Nueva investigación: los agentes de IA aprenden a recordar mejor, elegir las herramientas correctas y gestionar información obsoleta
Los agentes de IA aprenden a recordar, elegir herramientas y descartar información antigua.
De máquinas de respuestas a sistemas actuantes
Durante las últimas semanas, el archivo arXiv se ha visto inundado de trabajos de investigación que, cada uno a su manera, apuntan hacia lo mismo: los agentes de IA se encuentran en un proceso de maduración técnica que transforma lo que estos sistemas realmente pueden hacer.
Ya no se trata de cuán bien un modelo responde correctamente. La pregunta ahora es: ¿puede el agente actuar correctamente, a lo largo del tiempo, en entornos complejos e impredecibles?
La memoria que lo decide todo
Una de las perspectivas más centrales trata sobre la memoria. Los investigadores detrás del punto de referencia MERIT demostraron en un estudio con más de 23.000 casos de prueba que la implementación correcta de memoria puede mejorar la tasa de éxito de un agente hasta en 60 puntos porcentuales. Los archivos de hechos estructurados y el resumen basado en IA funcionaron de manera estable, mientras que la búsqueda vectorial demostró ser impredecible. La conclusión es tajante: importa enormemente cómo un sistema recuerda, no solo si recuerda.
En paralelo, se presentó EdgeMem, un sistema que, en lugar de permitir que un gran modelo de lenguaje resuma memorias, preserva interacciones originales organizadas mediante una estructura de red multidimensional. El sistema encabezó una prueba comparativa contra siete soluciones competidoras, sin necesidad de invocar siquiera un modelo generativo durante la búsqueda.
Otro avance llegó con Fortunate Recall, que redujo a la mitad la proporción de respuestas fabricadas —de 24 a 12 por ciento— clasificando hechos personales en categorías con diferentes reglas de ciclo de vida. No toda la información es igualmente permanente, y ahora los sistemas de IA están comenzando a comprenderlo.
El marco RD-Forget fue un paso más allá: permite que los agentes olviden selectivamente información obsoleta ante preguntas actuales, mientras que la evidencia histórica se vuelve a poner a disposición cuando es necesario. Parece casi obvio. Pero para los sistemas de IA, hasta ahora ha sido un problema sin resolver.
La herramienta correcta, el momento correcto
La memoria es una cosa. La selección de herramientas es otra, y es igual de crucial. Un nuevo método llamado menú de ruta de búsqueda de estado demostró que un agente puede realizar tareas con 32 herramientas tan bien como con una lista de 128, siempre que las herramientas se presenten en el orden correcto con el contexto adecuado. La tasa de éxito en el punto de referencia ToolBench aumentó de 73,7 a 89,8 por ciento.
Además, se lanzó Diverse Skill Routing (DSR), que selecciona habilidades en función de la complementariedad en lugar de una simple clasificación por relevancia. La idea es simple pero potente: una tarea compleja no requiere más herramientas del mismo tipo, sino herramientas que cubran diferentes aspectos.
En la práctica, esto ya ha comenzado a producir resultados empresariales. Una empresa de arreglos para investigadores migró su sistema de atención al cliente a una arquitectura basada en agentes y vio la precisión en reservas aumentar de 8,3 a 89,1 por ciento, las alucinaciones estructuradas se eliminaron por completo y la necesidad de escalamiento humano casi se redujo a la mitad.
La autoconciencia como nueva capacidad
Posiblemente el desarrollo más emocionante es que los agentes de IA comienzan a evaluar su propia confiabilidad. Los métodos Latent Trajectory Dynamics y Action Representation Probe analizan el estado interno del agente durante una secuencia de interacción y pueden predecir si una tarea tendrá éxito, sin costo computacional adicional, sin nuevas instrucciones de indicación.
El marco ContractEval revela un problema relacionado: un agente puede entregar un resultado final correcto a pesar de haber omitido pasos decisivos en el camino. La evaluación tradicional pasa por alto esto. ContractEval hace posibles auditorías de procedimiento de manera sistemática.
Una pieza del rompecabezas igualmente importante es el punto de referencia AgentAudit, que analiza diez dimensiones diferentes de confiabilidad, desde la planificación hasta la seguridad. Los resultados fueron reveladores: modelos con capacidades similares de resolución de tareas pueden diferir drásticamente en cuán confiables son realmente. Claude Sonnet 5 obtuvo 95,1 de 100 puntos. Gemini 2.5 Flash obtuvo 22,6.
Aprendizaje sin reentrenamiento
Un hilo conductor a través de gran parte de la nueva investigación es la ambición de mejorar agentes sin entrenarlos desde cero. AutoFyn almacena experiencias en una memoria persistente y mejora el comportamiento ronda tras ronda, e identificó 16 vulnerabilidades de seguridad confirmadas en proyectos de software conocidos como Next.js y MetaMask. SCAFFOLD construye bibliotecas de habilidades reutilizables y mejoró la tasa de éxito en tres puntos de referencia web hasta en 17 puntos porcentuales.
El mensaje general es claro: los agentes de IA ya no aprenden solo a partir de ejecuciones de entrenamiento gigantescas. Aprenden de la experiencia, de los errores, los unos de los otros, y cada vez más de sí mismos.