WebAnything copia por sí solo 244 sitios web para entrenar agentes web

Para enseñar a un agente de IA a usar sitios web, hace falta un terreno donde pueda hacer clic, equivocarse y empezar de cero. Internet en vivo no sirve para eso: el estado no se puede reiniciar, el resultado no se puede repetir y un clic de más puede formalizar un pedido real. Investigadores de Nanyang Technological University y de la empresa Shanghai Qiji Zhifeng han presentado WebAnything. El sistema toma la dirección de un sitio y construye por sí solo su copia local funcional, sin ajustes manuales para cada sitio. Por ahora la colección incluye 244 copias de este tipo en 14 áreas y 53 categorías. En ellas se han aceptado 12 984 tareas verificadas para agentes.

Por qué fallan los métodos existentes

Los autores describen tres enfoques, y cada uno tiene su punto débil.

• Copias hechas por personas. Son precisas y controlables, pero cada sitio exige un trabajo de ingeniería aparte. Un ejemplo es WebHarbor, donde las copias las hacen personas junto con un agente de programación.
• Generación de un sitio a partir de una descripción. Escala bien, pero el resultado puede alejarse del sitio real.
• Grabación y reproducción. La apariencia se conserva, pero el agente no puede salirse de lo que se llegó a grabar.

WebAnything intenta tomar lo mejor de cada uno: automatización, fidelidad al original y libertad de acción.

Un agente construye, otro verifica

El sistema no ve el código del servidor del sitio, solo lo que muestra el navegador. El primer agente de IA, la pareja Explorer–Builder, recorre las páginas y reúne evidencias: la estructura de la página, los estilos, la geometría de los elementos, las capturas de pantalla, las fuentes y las imágenes. Lo principal de la recopilación son los registros «antes y después» de cada acción. Un menú cerrado y un menú desplegado en la misma dirección cuentan como estados distintos. Con esos datos, el agente escribe el código: páginas, rutas y transiciones entre estados.

Después entra en acción el segundo agente de IA, un verificador independiente. Recibe la versión congelada y, en una sesión aparte, vuelve a recorrer las páginas, los elementos, los escenarios y el guardado de datos. Compara el resultado con los registros del original. No puede modificar el código; eso solo lo hace el constructor.

Cada discrepancia detectada sigue uno de dos caminos:

• Si hay datos suficientes y la copia se equivocó, el constructor recibe una descripción exacta: qué se hizo, qué se esperaba y qué se obtuvo. Luego corrige el código de forma local.
• Si faltan datos, el sistema vuelve al original y recopila lo que falta.

Tras cualquier corrección, la versión se congela y se verifica de nuevo. Un ejemplo del artículo: en Figma, el campo de comentarios sobre el lienzo aparecía en un lugar incorrecto y con otro aspecto. El constructor cambió el marcado y los estilos, y el verificador confirmó la posición y la visibilidad.

La copia terminada se entrega con datos iniciales fijos, reinicio del estado y verificación del resultado. Se puede ejecutar tantas veces como se quiera.

Qué muestran las mediciones

En los 85 sitios de la colección histórica no se registra implementación manual, depuración ni reparación por sitio. Solo hacen falta la configuración inicial y la autorización. Los autores contabilizaron el coste de las llamadas al modelo para 84 sitios y presentan el total como un límite inferior.

La calidad se comparó con WebHarbor en cinco sitios y 14 estados de página. WebAnything ganó en las tres métricas automáticas: coincidencia de píxeles, similitud estructural SSIM y precisión textual Text F1. En la evaluación a ciegas de tres anotadores hubo 12 victorias, dos empates y ninguna derrota. Por separado, se revisaron 18 discrepancias en seis sitios, y todas fueron confirmadas y corregidas.

La utilidad para el entrenamiento se probó con el modelo Qwen3.5-9B. Se ajustó con 5 856 trayectorias (60 517 ejemplos paso a paso, 473 pasos de entrenamiento). Mejora en tres pruebas externas:

• REAL, prueba sobre copias controladas de sitios: +9,9 p. p. de tareas exitosas.
• Odysseys-Easy: +6,25 p. p. en la rúbrica de evaluación y +6,32 p. p. en la proporción de tareas completadas.
• WebArena-Verified: +13,33 p. p. de éxito global.

Las 6 812 tareas nuevas en 229 sitios no se utilizaron en este ajuste.

Qué aporta en la práctica

Para los equipos que construyen agentes web, lo esencial es que las copias de sitios dejan de ser un trabajo manual. Antes, un escenario de «cien tiendas, bancos y gestores de tareas distintos» chocaba con las horas de trabajo humano. Ahora es una cuestión de presupuesto para llamadas al modelo.

También hay limitaciones. El sitio se copia dentro del alcance declarado. La lógica oculta del servidor solo se reconstruye a partir del comportamiento observable. La mejora se midió en un único modelo pequeño y con una infraestructura de agente fija. Eso no garantiza el mismo efecto en otros modelos ni en otras tareas.