De 1 a 6 agentes IA: cómo escalé mi sistema (sin que todo se rompiese)

Un agente de IA es fácil. Lo configuras, le das instrucciones, y empieza a producir. Te sientes un genio.

Dos agentes, ya no tanto. Tres, empiezan los problemas. Y cuando llegas a seis operando a la vez en tu negocio, o has diseñado bien la arquitectura o tienes un desastre.

Llevo 4 meses escalando de un agente a seis. Ariel (LinkedIn), Lentejo (newsletter), Remy (research), Rafiki (blog SEO), FBS (analítica) y Desdentado (YouTube, aún en desarrollo). En ese camino he roto cosas, perdido horas debugueando conflictos absurdos y finalmente encontrado un sistema que funciona. Te cuento exactamente cómo lo hice — y los errores que cometí para que tú no los repitas.

Un agente es fácil — el problema empieza con dos

Sistema multi-agente de IA

Conjunto de agentes de inteligencia artificial que operan de forma coordinada dentro de un negocio, cada uno con un territorio definido, contexto aislado y outputs claros. La escalabilidad depende de la separación de contextos y de reglas de no-colisión entre agentes, no de la cantidad de agentes.

Mi primer agente fue Ariel. Le dije: "Escribe posts de LinkedIn con mi tono". Le di contexto, ejemplos, y en 20 minutos estaba produciendo contenido que parecía mío. Funcionaba. Era magia.

Así que pensé: "Si uno funciona, dos serán el doble de buenos". Creé Rafiki para el blog. Y ahí empezó el lío.

El problema no era que Rafiki no funcionase. Funcionaba perfectamente... hasta que se cruzaba con Ariel. Ambos accedían a mis datos de negocio, ambos tenían información sobre mi tono de escritura, y ambos a veces generaban contenido sobre el mismo tema el mismo día. Un lunes publiqué un post en LinkedIn sobre agentes IA para freelancers y Rafiki publicó un post en el blog con un ángulo casi idéntico. No era un error técnico — era un error de diseño.

El 80% de los problemas al escalar agentes no son técnicos. Son de arquitectura. De no haber pensado quién hace qué, dónde y con qué información.

El error que casi destruyó mi sistema

Te lo digo claro: el error más caro que cometí fue compartir contexto entre agentes.

Al principio tenía un solo archivo CLAUDE.md con toda la información de mi negocio. Datos personales, tono de escritura, métricas, estrategia de contenido, todo. Cada agente leía ese mismo archivo. Parecía eficiente.

Era un desastre.

Cuando Rafiki generaba un post de blog, a veces usaba datos que solo Remy (research) debería manejar. Cuando Ariel escribía para LinkedIn, citaba estadísticas del blog que no tenían sentido fuera de contexto. Y lo peor: si actualizaba una métrica en el documento compartido para un agente, afectaba a todos los demás.

La solución fue obvia en retrospectiva: aislar contextos. Cada agente necesita su propio universo de información. Su propio CLAUDE.md. Sus propias reglas. Su propio territorio.

Cuando hice la migración a contextos aislados, los conflictos desaparecieron de un día para otro. No exagero. Pasé de debuguear problemas entre agentes 3-4 veces por semana a prácticamente cero. El esfuerzo fue un sábado entero reorganizando archivos y reescribiendo configuraciones, pero el ROI fue inmediato.

La arquitectura que funciona: 6 agentes, territorios claros

Mi sistema actual tiene una estructura simple. Cada agente vive en su propio directorio con su configuración. Ninguno puede ver ni modificar lo que otro produce. Si necesitan compartir información, pasa por un protocolo definido — no por acceso libre.

Así es como está organizado:

La clave es la columna "Territorio". Cada agente sabe exactamente qué le toca. Ariel no escribe para el blog. Rafiki no toca LinkedIn. Remy investiga pero no publica. Las fronteras son claras y rígidas.

¿Y cuando un agente necesita algo que tiene otro? Ejemplo real: Rafiki necesita datos de investigación que tiene Remy. Pues Remy genera un informe, lo guarda en una carpeta compartida de research, y Rafiki lo lee cuando le toca. Pero Rafiki nunca le dice a Remy qué investigar. Eso lo decido yo.

Esto es lo que aprendí en 12 años montando equipos humanos con GuruWalk: los equipos funcionan cuando las responsabilidades son claras. Con agentes IA, exactamente igual. Los mismos principios de gestión aplican — solo que el "empleado" cuesta ~100€/mes en vez de 12.000-16.000€.

Las 3 reglas que evitan el caos multi-agente

Después de muchos tropezones, destilé todo en tres reglas. Las tengo escritas en cada configuración de agente, y las reviso cada vez que creo uno nuevo.

Regla 1: Un agente, un territorio, un output. Si no puedes describir en una frase qué produce un agente, es que hace demasiado. Rafiki produce posts de blog. Ariel produce posts de LinkedIn. FBS produce informes de analítica. Si un agente empieza a hacer dos cosas distintas, es hora de dividirlo en dos.

Regla 2: Contexto mínimo necesario. Cada agente solo recibe la información que necesita para su trabajo. Ni más, ni menos. Rafiki no necesita saber cuántos seguidores tengo en LinkedIn. Ariel no necesita conocer la estrategia SEO del blog. Menos contexto = menos ruido = mejores resultados. En mi experiencia, reducir el contexto de un agente en un 40% mejoró la calidad de su output más que cualquier otra optimización que hice.

Regla 3: Nunca dos agentes sobre el mismo archivo al mismo tiempo. Parece obvio, pero es fácil caer en ello. Si Rafiki está generando un post y FBS está analizando el tráfico del blog simultáneamente, pueden colisionar. La solución es programar ejecuciones escalonadas con cron jobs en el servidor o usar bloqueos explícitos.

