Web Agents Should Use Typed Actions Instead of Click-Based Browsing
Este documento de postura aboga por reemplazar las interacciones web frágiles y de bajo nivel basadas en clics con una capa semántica de "verbos web" tipados para crear sistemas web agénticos más fiables, auditables y reproducibles.
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
La Gran Idea: Deja de hacer clic, empieza a hablar en "Verbos"
Imagina que estás intentando enseñarle a un robot cómo pedir una pizza.
La forma antigua (Navegación basada en clics):
Actualmente, la mayoría de los agentes web (robots de IA) intentan aprender a pedir pizza observando a un humano hacer clic en botones. El robot tiene que descifrar: "Vale, tengo que mover el ratón 400 píxeles a la derecha, hacer clic en el botón rojo, esperar a que la pantalla cargue, bajar tres pulgadas y escribir 'pepperoni'".
Esto es como enseñarle a alguien a conducir dándole una lista de instrucciones para cada movimiento muscular: "Gira la cabeza a la izquierda, mueve el pie 2 pulgadas, presiona el pedal". Funciona, pero es increíblemente frágil. Si la pizzería mueve el botón de "Pedir" dos pulgadas a la izquierda, o cambia el color del menú, el robot se confunde y falla. Tiene que reaprender toda la danza cada vez.
La nueva forma (Acciones escritas / Verbos Web):
Los autores de este artículo argumentan que deberíamos dejar de enseñar a los robots a hacer clic. En su lugar, deberíamos darles un menú de "Verbos Web".
Piensa en un Verbo Web como un botón mágico o una tarjeta de comando. En lugar de decirle al robot cómo hacer clic, le dices qué hacer usando un comando claro y estructurado.
- Comando antiguo: "Mover ratón a X, Y, hacer clic".
- Nuevo Verbo:
buscar_hotel(destino="Anchorage", entrada="2026-06-01")
Este comando es como una comida precocinada. El robot no necesita saber cómo picar las cebollas o freír el filete (el complejo proceso de clics y desplazamiento); simplemente pide la "comida de búsqueda de hotel" y el sistema se encarga de todos los detalles complicados tras bambalinas.
¿Por qué necesitamos esto?
El artículo señala tres problemas principales del enfoque de "clics" y cómo los "verbos" los solucionan:
1. Fiabilidad (El problema de la "Casa Frágil")
- El Problema: Cuando un robot hace clic en botones, está construyendo un castillo de naipes. Si el sitio web cambia ligeramente el diseño (como mover un botón), todo el castillo se derrumbará. El robot se pierde.
- La Solución del Verbo: Un Verbo es como un ladrillo resistente. Incluso si el sitio web cambia su pintura o reorganiza los muebles, el ladrillo de "Buscar Hotel" sigue funcionando porque está diseñado para manejar esos cambios internamente. El robot solo pide el ladrillo; no necesita saber cómo se fabricó el ladrillo.
2. Eficiencia (El problema del "Parar y Arrancar")
- El Problema: Para realizar una tarea sencilla como reservar un viaje, un robot de clics podría tener que dar 50 pasos diminutos: hacer clic aquí, esperar, desplazar, escribir, hacer clic allá. Tiene que "pensar" y "mirar" la pantalla después de cada paso. Esto es lento y costoso.
- La Solución del Verbo: Con los verbos, el robot puede decir: "Búscame un hotel", "Búscame un vuelo" y "Resérvalos". Hace todo el trabajo en tres grandes pasos en lugar de 50 pequeños. Es como pedir una comida completa en un restaurante en lugar de cocinar cada ingrediente desde cero.
3. Verificabilidad (El problema de la "Caja Negra")
- El Problema: Si un robot de clics comete un error, es difícil saber por qué. ¿Hizo clic en el botón equivocado? ¿Leyó mal el texto? Es un rastro desordenado de acciones que es difícil de comprobar.
- La Solución del Verbo: Los verbos son como un recibo. Cuando el robot usa un verbo, obtiene una respuesta clara y estructurada (por ejemplo, "Aquí está la lista de hoteles con precios"). Podemos comprobar fácilmente la entrada (lo que pidió) y la salida (lo que obtuvo). Si algo sale mal, sabemos exactamente qué "ladrillo" falló, no en qué píxel específico hizo clic el robot.
Cómo funciona en la vida real (Los ejemplos)
El artículo prueba esto con dos ejemplos:
Planificación de viajes: Un usuario quiere encontrar hoteles cerca de museos y clasificarlos por distancia.
- Robot de clics: Se confunde. Intenta dibujar una sola línea conectando todos los museos y hoteles, lo cual no calcula la distancia correctamente. Pierde el cálculo matemático en medio de todos los clics.
- Robot de verbos: Utiliza un verbo
obtener_direcciones. Recorre la lista, pide al verbo la distancia entre cada hotel y museo, los suma y los ordena. Sigue la matemática perfectamente porque la "distancia" es un número claro, no una suposición visual.
Compras de muebles: Un usuario quiere comprar una cama, un escritorio y una lámpara con un presupuesto de $1,000, maximizando la calificación.
- Robot de clics: Elige artículos uno por uno de forma codiciosa (greedy). Podría elegir una cama excelente, luego un escritorio excelente, y de repente darse cuenta de que no le queda dinero para la lámpara. Falla en el objetivo global.
- Robot de verbos: Utiliza verbos para obtener una lista de todos los artículos con sus precios y calificaciones. Luego ejecuta un programa informático simple para comprobar todas las combinaciones posibles y encontrar el mejor conjunto que se ajuste al presupuesto. Resuelve el rompecabezas lógicamente.
El Llamado a la Acción
Los autores no dicen que los modelos de IA necesiten volverse más "inteligentes". Dicen que la interfaz debe cambiar.
Proponen que los sitios web expongan estos "Verbos" al mundo.
- Para Desarrolladores: En lugar de solo construir un sitio web para humanos, construyan una "Capa de Verbos" para robots. Esto podría ser una API sencilla (una línea directa al servidor) o un script que automatice los clics del navegador por ti.
- Para la Comunidad: Así como tenemos estándares para cómo se ven los sitios web (HTML), necesitamos estándares para cómo los robots hablan con los sitios web. Necesitamos un diccionario universal de "Verbos Web" para que los robots sepan exactamente qué comandos están disponibles.
Analogía de Resumen
- Agentes Web actuales: Son como una persona tratando de conducir un coche girando manualmente el volante, presionando el acelerador y bombeando los frenos con los pies, mientras mira un mapa. Si la carretera cambia, chocan.
- Agentes Web propuestos: Son como un pasajero en un coche autónomo. Solo le dicen al coche: "Llévame al aeropuerto". El coche (el Verbo) se encarga de la dirección, el frenado y la navegación. Es más seguro, más rápido y sabes exactamente a dónde vas.
El artículo argumenta que para que la "Web Agéntica" (una web donde los robots hacen cosas por nosotros) sea fiable, debemos dejar de darles a los robots un volante y empezar a darles un destino.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.