La IA ya aprende a organizarse sola: el avance que podría transformar la automatización para siempre

La IA multiagente suele asociarse con sistemas en los que distintos agentes colaboran para resolver una tarea: uno recopila información, otro la analiza, un tercero toma una decisión y otro ejecuta una acción. Pero, en la mayoría de las implementaciones actuales, las personas siguen definiendo de antemano cómo se distribuye el trabajo.

Una investigación de Sakana AI propone explorar un paso adicional. Su método, denominado MASS (Multi-Agent Self-Supervision), permite que un modelo pruebe distintas formas de organizar equipos de agentes, evalúe los resultados y aprenda de las estrategias que funcionan mejor.

El avance todavía pertenece al ámbito experimental. No demuestra que una IA pueda rediseñar cualquier proceso empresarial sin supervisión ni que esta mejora pueda sostenerse indefinidamente. Sin embargo, abre una pregunta relevante para líderes y equipos de negocio: ¿qué pasaría si la automatización no solo ejecutara un workflow, sino que también aprendiera a mejorarlo?

Qué es MASS y por qué importa para la IA multiagente

En una automatización tradicional, el diseño del proceso suele ocurrir antes de poner el sistema en funcionamiento. Un equipo define los roles, las instrucciones, el orden de las tareas y las condiciones para avanzar. Después, los agentes siguen esa estructura con distintos grados de autonomía.

MASS plantea que el propio modelo participe en una parte de ese diseño. Para hacerlo, combina tres funciones:

• Ejecutar tareas concretas.
• Proponer distintas formas de organizar el trabajo entre agentes.
• Evaluar los resultados y seleccionar las alternativas más efectivas.

La propuesta se apoya en la idea de mejora recursiva: un sistema utiliza sus capacidades actuales para generar una versión mejorada, que luego puede participar en otro ciclo de optimización.

Aplicado a equipos de agentes, esto significa que el aprendizaje no se limita a encontrar una respuesta correcta. El modelo también puede aprender cómo dividir un problema, qué tareas conviene ejecutar en paralelo, cuándo hace falta verificar una información y cómo intercambiar resultados entre los distintos participantes.

Esa diferencia es importante porque el workflow deja de ser únicamente una serie fija de instrucciones. Se convierte en un objeto que el sistema puede experimentar, comparar y ajustar bajo determinados criterios.

Cómo funciona el ciclo de aprendizaje

El proceso descrito en la investigación puede resumirse en cuatro etapas.

1. Recibir un objetivo

El sistema parte de una tarea de investigación o resolución de problemas. No se trata solamente de responder una pregunta, sino de alcanzar un resultado que puede requerir varias operaciones coordinadas.

2. Diseñar y probar workflows

El modelo propone diferentes distribuciones de roles, instrucciones y secuencias. Algunas tareas pueden asignarse a agentes especializados; otras pueden ejecutarse de forma simultánea o requerir una instancia adicional de revisión.

3. Evaluar y seleccionar

Las ejecuciones se comparan con criterios definidos para la tarea. El sistema selecciona los resultados y las estructuras de colaboración que considera más efectivos dentro de la evaluación realizada.

4. Aprender y repetir

Las experiencias se utilizan para actualizar el modelo. Luego comienza un nuevo ciclo con lo aprendido, buscando mejorar tanto la ejecución como la capacidad de diseñar y evaluar nuevos workflows.

La investigación exploró este enfoque en actividades vinculadas con programación, análisis cuantitativo y elaboración de informes. Los autores reportaron mejoras en eficiencia y en comparaciones con el modelo base en determinados benchmarks, pero esas métricas corresponden a evaluaciones experimentales. No son garantías de mejora para cualquier empresa, proceso o aplicación.

Qué podría cambiar en la automatización empresarial

Hoy existen herramientas que permiten conectar aplicaciones, definir condiciones y coordinar tareas mediante workflows. La inteligencia artificial puede ayudar a construir o ejecutar esos procesos, pero la estructura general todavía suele depender de una decisión humana previa.

Un caso posible es la calificación de prospectos comerciales. Un equipo podría definir una secuencia que incluya recibir un lead, investigar su empresa, analizar su perfil, hacer preguntas, asignar una calificación y registrar el resultado en un CRM.

En un sistema inspirado en el enfoque de MASS, la IA podría probar distintas formas de distribuir esas actividades. Podría comparar, por ejemplo:

• Si conviene investigar la empresa antes o después de hacer las preguntas de calificación.
• Qué tareas pueden ejecutarse en paralelo sin perder precisión.
• En qué casos hace falta una verificación adicional.
• Qué pasos generan información redundante o aumentan la probabilidad de error.
• Cuándo corresponde derivar el caso a una persona.

