💻 computer science

Agent Contracts: A Formal Framework for Resource-Bounded Autonomous AI Systems

El artículo presenta "Agent Contracts", un marco formal que extiende el protocolo de red de contratos para gobernar la ejecución de sistemas de IA autónomos mediante la unificación de especificaciones, restricciones de recursos y límites temporales, logrando una reducción significativa del uso de tokens y una coordinación jerárquica sin violaciones en la conservación de presupuestos.

Autores originales: Qing Ye, Jing Tan

Publicado 2026-03-26

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Qing Ye, Jing Tan

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que has contratado a un equipo de detectives de inteligencia artificial para resolver un caso complejo. Les das una misión: "Investiga este crimen y encuentra al culpable".

El problema es que estos detectives son muy eficientes, pero también son un poco desordenados y obsesivos. Si no les pones límites, podrían pasar 11 días investigando sin dormir, llamando a 500 testigos, comprando 100 mapas y gastando miles de dólares en su propia investigación, solo para descubrir que se equivocaron de calle desde el principio. De hecho, el artículo cuenta una historia real donde un equipo de IA gastó 47.000 dólares en una factura de API porque se quedó atrapado en un bucle infinito sin nadie que le dijera "¡Para!".

Este artículo propone una solución llamada "Contratos de Agente".

¿Qué es un "Contrato de Agente"?

Piensa en un Contrato de Agente no como un documento legal aburrido, sino como un "Kit de Supervivencia con Reglas Claras" que le entregas a tu detective antes de que salga a la calle.

En lugar de solo decirles qué hacer, el contrato les dice exactamente cómo y hasta dónde pueden llegar. Es como si le dieras a tu detective:

Un mapa de ruta (Entrada/Salida): "Aquí tienes el caso (entrada) y quiero que me traigas un informe escrito así (salida)".
Una tarjeta de crédito con tope (Recursos): "Tienes un presupuesto de 100 dólares y solo puedes hacer 5 llamadas telefónicas. Si gastas todo el dinero o haces 6 llamadas, el contrato se anula automáticamente".
Un reloj de arena (Tiempo): "Tienes 2 horas para resolver esto. Si el reloj llega a cero, te detienes, aunque no hayas terminado".
Una meta clara (Éxito): "El caso está resuelto cuando tienes el nombre del culpable y una foto. Si no tienes eso, no se considera un trabajo bien hecho".

La Magia: Las "Leyes de Conservación"

Aquí viene la parte más interesante. Imagina que el detective principal (el "Orquestador") necesita ayuda. Contrata a otros detectives más pequeños: uno para buscar en internet, otro para analizar documentos y otro para escribir el informe.

El problema es: ¿Cómo sabes que el detective principal no está gastando todo el dinero y dejando a los otros sin nada?

El artículo introduce las "Leyes de Conservación". Imagina que el presupuesto total es como una torta gigante.

El detective principal no puede repartir más trozos de torta de los que tiene.
Si le da un trozo de 20% al detective de internet, otro de 20% al de análisis y otro de 20% al de redacción, la suma de los trozos nunca puede superar el 100% de la torta original.
Si un detective pequeño se queda sin su trozo, no puede pedir más al principal. El sistema se detiene automáticamente para evitar que la "torta" se acabe y nadie pueda comer.

Esto evita que un equipo de IA se coma todo el presupuesto de la empresa por culpa de un solo agente descontrolado.

¿Funciona de verdad? (Los Experimentos)

Los autores probaron su idea con cuatro experimentos reales, como si fueran pruebas de choque para coches:

Evitar el "Gasto Infinito": En una prueba de revisión de código, los agentes con contrato gastaron un 90% menos de dinero (tokens) que los que no tenían contrato. ¡Y la variabilidad en el gasto bajó tanto que fue como si hubieran encontrado un superpoder de estabilidad!
Cero Violaciones: En un equipo de tres detectives trabajando juntos, ninguno rompió las reglas de la "torta". El sistema funcionó perfecto.
Calidad vs. Velocidad: Pudieron configurar el contrato para que el detective fuera "rápido y sucio" (urgente) o "lento y perfecto" (equilibrado). Así, los jefes pueden elegir: "¿Quiero la respuesta en 30 segundos o quiero que sea perfecta aunque tarde más?".

