🤖 AI

AI Tour Meeting: Group Travel Planning by LLM Agents

Este artículo presenta "AI Tour Meeting", un marco de trabajo que utiliza múltiples agentes de Modelos de Lenguaje de Gran Escala con distintas personalidades para planificar colaborativamente itinerarios de viajes grupales mediante la discusión en lenguaje natural, sirviendo como una herramienta flexible para simular y analizar comportamientos de múltiples agentes.

Autores originales: Daisuke Kikuta

Publicado 2026-07-22

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Daisuke Kikuta

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 un mundo donde las computadoras no solo responden preguntas, sino que realmente tienen personalidades, opiniones y la capacidad de mantener una conversación. Este es el reino de los Modelos de Lenguaje Extensos (LLM). Piensa en ellos como bibliotecarios digitales increíblemente cultos que han leído casi todo lo que hay en internet. Normalmente, hablamos con ellos uno a uno, como si le pidiamas a un bibliotecario una recomendación de un libro. Pero, ¿qué pasa cuando le pides a un grupo entero de estos bibliotecarios digitales que trabajen juntos? Ahí es donde entran los Sistemas Multi-Agente. Es como organizar una mesa redonda donde cada computadora tiene un rol específico y una personalidad única, encargada de resolver un problema en conjunto. Aunque solemos usar estas herramientas para ayudar a humanos reales a planificar viajes, este artículo plantea una pregunta fascinante: ¿Qué pasaría si las computadoras fueran los viajeros? ¿Podría un grupo de agentes de IA, cada uno con sus propios gustos y disgustos, sentarse realmente a discutir, llegar a acuerdos y consensos para decidir un plan de vacaciones perfecto sin que un solo humano tenga que escribir una sola palabra?

El artículo "AI Tour Meeting" de Daisuke Kikuta introduce un nuevo marco diseñado para simular exactamente este escenario. Es un patio de juegos digital donde múltiples agentes de IA, cada uno vestido con una "persona" única (como un aficionado a la historia, un estudiante con presupuesto limitado o un amante de la comida), se reúnen para planificar un viaje grupal. El sistema no solo les permite charlar; los obliga a participar en una reunión estructurada con reglas, votaciones y objetivos específicos. Los investigadores descubrieron que cuando estos agentes de IA reciben las instrucciones adecuadas y poseen un "cerebro" lo suficientemente potente (un LLM poderoso), pueden navegar con éxito por desacuerdos complejos, proponer nuevas ideas y alcanzar un consenso sobre un itinerario, tal como lo haría un grupo de amigos planeando una escapada de fin de semana.

El Club de Viajes Digital

Imagina que estás organizando un viaje para un grupo de amigos, pero en lugar de personas reales, tienes un grupo de personajes de IA. Una es "Alice", que ama la historia y odia gastar dinero. Otro es "Bob", que quiere verlo todo en un solo día y no le importa el costo. El marco del artículo, AI Tour Meeting, es el software que dirige esta reunión. Establece el escenario: "Muy bien, todos, tenemos 24 horas y un presupuesto de $100. Planifiquemos un día en Tokio".

La magia ocurre en cómo interactúan estos agentes de IA. No se limitan a escupir una lista de lugares; mantienen una conversación. Se turnan para hablar, hacer preguntas y realizar propuestas. Si Alice sugiere visitar un museo, Bob podría decir: "Eso está genial, pero está demasiado lejos del mercado de comida que quiero visitar". El sistema luego avanza hacia una fase de votación. Todos votan si aceptan el nuevo plan o si se mantienen con el anterior. Si el plan obtiene suficientes votos, se convierte en el nuevo "itinerario actual". Este ciclo de charla y votación continúa hasta que todos están contentos (o al menos, hasta que todos acuerdan dejar de discutir).

Las Reglas del Juego

Para asegurar que la IA no divague eternamente, el marco les otorga un reglamento estricto.

