Work Agents: 16 investigadores crean un sistema de coordenadas común para los agentes de IA

Un equipo de 16 investigadores ha publicado la revisión Work Agents: Systems, Capabilities, and Optimization (arXiv 2610.35845). Sus autores intentan responder a una pregunta que hoy preocupa a todos los que despliegan agentes: cómo lograr que una tarea delegada llegue a un resultado verificable. Entre los autores están Zishan Xu, Enjun Du, Mingqi Gao, Cheng Yang, Junhao Shen, Difan Zou y Weiwen Liu. El artículo reunió 15 upvotes en Hugging Face Daily Papers y va acompañado de una página de proyecto y del repositorio de GitHub awesome-working-agent, con un compendio de la bibliografía.

El agente como sistema, no como modelo

La tesis de partida es que los modelos foundation han pasado de generar información a ejecutar trabajo digital. Los agentes se mueven entre herramientas, aplicaciones y flujos de trabajo. Sin embargo, según los autores, a la investigación le falta una visión unificada de cómo un agente cumple de forma fiable lo que se le encarga.

Proponen considerar el work agent como un sistema de dos partes: un modelo foundation y un runtime harness, es decir, la capa de software que envuelve al modelo y en la que este se ejecuta. El agente resuelve las tareas en un stateful workspace, un espacio de trabajo con estado persistente, y al final debe entregar un resultado verificable. De ello se deduce que la fiabilidad no depende solo de los pesos del modelo, sino también de cómo están diseñadas la memoria, las herramientas, el control de los pasos y la aceptación del resultado.

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

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

• Work persistence: hasta qué punto el trabajo es prolongado y se apoya en un estado persistente entre pasos y sesiones.
• Work openness: hasta qué punto el entorno es abierto e impredecible, en lugar de estar limitado a un conjunto de acciones conocido de antemano.

Según el volumen y la organización de las tareas, el trabajo digital se divide en cinco formas. Sobre esta clasificación se construye una lista de cinco familias de capacidades necesarias para una ejecución fiable. Con ellas se obtiene un vocabulario común que permite comparar un agente para una operación puntual en una aplicación cerrada con otro que lleva un proyecto durante semanas en un entorno abierto.

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

Una parte aparte de la revisión se dedica a cómo mejorar los agentes. Los autores analizan tres vías:

• Model optimization: ajuste fino y mejora del propio modelo.
• Harness optimization: configuración del harness, es decir, cómo se estructura el agente alrededor del modelo y cómo interactúa con el espacio de trabajo.
• Joint optimization: ajuste conjunto del modelo y del harness.

Esta separación resulta útil en la práctica. Los equipos suelen atribuir el progreso de un agente a un modelo nuevo, cuando la mejora pudo venir de un harness reconstruido, y viceversa. Si se optimizan ambas partes a la vez, sus dependencias mutuas se tienen en cuenta de forma explícita.

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 verosimilitud de la respuesta, sino si la tarea se ha resuelto y si eso se puede comprobar. Para las empresas esto es fundamental: el cliente paga por un informe terminado, un ticket cerrado o un código que funciona, no por una cadena de razonamiento vistosa.

La sección sobre el futuro señala tres líneas:

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

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

Cómo usar este marco al elegir un stack de agentes

La revisión no ofrece un benchmark listo para usar, pero sí una lista de verificación para el diseño y las compras. Antes de comparar agentes por rankings, conviene responder a varias preguntas:

• ¿Cuánto dura su trabajo y dónde se almacena su estado?
• ¿Hasta qué punto es abierto el entorno: un conjunto fijo de API o aplicaciones y sitios web arbitrarios?
• ¿Qué parte de su agente corresponde al modelo y cuál al harness, y cuál de las dos puede modificar usted?
• ¿Con qué resultado verificable da usted el trabajo por aceptado?

Los equipos que respondan a estas preguntas antes de elegir el modelo tienen más probabilidades de ver dónde falla realmente la fiabilidad del agente y no buscarán la causa de los fallos donde no está.