Imagina un mundo donde los programas informáticos no solo siguen un manual de instrucciones rígido escrito por un humano, sino que pueden aprender de sus errores y reescribir sus propias reglas para mejorar. Este es el sueño de los "agentes de evolución propia". Piensa en ellos como un personaje de un videojuego que, tras perder una batalla contra un jefe, no solo reinicia, sino que hace una pausa, averigua por qué perdió, cambia su propia guía de estrategia e intenta de nuevo. Durante mucho tiempo, los científicos creyeron que para que esto funcionara, un humano tenía que construir una receta muy específica y paso a paso para que la computadora la siguiera. Esta receta era como un entrenador estricto que le dice al jugador exactamente cuándo mirar el marcador, cuándo cambiar su arma y cuándo dejar de practicar. Pero a medida que las computadoras se han vuelto más inteligentes —convirtiéndose en "modelos de frontera" capaces de un razonamiento complejo— los investigadores empezaron a preguntarse: ¿Seguimos necesitando ese entrenador estricto? ¿O puede la computadora organizar su propia rutina de práctica si solo le damos un objetivo y un presupuesto?

Este artículo, titulado "Rethinking Self-Evolving Agents" (Replanteando los agentes de evolución propia), se sumerge directamente en esa pregunta. Los investigadores, Hui Xue y Fan Yang de Microsoft Research, plantearon un experimento fascinante para ver si una IA superinteligente puede organizar su propio proceso de aprendizaje sin un guion preescrito. Compararon el método de la vieja escuela, donde el marco de trabajo (el "entrenador") dicta cada paso del proceso de mejora, frente a un nuevo método llamado "Optimización de Extremo Abierto" (OEO, por sus siglas en inglés). En OEO, se le da a la IA un objetivo claro, una lista de movimientos permitidos y un límite de cuánto "energía" (o tokens) puede gastar, pero ella decide cómo usar esa energía para mejorar. Es como darle a un chef una lista de ingredientes y un límite de tiempo, pero dejar que decida si hornear un pastel o hacer un salteado, en lugar de obligarlo a seguir una receta específica.

Los resultados fueron sorprendentemente claros. Al utilizar una IA de primer nivel (GPT-5.5) como el "chef", el enfoque de extremo abierto fue tan bueno, y a menudo mucho mejor, que las recetas estrictas y preescritas. De hecho, en 14 pruebas diferentes, la IA de extremo abierto ganó 12 veces, empató una vez y solo perdió por un margen minúsculo (0.21 puntos porcentuales) una vez. Lo que es más impresionante, lo hizo utilizando solo alrededor del 34.3% del presupuesto de "energía" que requería el método estricto. Resulta que si la IA es lo suficientemente inteligente, no necesita un entrenador que le diga cómo practicar; puede averiguar la mejor manera de aprender sobre la marcha.

Sin embargo, el artículo también traza una línea en la arena muy importante. Esta libertad solo funciona si la IA es verdaderamente capaz. Cuando los investigadores probaron el sistema con una IA de nivel "medio" o "débil", el enfoque de extremo abierto falló. Las IA más débiles se confundieron, no supieron qué hacer a continuación y produjeron resultados erróneos. En esos casos, la receta estricta y preescrita (el "entrenador") fue esencial para mantener las cosas en marcha. El estudio sugiere que las reglas estrictas no siempre son necesarias, pero actúan como un andamio útil para los cerebros menos capaces. La conclusión clave no es que debamos desechar todas las reglas, sino que debemos dejar que las IA más inteligentes conduzcan su propio aprendizaje, mientras mantenemos las rueditas de entrenamiento puestas para aquellas que aún están aprendiendo a caminar.

El Descubrimiento Central: ¿Quién Debe Conducir el Autobús?

El principal hallazgo de este artículo es que para los modelos de IA altamente capaces, el "pipeline de optimización prescrito" —ese plan rígido y paso a paso que los humanos solían escribir para la computadora— ya no es un requisito para el éxito. En el pasado, sistemas como SKILLOPT (que utiliza un pipeline de entrenamiento por etapas) y GEPA (que utiliza una búsqueda evolutiva reflexiva) eran el estándar de oro. Funcionaban como una línea de montaje de una fábrica: el marco decidía exactamente cómo recopilar evidencia, cómo editar el código y cuándo detenerse.

Los investigadores introdujeron la Optimización de Extremo Abierto (OEO) para probar si la IA podía tomar el volante. En OEO, el marco de trabajo sigue estableciendo las reglas del camino (el objetivo, el presupuesto y qué datos están permitidos), pero la IA decide la ruta. Puede elegir recopilar evidencia, reescribir sus propias instrucciones o detenerse cuando crea que ha terminado.

