ArcticSwarm: La arquitectura de Snowflake que obliga a las IA a pensar por sí solas y logra un 86,4% de precisión

El experimento que lo cambió todo: el chat libre es el enemigo de la diversidad

Para comprobar si este enfoque de aislamiento funcionaba en la práctica, Snowflake llevó a cabo un estudio de ablación sobre un subconjunto de 120 preguntas de la prueba BrowseComp . Se probaron tres configuraciones: el Tablón de Anuncios Controlado de ArcticSwarm, la mensajería libre y sin restricciones entre agentes, y ejecuciones de un solo agente independiente .

Los resultados validaron la arquitectura de forma contundente. La mensajería libre entre pares colapsó de inmediato la diversidad de evidencias. Se observó una enorme superposición (alto índice de Jaccard) entre los conjuntos de páginas web consultadas por los distintos agentes. En lugar de repartirse la carga de trabajo para cubrir más terreno, los agentes convergían en las mismas páginas, persiguiendo la misma pista inicial como una jauría sin coordinación. Lo más importante es que el Tamaño Efectivo de la Muestra (ESS, por sus siglas en inglés) —una métrica que indica cuántos investigadores genuinamente distintos emula el sistema— fue significativamente mayor cuando la barrera de lectura estaba activa. El aislamiento forzó una exploración diversa que el chat libre destrozó .

Resultados en los benchmarks: BrowseComp y BrowseComp-Plus

El diseño de ArcticSwarm se traduce en ganancias de rendimiento masivas. En la propia prueba interna híbrida de investigación profunda de Snowflake, ArcticSwarm alcanzó una precisión del 64,18 %, frente a una línea base de solo el 47,08 % para configuraciones de un único agente, lo que supone una mejora de más de un tercio .

Sus resultados en pruebas de rendimiento públicas son aún más impresionantes. En el conjunto completo de datos BrowseComp (1.266 preguntas), el rendimiento se estratificó drásticamente en función del nivel de consenso alcanzado durante la fase de revisión :

• Cuando los hallazgos fueron VERIFICADOS tanto por un agente 'constructor' como por un 'revisor' dedicado, la precisión se disparó hasta un 86,4 %.
• Con solo la revisión del constructor, la tasa cayó al 70,9 %.
• Únicamente con un revisor dedicado, fue del 66,1 %.
• Y cuando no existía ningún consenso de revisor, la precisión se desplomaba a un escaso 35,3 %.
  Esta estratificación demuestra que la calidad de la fase de revisión posterior es tan crucial como el aislamiento inicial. No basta con investigar por separado; la puesta en común debe ser igual de rigurosa.

Para poner estas cifras en contexto: en el benchmark BrowseComp original, modelos de lenguaje estándar como GPT-4o y GPT-4.5 lograron una precisión casi nula (0,6 %–0,9 %). El modelo especializado en razonamiento de OpenAI, o1, mejoró hasta aproximadamente un 10 %. El agente especializado en navegación OpenAI Deep Research alcanzó una precisión del ~51,5 % .

En el banco de pruebas más controlado BrowseComp-Plus, las configuraciones más potentes de la competencia son GPT-5 emparejado con el recuperador de información Qwen3-8B, que alcanza un 70,12 % de precisión, y o3, que llega al 63,49 % . El 86,4 % de ArcticSwarm en el subconjunto más duro, verificado por partida doble, pulveriza claramente estos registros de referencia .

Del laboratorio a la empresa: CoWork Deep Research

Estos conceptos no se quedarán en artículos de investigación académica. Snowflake está integrando la metodología anti-pensamiento-de-grupo de ArcticSwarm en su plataforma empresarial a través del Modo de Investigación Profunda de Snowflake CoWork . Esta integración está diseñada para que los profesionales del conocimiento puedan ejecutar análisis seguros y de alta confianza directamente dentro del entorno de datos gobernados de Snowflake. El flujo de trabajo se apoya en tres capacidades clave :

• Artefactos: Resultados persistentes y con control de versiones, como informes, código y análisis, que todo el equipo puede compartir e inspeccionar. No más documentos perdidos en el correo electrónico; un historial vivo de las decisiones basadas en datos.
• Memoria de Usuario: Un motor de contexto persistente que retiene las preferencias del usuario y los patrones de investigación anteriores a lo largo de diferentes sesiones para mejorar las consultas futuras. El sistema recuerda qué busca y cómo lo busca para no empezar de cero cada vez.
• Cortex Sense: Una capa de conciencia contextual que automáticamente pone a disposición del agente de investigación activo los activos de datos internos relevantes, los esquemas de bases de datos y los análisis previos. Es como tener un bibliotecario ultraeficiente que te acerca los documentos que necesitas antes de que los pidas.

Para los usuarios empresariales, esto significa que la capacidad de ArcticSwarm para resistir el sesgo de confirmación se puede aplicar a la compleja combinación de consultas SQL a bases de datos estructuradas y la navegación por documentos internos no estructurados. De esta forma, las respuestas que llegan a un responsable humano han sobrevivido a una verificación cruzada, rigurosa e independiente, garantizando que las decisiones críticas se tomen sobre el terreno más firme posible.