Work Agents: 16 investigadores construyen un sistema de coordenadas unificado para agentes de IA

Un equipo de 16 investigadores publicó el estudio Work Agents: Systems, Capabilities, and Optimization (arXiv 2610.35845). Sus autores intentan responder a una pregunta que hoy preocupa a todo el que implementa agentes: cómo lograr que una tarea delegada llegue realmente a un resultado verificable. Entre los autores figuran Zishan Xu, Enjun Du, Mingqi Gao, Cheng Yang, Junhao Shen, Difan Zou y Weiwen Liu. El artículo obtuvo 15 votos positivos en Hugging Face Daily Papers y viene acompañado de una página de proyecto y un repositorio en GitHub, awesome-working-agent, con un resumen de la bibliografía.

Un agente como sistema, no como modelo

La tesis de partida es que los modelos foundation pasaron de generar información a ejecutar trabajo digital. Los agentes atraviesan herramientas, aplicaciones y flujos de trabajo. Sin embargo, según los autores, la investigación carece de una mirada unificada sobre cómo un agente cumple de forma confiable lo que se le encarga.

Proponen ver al work agent como un sistema compuesto por dos partes: un modelo foundation y un runtime harness, es decir, el entramado de software en el que se ejecuta el modelo. El agente resuelve tareas en un stateful workspace, un espacio de trabajo con estado persistente, y al final debe entregar un resultado verificable. Así, la confiabilidad no depende solo de los pesos del modelo, sino de cómo están organizados la memoria, las herramientas, el control de pasos y la aceptación del resultado final.

Dos ejes, cinco formas de trabajo y cinco familias de capacidades

Para describir las condiciones en las que trabaja un agente, los autores introducen dos dimensiones:

• Work persistence — cuán prolongado es el trabajo y en qué medida depende de un estado que se conserva entre pasos y sesiones.
• Work openness — cuán abierto e impredecible es el entorno, en lugar de estar limitado a un conjunto de acciones predefinido.

Según el volumen y la organización de las tareas, el trabajo digital se divide en cinco formas. Sobre esta clasificación se construye un listado de cinco familias de capacidades necesarias para una ejecución confiable. Juntas establecen un vocabulario común: ahora se puede comparar a un agente que realiza una operación puntual en una aplicación cerrada con otro que gestiona un proyecto durante semanas en un entorno abierto.

Dónde optimizar: el modelo, el harness o ambos a la vez

Otra parte del estudio se dedica a cómo mejorar a los agentes. Los autores distinguen tres direcciones:

• Model optimization — ajuste y mejora del propio modelo.
• Harness optimization — ajuste del harness: cómo está construido el agente alrededor del modelo y cómo interactúa con el espacio de trabajo.
• Joint optimization — ajuste conjunto del modelo y el harness.

Esta distinción es útil en la práctica. Los equipos suelen atribuir el progreso de un agente a un nuevo modelo, cuando la mejora en realidad vino de un harness rediseñado, y viceversa. Optimizar ambas partes a la vez hace explícitas sus dependencias mutuas.

Evaluación según el resultado del trabajo

Los autores analizan los métodos de evaluación y las métricas desde la perspectiva de los work outcomes, es decir, los resultados del trabajo realizado. Lo que hay que medir no es la plausibilidad de una respuesta, sino si la tarea quedó resuelta y si eso se puede verificar. Para el negocio esto es clave: el cliente paga por un informe terminado, un ticket cerrado o un código que funciona, no por una cadena de razonamiento elegante.

En la sección sobre el futuro se mencionan tres direcciones:

• delegación sostenida de trabajo en horizontes largos (sustained work delegation);
• adaptación a entornos abiertos;
• la interacción entre la ejecución del trabajo y el crecimiento de las capacidades del agente.

Este último punto resulta interesante porque un agente, al realizar tareas, puede acumular experiencia por sí mismo y mejorar, y la agenda de investigación trata la ejecución y el aprendizaje como procesos vinculados.

Cómo usar este marco al elegir un stack de agentes

El estudio no ofrece un benchmark listo para usar, pero sí una lista de verificación para el diseño y la compra de agentes. Antes de comparar agentes por rankings, conviene responder algunas preguntas:

• ¿Cuán prolongado es su trabajo y dónde se almacena su estado?
• ¿Cuán abierto es el entorno: un conjunto fijo de APIs o aplicaciones y sitios arbitrarios?
• ¿Qué en su agente corresponde al modelo y qué al harness, y qué parte pueden modificar realmente?
• ¿Con qué resultado verificable aceptan el trabajo como terminado?

Los equipos que respondan a estas preguntas antes de elegir un modelo tienen más probabilidades de ver exactamente dónde se rompe la confiabilidad del agente, en lugar de buscar la causa en el lugar equivocado.