Estas tres reglas parecen simples. Lo son. Pero te aseguro que el 90% de los problemas que tuve en los primeros dos meses venían de violar alguna de ellas. Sobre todo la segunda — siempre quieres darle "más contexto por si acaso". No lo hagas. El contexto de más no ayuda, confunde. Es como darle a un becario acceso a toda la base de datos de la empresa cuando solo necesita una hoja de cálculo.

Cuándo añadir un agente nuevo (y cuándo NO)

Esto es lo que más me preguntan: "¿Cuándo es el momento de crear un agente nuevo?"

Mi respuesta: cuando ya has definido exactamente qué va a producir, el input que necesita, y has comprobado que esa tarea ocurre al menos 3 veces por semana.

Si la tarea es esporádica (una vez al mes), no necesitas un agente — necesitas un prompt bien escrito que guardes y reutilices. Si la tarea no tiene un output claro ("quiero un agente que me ayude a pensar"), no necesitas un agente — necesitas una conversación con Claude directamente.

Los agentes brillan en tareas repetitivas, con output definido, que consumen tiempo humano de forma predecible. Escribir 10 posts de LinkedIn a la semana. Publicar 2 posts de blog al día. Generar un informe semanal de analítica. Investigar 5 competidores cada lunes. Eso sí son trabajos para agentes.

Y un consejo que me habría ahorrado semanas: antes de crear un agente nuevo, intenta ampliar el scope de uno existente. Cuando quise añadir análisis de competencia, mi primer instinto fue crear un agente nuevo. Luego me di cuenta de que Remy (research) podía hacerlo perfectamente añadiendo una nueva instrucción a su configuración. Ahorré horas de setup y evité un agente que habría aumentado la complejidad del sistema sin necesidad.

Según Gartner, el 40% de las aplicaciones empresariales integrarán agentes IA para diciembre de 2026 (fuente: Google Cloud AI Agent Trends 2026). Pero la clave no es cuántos agentes tengas — es que cada uno tenga un propósito claro y medible.

El coste real de escalar: de ~100€ a ~100€

Aquí viene la parte que sorprende a todo el mundo.

Con Claude Max pago ~100€/mes. Ese precio no cambia si tengo 1 agente o 10. Los 6 agentes que operan mi negocio hoy cuestan exactamente lo mismo que el primero que creé hace 4 meses. No hay coste incremental por agente.

Comparado con lo que costaría hacer esto con personas: un equipo humano equivalente me costaría entre 12.000 y 16.000€/mes (sueldo bruto junior-medio + ~30% de Seguridad Social × 5 personas). Eso son 120-160 veces más que mi sistema actual.

Pero hay un coste que sí escala y nadie te cuenta: el tiempo de supervisión. Con 1 agente, tardaba 10 minutos al día en revisar lo que producía. Con 6, tardo 30-40 minutos. No es lineal — a medida que el sistema madura y las instrucciones se refinan, cada agente necesita menos atención. Pero al principio, cuando un agente nuevo lleva su primera semana, puede necesitar 15-20 minutos diarios solo él.

"Un agente IA bien configurado se paga solo la primera semana. Uno mal configurado te roba tiempo durante meses sin que te des cuenta."

Mi regla personal: si un agente nuevo me va a consumir más de 30 minutos diarios de supervisión durante más de 2 semanas, es que las instrucciones no están bien definidas. Paro, reescribo el CLAUDE.md, y vuelvo a empezar. Mejor perder una tarde refinando la configuración que un mes supervisando un agente mediocre.

Lo que haría diferente si empezase hoy

Si tuviese que montar mi sistema de 6 agentes desde cero, cambiaría cuatro cosas.

Empezaría por el agente con ROI más inmediato. En mi caso fue el blog (Rafiki), pero para muchos emprendedores sería el de LinkedIn o el de newsletter. El primer agente tiene que demostrar valor en la primera semana, o pierdes impulso. No empieces por el más complejo ni por el más "interesante" — empieza por el que va a liberar más horas.

Aislaría contextos desde el día uno. No cometería el error de tener un contexto compartido "para ir más rápido". La velocidad inicial se paga con dolores de cabeza después. Cada agente, su propio universo, desde la primera línea de configuración.

No crearía más de un agente por semana. En febrero creé tres agentes en cinco días. Fue un desastre. Ninguno estaba bien configurado, todos producían output mediocre, y no tenía tiempo de supervisar a ninguno bien. La velocidad óptima es un agente nuevo cada 5-7 días. Configuras, supervisas, afinas, y cuando ese agente está estable, pasas al siguiente.

Mediría desde el principio. Las primeras 6 semanas no medía nada. Los agentes producían y yo asumía que todo iba bien. Cuando empecé a medir formalmente, descubrí que uno de mis agentes llevaba dos semanas generando contenido con datos desactualizados. Ahora cada agente tiene métricas semanales desde el día que se activa.

La verdad es que escalar agentes se parece mucho a escalar un equipo humano. Las mismas reglas que aprendí montando equipos de 20 personas en GuruWalk aplican aquí: responsabilidades claras, comunicación mínima necesaria, y medir todo lo que importa. La diferencia es que un agente IA cuesta 100 veces menos, no se cansa, y si la lías con la configuración puedes reescribirla en una tarde en vez de tener una "conversación difícil" un viernes a las seis.

Escalar no es tener más. Es diseñar mejor. Seis agentes bien diseñados producen más que veinte mal configurados. Y lo digo porque probé ambas cosas.