Sakana lanza Fugu: sistema multi-agente que compite con modelos frontera

¿Qué ha ocurrido?

El 20 de junio de 2025, Sakana AI, startup fundada por el exinvestigador de Google Brain David Ha, lanzó Fugu (nombre japonés para 'pez globo'), un sistema de orquestación multi-agente que ofrece rendimiento de nivel frontera a través de una API compatible con OpenAI. Fugu no es un modelo monolítico, sino un orquestador que descompone tareas complejas, las delega a un grupo intercambiable de modelos especializados, verifica su trabajo y sintetiza el resultado final. El sistema se apoya en dos investigaciones previas de Sakana: TRINITY y el modelo Conductor.

El lanzamiento ocurre apenas ocho días después de que Anthropic retirara el acceso público a sus modelos más potentes, Claude Mythos 5 y Claude Fable 5, tras una orden de control de exportaciones del gobierno estadounidense. Esta orden, emitida por la Oficina de Industria y Seguridad (BIS) del Departamento de Comercio, citó preocupaciones de seguridad nacional al restringir la exportación de modelos de IA con capacidades de doble uso. David Ha declaró en X: "Fugu demuestra que un grupo bien orquestado de agentes intercambiables puede igualar a modelos restringidos como Fable y Mythos. Depender del modelo de una sola empresa para infraestructura nacional es un riesgo masivo. La inteligencia colectiva es la cobertura práctica contra esta concentración de poder."

Históricamente, la industria de IA ha seguido una trayectoria de escalamiento de modelos monolíticos, desde GPT-3 hasta GPT-4, y luego a modelos como Claude 3 Opus. Sin embargo, los costos de entrenamiento y la dependencia de un solo proveedor han generado vulnerabilidades. Fugu representa un giro hacia la orquestación, un concepto que recuerda a los sistemas multi-agente de la década de 1990, pero con la potencia de los LLMs modernos. Sakana AI ha publicado benchmarks internos que muestran a Fugu Ultra superando a GPT-4o en tareas de razonamiento complejo y a Claude Fable 5 en benchmarks de tareas agénticas como SWE-bench y AgentBench. Sin embargo, estos resultados no han sido verificados de forma independiente por terceros, lo que introduce un elemento de incertidumbre.

¿Por qué es importante?

Fugu representa un cambio de paradigma: en lugar de escalar modelos cada vez más grandes, Sakana apuesta por la orquestación inteligente como la próxima frontera. El sistema ofrece dos variantes: Fugu, optimizado para baja latencia en tareas cotidianas, y Fugu Ultra, para cargas de trabajo complejas. Al abstraer la complejidad multi-agente tras un endpoint estándar, los desarrolladores pueden integrar IA de alto rendimiento sin depender de un solo proveedor, mitigando riesgos de bloqueo por regulaciones geopolíticas o cambios empresariales.

Además, Fugu iguala el rendimiento de modelos frontera como Claude Fable 5 en benchmarks de tareas agénticas, según Sakana, lo que cuestiona la necesidad de modelos monolíticos y abre la puerta a ecosistemas de IA más resilientes y descentralizados. Este enfoque se alinea con la tendencia creciente hacia la "IA componible", donde diferentes modelos se combinan para tareas específicas. Por ejemplo, en lugar de que un solo modelo maneje desde la generación de código hasta la escritura creativa, Fugu puede delegar la programación a un modelo especializado en código (como CodeLlama) y la redacción a otro (como Claude 3.5 Sonnet), optimizando así la calidad y el coste.

El contexto geopolítico es crucial: las restricciones de exportación de EE.UU. han afectado no solo a Anthropic, sino también a OpenAI y Google, que han limitado el acceso a sus modelos más avanzados en ciertos países. Fugu ofrece una vía para sortear estas restricciones al no depender de un único modelo subyacente. Sin embargo, la opacidad del sistema genera dudas: Sakana no revela qué modelos específicos utiliza ni cómo los coordina, lo que dificulta la auditoría y la transparencia. Los críticos señalan que la dependencia de un orquestador privado podría trasladar el riesgo de un proveedor a otro, y que la falta de visibilidad sobre los modelos subyacentes podría generar problemas de sesgo o seguridad no detectados.

