🤖 AI

Agentization of Digital Assets for the Agentic Web: Concepts, Techniques, and Benchmark

Este artículo presenta un marco formal y una herramienta automatizada para convertir activos digitales en agentes del "Agentic Web", acompañados del primer benchmark diseñado para evaluar la calidad de esta conversión en términos de fidelidad e interoperabilidad.

Autores originales: Linyao Chen, Bo Huang, Qinlao Zhao, Shuai Shao, Zhi Han, Zicai Cui, Ziheng Zhang, Guangtao Zeng, Wenzheng Tang, Yikun Wang, Yuanjian Zhou, Zimian Peng, Yong Yu, Weiwen Liu, Hiroki Kobayashi, Weinan Zh

Publicado 2026-04-07

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Linyao Chen, Bo Huang, Qinlao Zhao, Shuai Shao, Zhi Han, Zicai Cui, Ziheng Zhang, Guangtao Zeng, Wenzheng Tang, Yikun Wang, Yuanjian Zhou, Zimian Peng, Yong Yu, Weiwen Liu, Hiroki Kobayashi, Weinan Zhang

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 Internet actual es como una biblioteca gigante llena de libros, herramientas y máquinas, pero todas están cerradas con candados y no tienen un lenguaje común para hablar entre ellas. Tienes un libro de recetas (un documento), una máquina de coser (un código de programación) y un robot de cocina (un servicio en línea), pero ninguno puede pedirle ayuda al otro.

Los investigadores de este paper proponen una idea revolucionaria llamada "Agentic Web" (La Web de los Agentes). En lugar de que tú, el humano, tengas que abrir cada libro, apretar cada botón y conectar cada cable manualmente, la idea es que la inteligencia artificial (IA) haga todo eso por ti, coordinando a todas estas herramientas como si fueran un equipo de trabajo.

Pero aquí está el problema: convertir esas herramientas "dormidas" en "trabajadores activos" es muy difícil y lento.

Aquí te explico cómo lo solucionan, usando analogías sencillas:

1. El Problema: La "Agentización" (Dar vida a lo muerto)

Imagina que tienes una caja de herramientas antigua (un repositorio de código) guardada en el ático. Tiene martillos, sierras y tornillos, pero están oxidados, mezclados y no hay un manual que diga cómo usarlos.

La situación actual: Para usar esa caja, un humano tendría que:
1. Limpiar el óxido (configurar el entorno).
2. Entender qué hace cada herramienta (extraer habilidades).
3. Escribir una tarjeta de presentación para que otros sepan qué puede hacer (crear una interfaz).
4. Hacerlo todo manualmente para cada caja nueva. ¡Es agotador!
La solución del paper: Crearon un "Agente de Agentización". Piensa en él como un maestro carpintero robot súper inteligente.
- Tú le das la caja de herramientas (el código).
- El robot entra, limpia el óxido, organiza las herramientas, les pone etiquetas claras y las convierte en un trabajador autónomo que puede hablar con otros robots.
- Ahora, en lugar de tener una caja de herramientas, tienes un empleado digital listo para trabajar en la "Web de los Agentes".

2. Los Tres Obstáculos (Los "Monstruos" del sótano)

El paper explica que convertir una caja de herramientas en un trabajador tiene tres monstruos que hay que vencer:

El Monstruo del Entorno (Inconsistencia): A veces, las herramientas necesitan un tipo específico de electricidad o un tipo de aceite que no tienes. El robot debe saber instalar exactamente lo que necesita para que funcione sin explotar.
El Monstruo del Código Oculto (Habilidades no estructuradas): Las herramientas están mezcladas en un desorden. El robot debe saber separar "lo que sirve" de "lo que no", y empaquetarlo en acciones simples (como "cortar madera" en lugar de "abrir la caja y buscar el martillo").
El Monstruo del Idioma (Brecha Semántica): Aunque la herramienta funcione, si no tiene una tarjeta de presentación clara, nadie sabrá qué hace. El robot debe escribir una tarjeta perfecta que diga: "Hola, soy el Agente de Cortar Madera, puedo cortar tablas de 2x4".

3. La Prueba: El "Examen de Conducción" (El Benchmark)

Para asegurarse de que su robot (el Agente de Agentización) realmente funciona, crearon un examen de conducir llamado A2A-Agentization Bench.