En Resumen

Hasta ahora, hemos construido coches de carreras (IA) muy potentes, pero sin frenos ni límites de velocidad. Este artículo nos da los frenos, el velocímetro y el manual de instrucciones para que podamos conducir esos coches de forma segura.

Los "Contratos de Agente" transforman a la IA de un "genio incontrolable que gasta todo tu dinero" en un empleado responsable que sabe exactamente cuánto puede gastar, cuánto tiempo tiene y cuándo debe parar. Es la diferencia entre dejar que un niño juegue con un mechero en una casa llena de papeles, y darle un mechero con un protector de seguridad y decirle: "Solo enciéndelo por 5 segundos".

Es la base para tener una Inteligencia Artificial que sea útil, predecible y, sobre todo, barata y segura.

1. El Problema: La Brecha de Gobernanza en la IA Autónoma

El artículo identifica una falla sistémica crítica en el despliegue actual de agentes de IA: la falta de mecanismos formales para limitar el consumo de recursos y la duración de las operaciones.

Contexto: A pesar de que los protocolos modernos (como Contract Net) estandarizan la conectividad e interoperabilidad, ninguno aborda la gobernanza normativa de los recursos.
Evidencia Empírica: Se cita un incidente de noviembre de 2025 donde un sistema multi-agente entró en un bucle de aclaración recursiva no detectado durante 11 días, generando una factura de API de $47,000. El sistema carecía de condiciones de parada, límites de presupuesto o monitoreo de costos en tiempo real.
Riesgo: Gartner predice que más del 40% de los proyectos de IA agéntica serán cancelados para 2027 debido a costos escalonados o controles de riesgo inadecuados. Los agentes actuales son capaces de operar de forma autónoma durante horas o días, pero los protocolos que los gobiernan no definen cuánto pueden consumir ni cuánto tiempo pueden operar.

2. Metodología: El Marco de "Agent Contracts"

Los autores proponen Agent Contracts (Contratos de Agente), un marco formal que extiende la metáfora del contrato desde la simple asignación de tareas hacia la gobernanza de recursos.

Definición Formal

Un Contrato de Agente ( $C$ ) se define como una tupla de siete elementos:
$C = (I, O, S, R, T, \Phi, \Psi)$

$I$ (Especificación de Entrada): Esquema y restricciones de los datos recibidos.
$O$ (Especificación de Salida): Esquema, criterios de calidad mínima ( $Q_{min}$ ) y formato de los entregables.
$S$ (Conjunto de Habilidades): Herramientas, funciones y dominios de conocimiento permitidos al agente.
$R$ (Restricciones de Recursos): Un presupuesto multidimensional que incluye:
- Tokens de LLM ( $r_{tok}$ ).
- Llamadas a API ( $r_{api}$ ).
- Iteraciones ( $r_{iter}$ ).
- Tiempo de cómputo ( $r_{cpu}$ ) y Costos externos ( $r_{cost}$ ).
$T$ (Restricciones Temporales): Marca de tiempo de inicio ( $t_{start}$ ) y duración máxima o tiempo de vida ( $\tau$ ).
$\Phi$ (Criterios de Éxito): Condiciones medibles ponderadas que deben cumplirse para considerar el contrato satisfecho.
$\Psi$ (Condiciones de Terminación): Eventos que finalizan el contrato independientemente del éxito (ej. agotamiento de recursos, cancelación externa).

Ciclo de Vida y Conservación

Estados: Los contratos transitan de DRAFTED (Borrador) a ACTIVE (Activo) y terminan en uno de cuatro estados: FULFILLED (Cumplido), VIOLATED (Violado), EXPIRED (Expirado) o TERMINATED (Terminado).
Leyes de Conservación: Para sistemas multi-agente, se establecen leyes de conservación que garantizan que la suma de los recursos asignados a los sub-agentes no exceda el presupuesto del agente padre: $\sum c(r)_j \leq B(r)$ . Esto permite la delegación jerárquica sin violaciones presupuestarias.

