Los agentes de programación, diseñados para trabajar en paralelo en tareas como escribir nuevos endpoints de API, actualizar pruebas o corregir errores, han enfrentado un problema común: la falta de coordinación entre ellos. Cuando varios agentes trabajan en un mismo proyecto sin comunicación, sus esfuerzos se solapan, provocando duplicidades y conflictos que el desarrollador debe resolver manualmente.
Para solucionar esto, grandes laboratorios de inteligencia artificial y desarrolladores de herramientas de programación están explorando métodos para organizar a estos agentes de manera eficiente. Esta semana, Google y Cursor han dado un paso importante en este sentido con el lanzamiento de funciones orientadas a mantener sincronizados a los agentes, aunque cada una con un enfoque distinto.
Cursor impulsa la colaboración entre agentes de diferentes desarrolladores
Cursor comenzó a mostrar su función Projects en septiembre, que permite delegar una tarea compleja a un agente coordinador que a su vez reparte sub-tareas a otros agentes colaboradores. Ahora, tras ser adquirida por SpaceX por 60.000 millones de dólares en agosto, la empresa ha lanzado el modo multijugador para Projects. 
Esta novedad facilita a los equipos invitar a sus compañeros a un proyecto común, donde cada usuario dispone de su propio agente coordinador y sus agentes trabajadores. Todos los agentes interactúan sobre una misma plataforma, compartiendo tableros de tareas y documentos de proyecto.
Los coordinadores de Cursor intercambian mensajes para sincronizar tareas entre compañeros.
Además, los agentes coordinadores de cada desarrollador pueden comunicarse directamente, compartiendo planes, detectando posibles solapamientos y estableciendo prioridades. Por ejemplo, si unos agentes están modificando el esquema de una base de datos y otros desarrollan una funcionalidad dependiente de ese cambio, sus coordinadores pueden decidir qué modificaciones deben implementarse primero para evitar conflictos.
Google centraliza su tecnología con Antigravity y lanza Swarm
Por su parte, Google ha consolidado diversas herramientas bajo la plataforma Antigravity, migrando usuarios de Gemini CLI y cerrando su agente Jules. Tras anunciar Gemini 4 Carbon en Antigravity, Google presentó también Swarm, un sistema que permite a un solo desarrollador asignar una tarea a un coordinador que fracciona el trabajo en agentes trabajadores y encargados de verificar los cambios.
Estos agentes pueden comunicarse en un tablero compartido, coordinando sus acciones para avanzar eficazmente. Por ejemplo, en el caso de una empresa que desea modificar la verificación de tokens en un sistema de pago online, un agente puede encargarse de actualizar el middleware de autenticación mientras otro actualiza el verificador de tokens. Trabajando en árboles Git separados y usando el tablero para consensuar las integraciones, finalmente entregan sus cambios a un agente verificador.
Agentes Swarm colaboran en la migración y verificación de un sistema de tokens.
Varun Mohan, director de ingeniería de software en Google DeepMind, destacó en X que Swarm facilita enormemente la gestión de tareas complejas, mencionando que ya se usan enjambres de cientos de agentes para crear sistemas y productos a partir de una sola indicación.
Logan Kilpatrick, miembro del equipo técnico de Google DeepMind, calificó como «realmente impresionantes» los resultados de Swarm, señalando que aportan una nueva dimensión de escalabilidad para la inteligencia artificial.
Diferencias en la coordinación: un desarrollador vs. equipos completos
La diferencia esencial entre la propuesta de Google y Cursor radica en el ámbito de trabajo de los agentes. Swarm de Google está diseñado para optimizar tareas complejas asignadas a un único desarrollador, facilitando la comunicación entre agentes que trabajan en esa labor específica.
Cursor, en cambio, ha centrado sus esfuerzos en que agentes de distintos desarrolladores puedan colaborar dentro de un mismo equipo. Esto significa que los coordinadores pueden comunicarse a través de tareas y proyectos diferentes, lo que representa un enfoque innovador en sistemas de agentes multiusuario.
Aryaman Khandelwal, responsable de producto en Cursor, subrayó que hasta ahora los sistemas multiagentes estaban orientados a un usuario individual, pero Projects se ha creado para que sirva a todo un equipo.
Otras iniciativas y retos en la colaboración de agentes
Otras compañías como Anthropic también avanzan en esta dirección. Sus equipos experimentales Claude Code Agent Teams permiten a agentes compartir listas de tareas y comunicarse, incluido un reciente añadido de mensajería cruzada entre sesiones. Sin embargo, estas sesiones siguen limitadas a un mismo desarrollador.
GitHub, por otro lado, puso en vista previa pública en octubre Projects, una herramienta dentro de Copilot que distribuye trabajo en múltiples agentes para objetivos que abarcan varios repositorios. AWS también lanzó recientemente Kiro Crew bots, que gestionan y orquestan varias sesiones concurrentes para optimizar resultados.
OpenAI y Anthropic incorporan igualmente funcionalidades para usar agentes compartidos en entornos colaborativos, como Claude Tag en canales Slack y agentes en espacios de trabajo compartidos de ChatGPT, respectivamente.
Preocupaciones en la comunidad: el riesgo de propagar errores
A pesar de estas innovaciones, existen inquietudes en la comunidad sobre que la interacción entre agentes de distintos usuarios pueda propagar errores o solicitar información sensible a la que no deberían tener acceso. Khandelwal aclaró que Projects permite definir reglas y habilidades compartidas para todo el equipo y que los mensajes entre agentes se tratan como datos no confiables, requiriendo autorización explícita para acceder a archivos privados o conectores de datos.
Además, el sistema maneja las comunicaciones en chats separados que no comparten secretos ni credenciales. Sin embargo, no está claro si los administradores pueden establecer reglas diferentes según el rol del usuario en los intercambios.
Recientes estudios de Anthropic reflejan que cuando varios usuarios tienen sus agentes propios que comparten recursos, el rendimiento conjunto es peor que cuando un solo agente sirve a todo el grupo. Esto sucede por choques entre solicitudes, falta de coherencia y errores en la interpretación de objetivos compartidos. Algunas soluciones probadas incluyen designar un agente líder o restringir actuaciones hasta confirmar la lectura de mensajes, aunque la eficacia varía según la tarea.
El futuro es la colaboración eficiente entre agentes y desarrolladores
Estas innovaciones evidencian un claro impulso para facilitar que equipos de programadores deleguen tareas complejas a sus agentes y mantengan un control sobre lo que cada uno realiza sin perder productividad.
Parker Smith, ingeniero en la empresa matriz de Cursor, SpaceXSI, afirmó que el objetivo central es mantener a los agentes trabajando a toda velocidad sin bloqueos innecesarios, ya que «los agentes se mueven rápido y esperar a que reciban contexto de sus pares puede ser demasiado lento». Con el modo multijugador de Projects, los agentes toman el contexto directamente de otros agentes compañeros, evitando retrasos y facilitando el progreso.
Actualmente, Cursor ofrece la función multijugador en beta para cuentas de equipo, mientras que Google Swarm está disponible en vista previa para suscriptores de Google AI Pro y Ultra.