Cómo funciona: En lugar de solo decir "funciona", le dieron al robot 35 cajas de herramientas reales (códigos de programación de video, química, finanzas, etc.) y le pidieron que las convirtiera en trabajadores.
Las pruebas:
1. ¿Pudo encenderse? (¿Logró configurar el entorno?).
2. ¿Pudo hacer su trabajo? (¿Pudo usar la herramienta para resolver un problema real?).
3. ¿Pudo trabajar en equipo? (¿Pudo unirse a otros trabajadores para hacer una tarea más grande, como "cortar madera y luego pintarla" usando dos robots diferentes?).

4. Los Resultados: ¿Qué aprendieron?

Los resultados fueron interesantes:

Es posible: Sí, se puede automatizar este proceso.
Pero es difícil: Los robots a veces se confunden con el "óxido" (errores de configuración) o escriben tarjetas de presentación confusas.
El hallazgo clave: Para que esto funcione bien en el futuro, los sistemas necesitan ser muy buenos configurando el entorno (limpiar el óxido) y muy claros al describirse a sí mismos (escribir buenas tarjetas de presentación).

En resumen

Este paper es como un manual de instrucciones para construir una fábrica de robots.

Antes, tenías que construir cada robot a mano, uno por uno, lo cual era lento y costoso. Ahora, proponen un sistema que toma cualquier herramienta digital existente (código, documentos, servicios) y la convierte automáticamente en un robot colaborador que puede hablar con otros robots.

El objetivo final es una Internet donde las herramientas no solo esperan a que las uses, sino que se organizan solas para resolver problemas complejos, como si tuvieran un equipo de trabajo invisible trabajando para ti 24/7.

Resumen Técnico: Agentización de Activos Digitales para la Web Agéntica

1. El Problema: La Escasez de Agentes Especializados

La Web Agéntica es un nuevo paradigma que redefine internet mediante interacciones autónomas y orientadas a objetivos entre agentes de IA. Sin embargo, el crecimiento de este ecosistema enfrenta un cuello de botella crítico: la falta de métodos automatizados para generar agentes especializados.

Actualmente, la construcción de agentes es manual, costosa y difícil de escalar. Mientras que existen millones de activos digitales (repositorios de código, documentos, servicios, etc.) que ya encapsulan lógica funcional y conocimiento de dominio valioso, estos permanecen como "islas de datos" estáticas. El desafío principal es transformar automáticamente estos activos pasivos en agentes interoperables que puedan comunicarse y colaborar bajo protocolos estandarizados (como el protocolo A2A - Agent-to-Agent) sin intervención humana.

Los obstáculos técnicos específicos identificados son:

Entornos Inconsistentes: Las dependencias de software a menudo entran en conflicto o son difíciles de reproducir.
Habilidades No Estructuradas: Las capacidades útiles están ocultas en código no documentado y deben extraerse como acciones atómicas.
Brecha Semántica: Incluso si el código se ejecuta, carece de interfaces claras (como "tarjetas de agente") que permitan a otros agentes entender y llamar a sus funciones.

2. Metodología: El Proceso de Agentización

Los autores proponen un marco formalizado para la Agentización de Activos Digitales, utilizando repositorios de código como caso de estudio representativo debido a su complejidad. El proceso se divide en cuatro etapas críticas, orquestadas por un Agente de Agentización (A2A-Agentization Agent):

Configuración del Entorno ( $E$ ):
- Se sintetiza un entorno ejecutable y reproducible (variables de entorno, contenedores, dependencias) a partir de los archivos de configuración y dependencias del repositorio ( $W_{dep}, W_{conf}$ ).
- Objetivo: Garantizar que la lógica estática se ejecute de manera determinista.
Extracción de Habilidades como Herramientas ( $T$ ):
- Se identifican, envuelven y validan funciones atómicas dentro del repositorio para convertirlas en herramientas ejecutables.
- Se utiliza el entorno configurado para verificar que las herramientas funcionan correctamente.
Instanciación del Agente Interno ( $A_{in}$ ):
- Se construye la arquitectura cognitiva del agente integrando las herramientas extraídas en un bucle de razonamiento (ej. ReAct).
- Esto permite al agente planificar y ejecutar las habilidades extraídas para resolver tareas.
Agentización Final y Tarjeta de Agente ( $C$ ):
- Se genera una Tarjeta de Agente (Agent Card), que actúa como un registro de autodescripción. Detalla la identidad del agente y sus herramientas disponibles.
- El agente final se define como $A = \{A_{in}, C\}$ , cumpliendo estrictamente con el protocolo A2A para permitir la interoperabilidad.