Mecanismos de Aplicación (Enforcement)

Dado que el consumo de tokens es estocástico y solo se conoce tras la llamada a la API, el marco utiliza dos capas:

Aplicación Suave (Soft): Prompts conscientes del presupuesto que permiten al agente autorregularse (puede ignorarse).
Aplicación Estructural (Hard): Un monitor externo que rastrea el consumo tras cada acción y detiene la ejecución si se viola una restricción, independientemente del comportamiento del agente.

3. Contribuciones Clave

Definición Formal Unificada: La primera especificación formal que integra restricciones de recursos, temporales y criterios de calidad en un solo mecanismo de gobernanza para agentes de LLM.
Leyes de Conservación para Delegación: Un marco matemático que asegura la disciplina presupuestaria en jerarquías de agentes, permitiendo que la contratación sea una capacidad del agente mismo (los agentes pueden crear sub-contratos).
Validación Empírica: Demostración de que la gobernanza formal reduce la varianza en el consumo de recursos y previene fallos catastróficos sin sacrificar significativamente la calidad en tareas complejas.

4. Resultados Experimentales

Los autores validaron el marco mediante cuatro experimentos utilizando implementaciones de referencia (Google ADK, LiteLLM) y modelos Gemini 2.5:

Experimento	Escenario	Resultado Clave
Prevención de Desbordes	Flujo de trabajo iterativo (Codificador/Revisor)	Reducción del 90% en el uso de tokens y una varianza 525 veces menor en comparación con agentes sin contrato. La tasa de éxito fue estadísticamente equivalente.
Leyes de Conservación	Pipeline de investigación (3 agentes)	0 violaciones de conservación en 50 pruebas. Se detectó y detuvo un agente desbocado que intentó consumir 56k tokens sobre un límite de 40k.
Compensación Calidad-Recursos	Modos de estrategia (Urgente/Económico/Equilibrado)	Demostración del principio de "satisficing": El modo "Equilibrado" logró un 86% de éxito vs. 70% en el modo "Urgente", permitiendo a los usuarios elegir explícitamente entre velocidad y precisión.
Prevención de Fallos	Comunicación de crisis	Reducción del 23% en tokens con calidad equivalente. Evitó que un agente se quedara atrapado en un bucle de evaluación sin producir salida.

Hallazgo Principal: La gobernanza no solo optimiza costos, sino que transforma el comportamiento impredecible de los agentes en operaciones acotadas, auditable y predecibles.

5. Significado e Impacto

El artículo establece las bases formales para el despliegue seguro y escalable de la IA autónoma en entornos de producción:

Cambio de Paradigma: Pasa de preguntar "¿Quién debe hacer esta tarea?" (Protocolo Contract Net clásico) a "¿Dentro de qué límites puede realizarse esta tarea?".
Seguridad y Auditoría: Proporciona mecanismos para la rendición de cuentas (accountability). Si un agente falla, el contrato define si fue por violación de recursos, expiración temporal o incumplimiento de criterios de calidad.
Escalabilidad Empresarial: Resuelve la tensión entre la autonomía del agente y la necesidad de supervisión humana, permitiendo que los sistemas multi-agente operen de forma segura sin riesgo de "facturas sorpresa" o bucles infinitos.
Requisitos Futuros: Señala que para una aplicación estricta en tiempo real (dentro de una sola llamada de generación), se necesitarán cambios en la infraestructura de los proveedores de API (ej. generación interrumpible, reserva de tokens).

En conclusión, Agent Contracts ofrece el marco normativo necesario para que la IA agéntica pase de ser una tecnología experimental propensa a fallos costosos a una infraestructura empresarial robusta, predecible y alineada con los valores y restricciones de las organizaciones.