Personas: A cada agente se le asigna un trasfondo detallado. Tienen un nombre, una personalidad (como "cauteloso" o "sociable") y objetivos específicos (como "debo visitar el templo").
Turnos: La reunión sigue un horario. Puede ser un round-robin (todos hablan en orden), o una persona puede invitar al siguiente interlocutor.
Acciones: Durante su turno, un agente puede hacer algunas cosas:
- Buscar: Buscar datos (como "¿Cuánto cuesta el boleto de tren?").
- Preguntar: Hacerle una pregunta a otro agente.
- Proponer: Sugerir una nueva ruta de viaje.
- Votar: En la fase de votación, pueden Aceptar o Rechazar una propuesta.
- Satisfecho: Si les gusta el plan actual, pueden decir: "Estoy conforme con esto", lo cual ayuda a finalizar la reunión.

El sistema es lo suficientemente inteligente como para verificar si un plan rompe las reglas. Si un agente sugiere un viaje que cuesta $500 cuando el presupuesto es de $100, el sistema detecta ese error. También rastrea cuántas veces tiene que discutir el grupo antes de ponerse de acuerdo.

Lo que las Computadoras Realmente Hicieron

Los investigadores probaron este sistema para ver si realmente funcionaba. Configuraron reuniones con diferentes tipos de modelos de IA (algunos más pequeños, otros más grandes) y observaron qué sucedía.

Los Resultados:

Funciona (Mayormente): Cuando utilizaron modelos de IA potentes (como Qwen3.5-4B o superiores), las reuniones casi siempre terminaban con éxito. Los agentes lograron ponerse de acuerdo en un plan el 100% de las veces en muchas pruebas.
El "Cerebro" Importa: Los modelos de IA más pequeños y débiles (como la versión 2B) tuvieron dificultades. A veces se confundían, repetían la misma frase o inventaban hechos. El artículo sugiere que se necesita una IA bastante inteligente (al menos tan buena como Qwen3.5-4B) para ejecutar esto sin fallos.
El Conflicto Toma Tiempo: Los investigadores crearon escenarios donde los agentes tenían objetivos conflictivos. Cuando todos estaban de acuerdo en lo que querían, la reunión era rápida (unas 10 vueltas). Pero cuando tenían grandes desacuerdos, las reuniones se alargaban (hasta 26 vueltas en promedio), y los agentes tenían que proponer muchas rutas diferentes antes de encontrar una que funcionara.
El Efecto "Víctima": En los escenarios más difíciles, donde los agentes tenían gustos muy distintos, algunos agentes terminaban insatisfechos. Cerca del 11% de las veces, un agente estaba tan descontento con el plan final que le daba una puntuación baja (4 o menos de 10). Esto refleja la vida real: a veces, para que un grupo llegue a un acuerdo, alguien tiene que ceder y renunciar a lo que realmente quería.

Por Qué Esto Importa

Esto no es solo un juego divertido de turistas digitales. El artículo sugiere que este marco es una herramienta poderosa para la investigación. Al simular estas reuniones, los científicos pueden estudiar cómo los grupos toman decisiones sin necesidad de contratar a cientos de personas reales. Pueden probar cómo diferentes reglas (como los métodos de votación o el orden de palabra) afectan el resultado.

Por ejemplo, descubrieron que en un grupo con opiniones conflictivas, la persona que habla primero suele tener más dificultades para lograr que su plan sea aceptado. Las personas que hablan después tienen la ventaja de escuchar las quejas de los demás y pueden ajustar su propuesta para hacer felices a todos. Este es un descubrimiento sobre la dinámica de grupo que la IA ayudó a revelar.

El artículo también apunta a un futuro donde podrías usar esta tecnología para planificar viajes para grupos reales. Imagina que estás planeando unas vacaciones con amigos que viven en diferentes zonas horarias o que no pueden asistir a la llamada. Podrías crear agentes de IA que representen las personalidades y preferencias de tus amigos. Estos agentes podrían charlar con tu propio agente para determinar un plan que le guste a todos, de modo que cuando finalmente hables con tus amigos, ya tengas un itinerario perfecto listo para ir.

En resumen, AI Tour Meeting demuestra que si les das a las computadoras las personalidades y reglas adecuadas, pueden aprender a ser buenos compañeros de equipo, navegando por el mundo desordenado y complicado de la toma de decisiones grupal tal como lo hacemos nosotros. Es un paso hacia un futuro donde la IA no solo hace nuestro trabajo por nosotros, sino que nos ayuda a entender cómo trabajamos juntos.