Cuando enfrentaron al OEO impulsado por GPT-5.5 contra los métodos estrictos, los resultados fueron impactantes. En 8 configuraciones de referencia diferentes, el OEO superó o empató al método estricto SKILLOPT en todos los casos. Contra el método GEPA, el OEO ganó 5 de 6 veces, siendo la única derrota de un microscópico 0.21 puntos porcentuales. Quizás la parte más emocionante es la eficiencia: el OEO utilizó una mediana de solo el 34.3% del presupuesto de tokens que SKILLOPT estaba configurado para usar. Esto significa que la IA no solo mejoró; mejoró utilizando menos de la mitad del "combustible" del método antiguo.

Descartando el "Camino Fácil"

Antes de celebrar, los investigadores tuvieron que asegurarse de que no estaban siendo engañados. Se preguntaron: "¿La IA simplemente tiene suerte porque ya sabía la respuesta?" o "¿Simplemente reescribió el código una vez y terminó?".

Para probar esto, realizaron un control de "interacción cero". Le dieron a la IA la habilidad inicial y le pidieron que la reescribiera una sola vez sin ninguna práctica o ciclos de retroalimentación. Los resultados mostraron que esta reescritura de "un solo paso" no fue suficiente. En algunas tareas, la reescritura de un solo paso incluso empeoró el desempeño de la IA. En otras, mejoró la puntuación, pero aun así se quedó corta frente al sistema OEO por márgenes significativos (por ejemplo, en la tarea LiveMath, la reescritura de un solo paso estaba más de 30 puntos porcentuales por detrás del OEO interactivo). Esto demuestra que las ganancias no provinieron del conocimiento preexistente de la IA por sí solo; provinieron del bucle interactivo donde la IA pudo aprender, adaptarse y refinar su estrategia con el tiempo.

El Límite de la Capacidad: ¿Cuándo Necesitamos un Entrenador?

El artículo también descubrió un límite crucial a esta libertad. El enfoque de "extremo abierto" no es una solución mágica que funcione para cualquier IA. Los investigadores probaron el sistema con optimizadores de capacidad "media" y "débil" (modelos menos capaces).

Aquí, la historia cambió. Cuando el optimizador era solo de capacidad "media", el pipeline estricto de SKILLOPT en realidad funcionó mejor que el OEO. Cuando el optimizador era "débil", el sistema OEO colapsó por completo; la IA débil ni siquiera pudo producir una acción válida a través de la interfaz abierta, y no hubo progreso. En contraste, el pipeline estricto mantuvo a la IA débil en movimiento, aunque no fuera el más eficiente.

Esto sugiere que el pipeline estricto y preescrito actúa como un "andamio". Para una IA de nivel genio, el andamio es innecesario e incluso puede estorbar. Pero para un aprendiz que aún está encontrando su equilibrio, ese andamio es esencial para evitar que se caiga por el precipicio.

El Camino vs. El Destino

Finalmente, los investigadores miraron bajo el capó para ver cómo estaba aprendiendo la IA. Compararon el "viaje" (las ediciones y cambios específicos que la IA realizó) con el "destino" (la puntuación de rendimiento final).

Encontraron que los dos métodos tomaban caminos muy diferentes. El sistema OEO realizó cambios más grandes y audaces, y reescribió su propio historial con más frecuencia que el sistema estricto SKILLOPT. Sin embargo, a pesar de estos caminos tan distintos, a menudo terminaban resolviendo los mismos problemas. En muchos casos, las habilidades finales producidas por ambos métodos eran correctas en el mismo conjunto de preguntas de prueba, aunque el texto de las habilidades se viera muy diferente.

Esto nos dice que no hay un solo camino "correcto" para resolver un problema. El pipeline estricto obliga a la IA a seguir un camino estrecho y seguro, mientras que el enfoque de extremo abierto le permite explorar un paisaje más amplio y caótico. Ambos pueden llegar al mismo destino, pero el enfoque de extremo abierto llega con más flexibilidad y menos combustible, siempre que el conductor sea lo suficientemente hábil para manejar la carretera abierta.

La Conclusión

El artículo concluye que debemos replantearnos cómo construimos los agentes de evolución propia. No necesitamos forzar a cada IA en una caja rígida y preescrita. En su lugar, debemos adoptar un enfoque "adaptativo a la capacidad". Si la IA es lo suficientemente inteligente (un modelo de "frontera"), podemos entregarle las llaves y dejar que componga su propio proceso de aprendizaje en línea. Solo necesitamos mantener las barandillas en su lugar: los objetivos, el presupuesto y las reglas de compromiso. Pero para los modelos menos capaces, el entrenamiento estricto y de la vieja escuela sigue siendo la mejor manera de asegurar que aprendan de manera efectiva. Es un cambio de "talla única" a "la herramienta adecuada para el cerebro adecuado".