3. Contribuciones Clave

A. El Marco Conceptual y el Agente de Agentización

Definen formalmente el proceso de transformación de activos digitales en agentes A2A. Introducen el A2A-Agentization Agent, un marco autónomo diseñado para resolver las inconsistencias de entorno, extraer habilidades no estructuradas y cerrar la brecha semántica, convirtiendo repositorios "crudos" en agentes funcionales.

B. A2A-Agentization Bench (El Primer Benchmark)

Presentan el primer benchmark integral diseñado específicamente para evaluar la calidad de la agentización.

Datos: Curado con 35 repositorios de GitHub diversos (9 dominios: visión, documentos, química, finanzas, etc.) y 522 instancias de evaluación.
Tareas: Incluye tareas de Repositorio Único (para evaluar la herencia de capacidades) y Múltiples Repositorios (para evaluar la colaboración inter-agente).
Métricas de Evaluación:
1. Fidelidad: ¿Se ejecutan correctamente las habilidades extraídas? (Tasa de éxito de ejecución).
2. Interoperabilidad: ¿Puede el agente ser descubierto y orquestado por otros agentes? (Calidad de la especificación de la tarjeta de agente y éxito de la orquestación).

C. Análisis de Línea Base

Evalúan el enfoque integrando el Agente de Agentización con cuatro frameworks de codificación autónoma de vanguardia: Claude Code, Codex CLI, OpenHands y EnvX.

4. Resultados Experimentales

Los experimentos revelan que, aunque la agentización automatizada es factible, existen desafíos significativos:

Éxito en el Proceso (Stage 1): Frameworks como Claude Code y EnvX lograron una tasa de éxito del 100% en la creación de agentes (Pass@1), demostrando la capacidad de los modelos para seguir instrucciones de configuración de entorno.
Herencia de Capacidades (Stage 2): La tasa de éxito general en la ejecución de tareas fue moderada (alrededor del 35-37%).
- Claude Code lideró con un 36.9% de éxito global.
- EnvX mostró una eficiencia superior en el consumo de tokens debido a su configuración de entorno robusta previa.
Ejecución Colaborativa (Stage 3):
- La calidad de la especificación (F1 de habilidades) fue alta para EnvX (66.2%) y Claude Code (63.0%).
- Curiosamente, OpenHands logró la mayor tasa de éxito de ejecución final (46.2%) en tareas multi-agente, a pesar de tener una tasa de orquestación más baja, lo que sugiere una gran robustez en su motor de ejecución interna.

Hallazgos Críticos y Cuellos de Botella

El análisis de fallos identificó tres áreas principales de mejora:

Pre-configuración del Entorno: Los fallos en dependencias (ej. conflictos de paquetes) obligan a los agentes a realizar depuración manual costosa en tiempo real, inflando el consumo de tokens.
Construcción de Habilidades: A menudo se generan firmas de funciones incorrectas o APIs fantasma (alucinaciones), lo que impide que las herramientas extraídas funcionen.
Especificación de Capacidades: Las descripciones genéricas en las tarjetas de agente impiden que el orquestador distinga roles específicos, llevando a fallos en el enrutamiento de tareas.

5. Significado e Impacto

Este trabajo es fundamental para el futuro de la Web Agéntica por varias razones:

Escalabilidad: Proporciona un camino viable para escalar el ecosistema de agentes transformando el vasto océano de software existente (activos digitales) en agentes interoperables, en lugar de depender de la construcción manual.
Estandarización: Establece un protocolo riguroso (A2A) y un marco de evaluación (Benchmark) para medir la calidad de la interoperabilidad, algo que faltaba en la literatura anterior.
Hoja de Ruta de Investigación: Al identificar los fallos específicos (entorno, habilidades, especificación), el paper ofrece una hoja de ruta clara para la investigación futura, enfocándose en la automatización robusta de la configuración de entornos y la extracción precisa de semántica de código.

En conclusión, el artículo demuestra que la agentización automatizada es un paso necesario para desbloquear el verdadero potencial de la inteligencia colectiva en la Web Agéntica, transformando activos digitales pasivos en participantes activos y colaborativos en un ecosistema descentralizado.