Con suficiente evidencia y controles adecuados, el sistema podría aprender qué organización resulta más conveniente para cada tipo de oportunidad. La automatización pasaría de seguir un proceso definido una vez a ajustar su forma de trabajar a partir de resultados observados.

De todos modos, esta aplicación a workflows comerciales es un escenario futuro basado en la dirección de la investigación. MASS no es una función comercial integrada, por sí misma, en las plataformas de automatización mencionadas en el documento de referencia.

El desafío de evaluar el propio trabajo

La autonomía también introduce riesgos. En MASS, el modelo participa en la ejecución, la optimización y la evaluación. Esa combinación puede acelerar el aprendizaje, pero genera una posibilidad problemática: que el sistema seleccione resultados incorrectos y termine reforzando sus propios errores.

Si el criterio de evaluación es incompleto, una respuesta que parece eficiente podría ser poco confiable. Por ejemplo, un workflow podría reducir la cantidad de pasos, pero omitir una verificación necesaria. También podría producir una salida convincente, aunque basada en información mal interpretada.

Por eso, un sistema de este tipo necesitaría controles que no dependan exclusivamente de su propio juicio. Entre las precauciones relevantes se encuentran:

• Evaluaciones independientes y criterios de calidad definidos antes de ejecutar.
• Permisos delimitados según el riesgo de cada acción.
• Registros auditables de decisiones, instrucciones y cambios en el workflow.
• Intervención humana en operaciones sensibles.
• Mecanismos para detener, corregir o revertir acciones.
• Pruebas separadas para medir precisión, costo, velocidad y cumplimiento de reglas.

Estas condiciones son especialmente importantes cuando los agentes pueden modificar bases de datos, enviar comunicaciones, ejecutar operaciones financieras o tomar decisiones con impacto sobre clientes y empleados.

La autonomía no equivale a confiabilidad. Un sistema puede organizarse de manera más sofisticada y, aun así, necesitar límites claros, supervisión y una forma de explicar por qué eligió un camino determinado.

Qué deberían analizar los equipos de negocio hoy

Aunque una tecnología como MASS todavía no esté lista para trasladarse directamente a cualquier operación, su lógica ofrece algunos criterios útiles para evaluar proyectos de automatización.

Primero, conviene definir el problema antes que la herramienta. El equipo debería especificar qué resultado busca, qué restricciones no se pueden romper y cómo se va a medir si el proceso mejora.

Segundo, es importante separar las tareas que pueden automatizarse de las decisiones que requieren criterio humano. No todas las etapas de un flujo tienen el mismo nivel de riesgo ni deberían contar con los mismos permisos.

Tercero, hay que trabajar con información real de la operación: documentos, reglas, conversaciones, excepciones y criterios de derivación. Un workflow que funciona en una demostración controlada puede comportarse de otra manera frente a datos incompletos o situaciones ambiguas.

Por último, la mejora debería implementarse de forma gradual. Antes de permitir que un sistema cambie su propia organización, conviene observar sus resultados, registrar los desvíos y validar cada ajuste con el equipo responsable.

Una dirección posible para los agentes autónomos

La investigación de Sakana AI suma una dimensión a la evolución de los agentes: no solo darles herramientas, contexto y acceso a aplicaciones, sino explorar si pueden aprender mejores formas de colaborar.

El camino entre un experimento y una solución confiable todavía es largo. Hace falta comprobar cómo se comportan estos métodos en procesos reales, con datos cambiantes, reglas de negocio, excepciones y responsabilidades concretas.

Para empresas que tienen un cuello de botella específico, la prioridad no debería ser adoptar autonomía por novedad. Lo más útil es identificar una operación concreta, definir una métrica, diseñar un alcance controlado y medir antes de ampliar.

En ese tipo de proyectos, Soluciones a medida UAMI trabaja bajo el enfoque Built to Solve: parte de un problema operativo, diseña una solución entrenada con los procesos y reglas de la organización, la implementa sobre la operación real y mide su funcionamiento antes de escalar.

La pregunta central, entonces, no es si una IA puede organizarse sola en abstracto. Es qué parte de un proceso concreto puede mejorar, con qué límites y bajo qué evidencia. Esa perspectiva permite aprovechar los avances de la IA multiagente sin confundir una investigación prometedora con una garantía de automatización autónoma.