Resumen Técnico: Reunión de Tour de IA

Planteamiento del Problema

La planificación de viajes grupales es una tarea de optimización compleja que requiere el equilibrio de múltiples objetivos, a menudo conflictivos, entre los participantes, tales como el costo, el tiempo de viaje y las preferencias individuales. Mientras que la investigación previa se ha centrado en apoyar a los grupos humanos para alcanzar un consenso (Nguyen y Ricci, 2018; Chen et al., 2021), existe una creciente necesidad de marcos que puedan simular estas interacciones utilizando agentes de Modelos de Lenguaje Extensos (LLM). Tales simulaciones son valiosas para evaluar automáticamente los sistemas de recomendación de viajes grupales y analizar el comportamiento de los agentes sin los altos costos de los estudios conductuales humanos a gran escala. Además, las aplicaciones prácticas podrían permitir a los usuarios interactuar con agentes de LLM que representen a miembros ausentes del grupo para determinar itinerarios de forma colaborativa. Los marcos de agentes múltiples de propósito general existentes carecen de las abstracciones específicas de dominio necesarias para una planificación de viajes estructurada, mientras que las simulaciones basadas en personas previas no han abordado específicamente la dinámica de las discusiones de planificación de tours grupales.

Metodología: Marco de Trabajo AI Tour Meeting

Los autores proponen AI Tour Meeting, un marco diseñado para orquestar discusiones de planificación de viajes grupales entre múltiples agentes basados en LLM. El sistema opera a través de un flujo de trabajo estructurado que involucra fases distintas, personas de agentes y tipos de acciones específicos.

Componentes Principales

Representación del Itinerario: Un itinerario $R$ se define como una secuencia ordenada de destinos $(d_1, d_2, \dots, d_N)$ . Cada destino incluye metadatos como nombre, descripción, costo monetario, tiempo de llegada, duración de la estancia, modo de transporte y costos/duraciones asociados.
Personas de Agentes: Cada participante de LLM es instanciado con una persona distinta que contiene atributos como Nombre, Antecedentes, Personalidad, Preferencias, Objetivos Personales, Rol (Facilitador o Asistente), Tono de Habla y Estilo de Explicación (Subjetivo, Contrastivo o Ambos). El marco soporta tanto LLMs comerciales como locales (vía Ollama o vLLM) y permite estrategias de gestión de contexto individual (por ejemplo, compactación automática, truncamiento de historial).
Espacio de Acción: Los agentes realizan acciones dentro de un sistema basado en turnos. Las acciones se categorizan como:
- Acciones Intermedias: search (consultas web), ask (consultar a otros participantes) y reflect (revisar la discusión). Estas pueden repetirse dentro de un turno.
- Acciones Terminales: Estas finalizan el turno. En la Fase de Conversación, las acciones incluyen propose (enviar un nuevo itinerario), satisfied (indicar acuerdo) y pass. En la Fase de Votación, las acciones incluyen accept, reject y score.
Mecánica del Flujo de Trabajo:
- Ciclo de Dos Fases: La reunión alterna entre una Fase de Conversación (discusión y generación de propuestas) y una Fase de Votación (evaluación de propuestas).
- Reglas de Turno: El marco soporta cinco reglas de turno: Round Robin, Invitación (el hablante actual elige al siguiente), Facilitación (el facilitador asigna al siguiente), Aleatoria y Paralela (para votación). Los modos opcionales de "Equilibrio" y "Voluntariado" aseguran la equidad o permiten saltar turnos.
- Reglas de Votación: Se implementan cinco reglas: Mayoría, Unanimidad, Decisor Único, Máximo Placer (maximizar la suma de puntuaciones) y Menor Sufrimiento (maximizar la puntuación mínima).
- Terminación: La reunión concluye cuando todos los participantes indican consecutivamente satisfacción (satisfied) con el itinerario actual, o cuando se alcanza un límite máximo de turnos/tiempo.

Detalles de Implementación

El marco proporciona una API de Python y una Interfaz Gráfica de Usuario (GUI) para configurar reuniones, monitorear el diálogo en tiempo real y visualizar analíticas. Incluye métricas integradas para el rendimiento del sistema (uso de tokens, violaciones de restricciones) y la dinámica de la discusión (distribución de turnos, patrones de voto). La gestión del contexto se maneja mediante prompts de sistema que definen las personas y las instrucciones específicas de cada fase, con bucles de reintento para JSON inválidos o violaciones de restricciones.

