Una tarea, en cierto sentido arriesgado porque el campo de los agentes y la 'Agentic AI', y de los modelos generativos en que se basan, se encuentra en medio de tal efervescencia, de tan acelerada evolución, que cualquier tendencia que se apunte puede ser superada en breve o pueden surgir nuevos campos y direcciones relevantes en cualquier momento.
De todas formas, la fuente en que nos basamos esta publicada en 2025, apenas cuatro meses de la escritura de este post, así que podemos darle un voto de confianza en cuanto a actualidad.
Hecha esta observación comencemos por las líneas de investigación y tendencias.
Investigación y tendencias
Los autores se centran, únicamente, en tres tendencias o líneas de trabajo, a saber:
- Inteligencia multimodal: que la fuente citada marca como tendencia pero algo a lo que, realmente, ya llevamos asistiendo desde hace un tiempo, no específicamente en el campo de los agentes, sino en general e la IA generativa: Sin embargo, probablemente, continúe mejorando e incluyendo nuevas modalidades o nuevas combinaciones y, entre ellas, interpretación y descripción textual de imágenes, creación de imágenes o vídeos a partir de una descripción, respuesta a comandos vía voz o combinación de entradas multimodales (ejemplo, voz y texto) y creación de una salida adecuada.
- Comprensión lingüística avanzada: De nuevo un área que, aunque es tendencia, esta sujeta ya desde hace un tiempo a una clara mejoría. Quizá, algunos de los elementos más desafiantes puedan ser la incorporación del humor, la especialización en campos específicos (como medicina) y el incremento de la coherencia.
- Aprendizaje experiencial: enlazando con los avances en aprendizaje por refuerzo y que pueden proporcionar al agente mucha mayor autonomía. Así, se menciona el aprendizaje autónomo de nuevas habilidades, el comportamiento adaptativo basado en aprendizaje a partir de pasados errores, la aplicación de estas ideas en robótica y videojuegos o la mejora en la capacidad de decisión gestionando la incertidumbre y añadiendo también la explicación de las decisiones adoptadas.
Retos
En cuanto a retos que deben abordar y superar los agentes, se nos identifican cuatro que, en concreto, son los siguientes:
- Manejo eficiente de grandes volúmenes de datos complejos: Un poco, de la misma forma que en analítica ('business intelligence') la disponibilidad de enormes cantidades de datos incluyendo los no estructurados unida a la exigencia de una respuesta más rápida generó la necesidad del big data, en materia de aprendizaje en algoritmos y agentes, la disponibilidad de enormes cantidades de datos complejos de los que se puede aprender, está llevando un poco al límite las capacidades técnicas actuales. Como alternativas a un aprendizaje, digamos 'masivo', se buscan técnicas como el transfer-learning (adaptando modelos ya pre-entrenados), el uso de ejemplo ejemplos ('few-shot prompting') y, quizá lo más interesante como tendencia y que ocupa el siguiente punto: el meta-aprendizaje.
- Meta-aprendizaje: Se trata, no tanto de hacer que un algoritmo aprenda a realizar tareas concretas sino de que 'aprenda a aprender'. En la referencia citada se menciona en este sentido MAML, 'Model-Agnostic Meta-Learning' un esquema que aborda diversas tareas como reconocimiento de imágenes o procesamiento de lenguaje.
- Explicabilidad: El problema de la explicabilidad de los algoritmos es ya un tema en cierto sentido clásico. En los casos en que nos ocupan, además, hablamos de decisiones complejas. Aparte de un eventual problema ético o incluso legal de la carencia de explicabilidad, esa falta de explicación también puede impactar en la confianza de los usuarios en los algoritmos o, en este caso, en los agentes,
- Fiabilidad y seguridad: En general, y como cualquier sistema, se trabaja para que los agentes sean más fiables y seguros, en el sentido no sólo de fallar menos sino, y sobre todo, de reaccionar adecuadamente ante posibles fallos o imprevistos. Eso conlleva la monitorización continua y la construcción de salvaguardas de todo tipo.
Algunas oportunidades
Finalmente, y aunque no se una forma exhaustiva, sino más bien con intenciones ilustrativas, los autores nos proponen algunas oportunidades sobre cómo hacer evolucionar y usar los agentes
Así, nos proponen, por ejemplo, una interacción con humanos más natural que incluya, aparte de mejoras en el tratamiento del lenguaje verbal, el incluir el reconocimiento de gestos o expresiones en la línea de lo que ya se viene haciendo en la disciplina del Human-Robot Interaction de la que ya nos hemos ocupado y seguiremos ocupando en este blog.
Conclusiones
Como decía en el inicio del post, proporcionar un panorama estable de las tendencias, retos y oportunidades en materia de inteligencia artificial, y más aún, de 'Agentic AI' es un desafío casi imposible puesto que apuntamos a un blanco móvil... y que se mueve, además, a gran velocidad.
No obstante, las tendencias, retos y oportunidades mencionados pueden ofrecer una panorámica, cuando menos, ilustrativa e interesante.
*****
Y con este post cierro esta serie dedicada a hablar de agentes. No quiere ello decir, ni muchísimo menos, que no vaya a tratar el tema de agentes en el futuro. Lo haré, estoy segur, y además seguro que en breve, y seguro también que, en abundancia, pero ya será con otras fuentes y otros enfoques.
Artículos de este blog relacionados
- Hablemos de agentes (X): consideraciones éticas y de seguridad
- Hablemos de agentes (IX): entorno, memoria y contexto
- Hablemos de agentes (VIII): el modelo CWD para sistemas multiagente
- Hablemos de agentes (VII): algoritmos de planificación
- Hablemos de agentes (VI): herramientas
- Hablemos de agentes (V): reflexión e introspección
- Hablemos de agentes (IV): sistemas multi-agente
- Hablemos de agentes (III): arquitecturas reactivas, deliberativas e híbridas
- Hablemos de agentes (II): auto-gobierno, agencia y autonomía
- Hablemos de agentes (I): concepto, contexto y tres características esenciales
