The Organizational Behavior of Agentic AI: Collective Intelligence in Human-Agent Workflows

Resumen Técnico: El Comportamiento Organizacional de la IA Agéntica

Planteamiento del Problema
La inteligencia artificial agéntica se despliega cada vez más no como herramientas aisladas, sino como colectivos de planificadores, resolutores, revisores y orquestadores que imitan las estructuras organizativas humanas (por ejemplo, equipos, comités, mercados). Aunque estos sistemas se describen utilizando terminología organizacional, existe una brecha crítica en la comprensión de si exhiben realmente un "comportamiento organizacional" comparable al de los colectivos humanos. El discurso actual corre el riesgo de incurrir en dos errores: el instrumentalismo (tratar a los agentes como herramientas neutrales) y el antropomorfismo (asumir que los agentes funcionan como equipos humanos con identidad, confianza y responsabilidad moral). El problema central es determinar cómo se comporta organizacionalmente la IA agéntica, en qué se diferencia de las organizaciones humanas y bajo qué condiciones los flujos de trabajo humano-agente pueden lograr la inteligencia colectiva sin incurrir en una disfunción sistémica.

Metodología
El artículo emplea la teorización computacional, una estrategia que formaliza mecanismos y varía las condiciones de operación para observar los patrones resultantes. La evidencia empírica se extrae de tres fuentes distintas:

1. Simulación Sintética (Estudio 1): Una simulación a gran escala de 8,000 tareas de trabajo de conocimiento evaluadas a través de siete formas distintas de organización de agentes. Esto permite una variación controlada de la descomponibilidad de tareas, la correlación de errores y los modos de comunicación.
2. Ejecuciones de LLM Reales con Instrumentación de Trazas (Estudio 2): Análisis empírico de ejecuciones reales de Modelos de Lenguaje Extensos (LLM) a través de cuatro dominios: reparación de software, respuesta a preguntas sobre documentos largos, revisión legal y síntesis de literatura. Este estudio se centra en estimar los "costos de transacción contextual" dentro de trazas de agentes reales.
3. Análisis de Robustez (Estudio 3): Validación utilizando modelos de código abierto, variaciones de prompts y un selector de organización mediante aprendizaje por refuerzo libre de prompts (DQN) para asegurar que los hallazgos no sean artefactos de prompts específicos o arquitecturas de modelos.

El diseño de la investigación trata las trazas de los agentes como "acción patronada" observable, lo que permite la medición de la dinámica organizacional (diferenciación, coordinación, cruce de fronteras) que a menudo es opaca en las organizaciones humanas.

Contribuciones Clave y Marco Teórico
El artículo propone que la IA agéntica es un análogo organizacional parcial. Comparte similitudes funcionales con las organizaciones humanas (diferenciación del trabajo, coordinación de la interdependencia, rutinas recurrentes y cruce de fronteras), pero carece de los fundamentos sociales (motivación, identidad, confianza, relaciones laborales) que sustentan el comportamiento humano. En su lugar, el comportamiento agéntico se sostiene mediante la arquitectura de contexto (prompts, memoria, trazas, esquemas, herramientas, validadores y permisos).

El mecanismo teórico central introducido es el Costo de Transacción Contextual (CTC). Extendiendo la teoría de los costos de transacción de Coase, el CTC define el costo de mover el contexto de la tarea a través de las fronteras dentro de un colectivo de agentes. Se modela como una función de:

• Cargas de tokens y latencia ($\tau$)
• Traspasos entre agentes ($H$)
• Pérdida de compresión ($C$)
• Deriva semántica ($D$)
• Cargas de verificación ($V$)
• Costos de gobernanza ($G$)

El artículo argumenta que la eficiencia colectiva se logra solo cuando las ganancias marginales de especialización, paralelismo, diversidad y verificación superan los costos marginales de estas transacciones contextuales.

Resultados y Hallazgos
El análisis empírico arroja varios conocimientos críticos respecto al desempeño de diferentes formas de organización de agentes:

• Fracaso de la Imitación Humana: Las formas de organización que imitan estrictamente las estructuras humanas (por ejemplo, comités de debate de texto libre, traspasos secuenciales) suelen tener un desempeño inferior. Introducen "traspasos con pérdida" donde el contexto se comprime o se pierde, lo que conduce a deliberaciones correlacionadas y cargas de verificación que superan los beneficios de la división del trabajo.
• Éxito de las Formas Adaptativas y de Estado Compartido: Las formas de organización que priorizan el estado compartido, el contexto duradero y la adaptación contingente a la tarea funcionan mejor. Estas formas minimizan la deriva semántica y aseguran que la evidencia permanezca vinculada a las afirmaciones a lo largo del flujo de trabajo.
• La Ilusión de la Pseudo-Diversidad: Aumentar el número de agentes no garantiza un mejor desempeño si los errores están correlacionados. El "debate de texto libre" escala mal a menos que los agentes utilicen modelos, herramientas o fuentes de evidencia independientes.
• Durabilidad del Contexto: Los resultados de alta calidad son menos valiosos si el contexto subyacente es opaco o frágil. En flujos de trabajo legales e de ingeniería, un resultado con una calidad ligeramente inferior pero con una fuerte preservación de la evidencia y trazas inspeccionables es, a menudo, un resultado organizacional superior.

Significación y Reivindicaciones
El artículo afirma contribuir a los estudios de organización al teorizar la IA agéntica como un objeto de análisis distinto: un objeto emergente de organización. No pretende que la IA agéntica reemplace a las organizaciones humanas ni que posea una agencia de tipo humano. En cambio, especifica las condiciones de interfaz requeridas para la colaboración humano-agente.

La principal significación reside en el concepto de la Organización de Interfaz: el arreglo diseñado que alinea la responsabilidad humana con la coordinación del contexto agéntico. El artículo argumenta que, para que la inteligencia colectiva emerja en los flujos de trabajo humano-agente, el sistema debe asegurar que los resultados de los agentes estén acompañados de trazas preservadas, incertidumbre divulgada y permisos apropiados. El trabajo desplaza el enfoque de la "calidad del modelo" hacia el "diseño organizacional", sugiriendo que la eficiencia de la IA agéntica depende menos de la capacidad bruta de los modelos individuales y más de cómo se gestiona, preserva y transfiere el contexto a través del colectivo.