Contribuciones Clave

Abstracción Específica de Dominio: A diferencia de los marcos de agentes múltiples de propósito general, AI Tour Meeting proporciona abstracciones especializadas para la planificación de viajes, incluyendo representaciones de itinerarios estructuradas, flujos de trabajo de propuesta-votación explícitos y mecanismos de validación de restricciones.
Herramienta de Simulación: El marco sirve como un entorno robusto para analizar el comportamiento de múltiples agentes de LLM en la toma de decisiones colaborativas, específicamente para la planificación de tours.
Validación y Análisis: El artículo valida la robustez del marco a través de diferentes tamaños de modelos y demuestra su utilidad mediante ejemplos analíticos sobre conflictos de preferencias y efectos del orden de habla.

Resultados Experimentales

Validación del Sistema

El marco fue probado utilizando cinco LLMs (Qwen3.5-2B/4B/9B, gpt-oss-20b, gpt-5.4-mini) con 50 reuniones sintéticas cada uno.

Rendimiento: Los modelos con un rendimiento comparable o superior a Qwen3.5-4B lograron una tasa de finalización del 100% con errores de restricción y fallos de acción insignificantes.
Limitaciones: El modelo Qwen3.5-2B tuvo dificultades, produciendo acciones inválidas (por ejemplo, repetición de mensajes, referencia a rutas inexistentes) y fallando en alcanzar el consenso en el 42% de los casos.
Escalabilidad: Una validación adicional con 5 y 10 participantes mostró que el marco mantiene una tasa de finalización del 100%, aunque el número de turnos y el uso de tokens aumentan con el tamaño del grupo.

Ejemplos de Análisis

Conflicto de Preferencias: El estudio simuló reuniones con preferencias alineadas, mixtas y conflictivas.
- Hallazgos: A medida que el conflicto aumentaba, el número de turnos y propuestas aumentaba significativamente (de ~10 turnos en alineados a ~26 en conflictivos). Las tasas de consenso se mantuvieron altas (94–100%), pero la satisfacción promedio disminuyó y la "tasa de víctima" (participantes con baja satisfacción) aumentó del 0.7% al 11.3%.
- Patrones de Comportamiento: El análisis identificó patrones de construcción de consenso, como el "impulso al compromiso" (donde se insta a un participante a ceder) y la "mediación" (donde un tercero propone una ruta modificada que incorpora las preferencias rechazadas).
Orden de Habla: Utilizando una rotación de asientos de cuadrado latino, el estudio analizó cómo la posición de habla afecta la aceptación de propuestas.
- Hallazgos: En escenarios sin conflictos, el orden de habla no tuvo un impacto significativo. Sin embargo, en escenarios mixtos y conflictivos, las propuestas del primer participante tuvieron tasas de aceptación significativamente menores que las del segundo o tercer participante. Los participantes posteriores pudieron aprovechar el feedback de las discusiones anteriores para elaborar mejores compromisos.

Significancia y Reivindicaciones

El artículo afirma que AI Tour Meeting demuestra con éxito la utilidad de los agentes de LLM para simular procesos complejos de toma de decisiones grupales. El marco permite a los investigadores:

Realizar análisis conductuales automáticos y a gran escala de la planificación de viajes grupales sin sujetos humanos.
Evaluar sistemas de recomendación de viajes grupales existentes en un entorno controlado y simulado.
Explorar nuevos escenarios de aplicación donde los agentes de LLM actúan como proxies de los miembros ausentes del grupo, permitiendo a los usuarios incorporar diversas perspectivas en la planificación.

Los autores posicionan este trabajo como un paso fundacional hacia la comprensión de la dinámica de los agentes de LLM en dominios colaborativos, señalando que el diseño específico de dominio del marco permite a los usuarios centrarse en los casos de uso en lugar de implementar la lógica de interacción de bajo nivel desde cero. El artículo se mantiene modesto respecto a las implicaciones futuras, centrándose principalmente en la validación de la capacidad del marco para ejecutarse de manera robusta y en los conocimientos obtenidos de los ejemplos analíticos iniciales.