CrewAI v0.28+ (2025) define crews con agentes basados en roles y reglas de traspaso de tareas. El parámetro process admite los modos “sequential” (orden fijo) y “hierarchical” (delegado por un gestor), pero incluso en el modo jerárquico el agente gestor coordina en lugar de anular: no puede cambiar la salida de otro agente, solo pedir revisiones. Documentación: docs.crewai.com. ↩

  8. Reynolds, C. W. (1999). “Steering Behaviors for Autonomous Characters.” Game Developers Conference 1999 Proceedings, pp. 763-782. red3d.com/cwr/steer/. Reynolds analiza la combinación de fuerzas por prioridad, en la que la separación (evasión de colisiones) se procesa primero y consume la fuerza de dirección disponible antes de aplicar la alineación o la cohesión. El esquema de prioridades garantiza que evitar el amontonamiento siempre tenga precedencia. ↩

Artículos relacionados

Códigos de Hamming: cómo las computadoras corrigen sus propios errores

De la RAM a los códigos QR y el espacio profundo: una explicación interactiva de cómo Hamming detecta y corrige errores …

8 min de lectura

GLSL para builders: un laboratorio de shaders realmente usable

Un playground práctico de GLSL con controles en vivo para desarrollar intuición sobre shaders rápido. Presets, manipulac…

19 min de lectura

El Patrón Protégé

Un modelo 7B con acceso experto disperso iguala agentes 50 veces su tamano. Ruta trabajo rutinario a modelos pequenos y …

13 min de lectura