Consecuencias para el mercado

Para las empresas, Fugu ofrece una alternativa viable ante la incertidumbre regulatoria: si un modelo se vuelve inaccesible, el sistema puede redirigir las tareas a otros modelos del pool. Esto es especialmente relevante para compañías que operan en múltiples jurisdicciones o que necesitan cumplir con normativas de soberanía de datos, como el GDPR en Europa o la Ley de IA de la UE. Por ejemplo, una empresa europea que utiliza Fugu podría asegurarse de que los datos nunca salgan de la UE si el orquestador selecciona modelos alojados localmente.

Para los gobiernos, Fugu representa una herramienta para construir infraestructura de IA sin depender de proveedores extranjeros, un factor crítico en un contexto de crecientes tensiones geopolíticas. Países como Japón, Singapur y los Emiratos Árabes Unidos ya han mostrado interés en sistemas multi-agente para aplicaciones gubernamentales. Sin embargo, el coste podría ser un obstáculo: cada consulta a Fugu implica múltiples llamadas a APIs de modelos, lo que incrementa el gasto operativo en comparación con un modelo monolítico. Sakana no ha publicado precios oficiales, pero se espera que Fugu Ultra tenga un coste por token significativamente mayor.

El impacto en los proveedores de modelos también es significativo. Si Fugu demuestra ser fiable, podría reducir la dependencia de gigantes como OpenAI y Anthropic, fomentando un ecosistema más competitivo donde los modelos especializados (como los de Mistral, Cohere o Stability AI) ganen cuota de mercado. Esto podría acelerar la tendencia hacia modelos más pequeños y eficientes, como los modelos de lenguaje de código abierto (Llama 3, Mixtral), que son más fáciles de orquestar.

Sin embargo, la falta de transparencia sobre los modelos subyacentes y el coste potencial de usar múltiples APIs son puntos a considerar. Además, la dependencia de un orquestador privado introduce un nuevo punto de fallo: si Sakana AI sufre una interrupción o cambia su política de precios, los usuarios quedarían igualmente expuestos. Por ello, algunos analistas sugieren que la verdadera solución a largo plazo sería un estándar abierto de orquestación, similar a lo que fue HTTP para la web.

Qué deben saber los lectores

• No es un modelo fundacional: Fugu es un sistema de orquestación que coordina múltiples modelos, no un modelo único. Esto lo diferencia de ofertas como GPT-4o o Claude 3.5.
• Rendimiento comparable: Según Sakana, iguala a Claude Fable 5 en benchmarks de tareas agénticas, aunque los resultados independientes son limitados. Los benchmarks internos muestran mejoras del 12% en SWE-bench frente a GPT-4o, pero falta validación externa.
• Casos de uso: Ideal para empresas que buscan resiliencia ante cambios regulatorios o que necesitan alta calidad sin atarse a un solo proveedor. También útil para startups que quieren acceder a modelos frontera sin pagar suscripciones directas.
• Limitaciones: La falta de transparencia sobre los modelos subyacentes, el coste potencial de usar múltiples APIs, y la latencia adicional por la orquestación son puntos a considerar. Además, la dependencia de un orquestador privado podría replicar los problemas de vendor lock-in.

"La orquestación de modelos es la próxima frontera, más allá de los modelos más grandes. La inteligencia colectiva es la cobertura práctica contra la concentración de poder." — David Ha, CEO de Sakana AI

En resumen, Fugu es una apuesta audaz que aborda problemas reales de dependencia y regulación, pero su éxito dependerá de la transparencia, el coste y la adopción por parte de la comunidad empresarial. Los próximos meses serán cruciales para ver si la orquestación multi-agente se convierte en el estándar de la industria o si queda como una solución de nicho.