Multi-AI agents vs. multi-agent systems — las palabras que elegimos.

Cuando escribimos la página About de GOGOGO LLC en 2023, nos quedamos con la frase multi-AI agent systems. Tres años después la seguimos usando en todas partes — hero del homepage, llms.txt, cada página de producto. La gente a veces pregunta por qué no decimos simplemente multi-agent systems como el resto del campo. La diferencia de dos palabras parece una decisión de marketing. No lo es. Es una decisión arquitectónica.

Qué significa de verdad 'multi-agent systems'

Multi-agent systems es el término más viejo, anclado en la investigación de IA distribuida de los años 80. Lectura canónica: varios agentes de software — cada uno autónomo, orientado a objetivos, capaz de negociar — colaboran para resolver un problema que un solo agente no puede. La propiedad definitoria es la autonomía de cada agente, no la diversidad de lo que hay adentro. Cinco agentes corriendo todos el mismo LLM siguen siendo un multi-agent system.

Es el término correcto cuando la pregunta es orquestación: quién decide qué, quién le pasa el control a quién, cómo se resuelven los conflictos. La literatura clásica de agent-oriented programming lo usa así. La mayoría de los frameworks contemporáneos también — LangGraph, AutoGen, CrewAI. Te dan el andamiaje de orquestación y asumen que tú vas a traer el modelo que quieras.

Qué agrega 'multi-AI agent systems'

Multi-AI es una afirmación más ajustada. Dice: los agentes de este sistema corren sobre múltiples modelos de IA distintos — familias distintas, modalidades distintas, proveedores distintos — y parte del trabajo del orquestador es saber qué agente corre sobre qué modelo.

Cuando decimos que GoTrack es un sistema multi-AI agent, queremos decir esto: el agente de retrieval corre FAISS sobre un embedding CLIP; el agente de rerank corre un cross-encoder; el agente de validación corre un clasificador pequeño destilado; el agente de signage llama a un LLM de texto; el observer corre un LLM distinto haciendo evals con salida estructurada. Cinco agentes, cinco familias de modelo distintas. La lógica de orquestación y la lógica de routing de modelos son la misma lógica.

Por qué la distinción se paga sola

1. La selección de modelo se vuelve una variable arquitectónica

En un sistema multi-agent puro, cambiar el modelo subyacente es un asunto de deploy — cambia el API key, vuelve a correr. En un sistema multi-AI, cada agente especialista tiene su propia elección de modelo y su propio presupuesto de cambio. El agente de retrieval recibe un embedding chico y barato; el crítico recibe un modelo de razonamiento grande; el generador recibe lo más fuerte que haya para la modalidad. Mezclar clases de modelo es el diseño, no un pase de optimización.

2. El riesgo de proveedor se reconfigura

Si un proveedor tiene caída, un sistema multi-AI se degrada parcialmente — el retrieval y el validator pueden seguir funcionando aunque el proveedor del generador esté caído. Un sistema multi-agent de un solo modelo se apaga entero con ese proveedor. En 2025 atravesamos cuatro productos por tres caídas distintas de proveedor; multi-AI fue lo que mantuvo tres de los cuatro productos sirviendo tráfico en cada una.

3. El modelado de costos pasa a ser por-agente, no por-llamada

Multi-AI te obliga a amortizar: el validator destilado y barato corre en cada request, el generador caro corre solo después de que el validator aprobó la trayectoria. En un sistema multi-agent de un solo modelo, cada agente paga la misma tarifa por-token. El grafo de costos en producción es fundamentalmente distinto.

Cuándo usar cuál

• 'Multi-agent systems' si tu propuesta de valor son patrones de orquestación, autonomía del agente, protocolos de hand-off o expresividad de workflow. Los agentes podrían estar corriendo el mismo modelo y tu afirmación seguiría sosteniéndose.
• 'Multi-AI agent systems' si la diversidad de los modelos es el producto — si un cliente se daría cuenta de que sacar el cross-encoder o cambiar el modelo de embedding degrada el sistema. Si la heterogeneidad de modelos carga peso.

Por qué elegimos la frase más larga

Cada producto que enviamos pega en el umbral multi-AI. Goddo rutea entre un modelo de difusión de imagen, uno de difusión de video, un LLM prompt-enhancer y un upscaler — cuatro familias de IA. GoPeople clasifica mensajes de WhatsApp con un clasificador de intent pequeño, corre flujos de RR. HH. en un LLM con tool-use y valida outputs con un modelo de eval aparte — tres familias. GoVista y GoTrack son parecidos.

Si nos llamáramos empresa multi-agent, la descripción seguiría siendo técnicamente correcta. Pero implicaría que los agentes son piezas intercambiables sobre un sustrato común. No lo son. La diversidad de modelos es la mitad de la ingeniería. Eso lo metimos en el nombre de la empresa.

El lado SEO de la decisión

Hay también una razón chica y honesta: "multi-agent systems" es una query saturada. "Multi-AI agent systems" no. Elegimos un término que era a la vez técnicamente más ajustado y más fácil de poseer en buscadores. Las dos motivaciones aplicaron. Ninguna es la única, y deberías desconfiar de cualquier empresa que afirme lo contrario sobre sus decisiones de naming.

“Nombrar es arquitectura. La frase que pones en el homepage decide qué tienes y qué no tienes que construir el año que viene.”

Si estás eligiendo el término para tu propia empresa, se nos pregunta fácil. Elige el que ajuste. Solo elige deliberadamente.