El mundo de la IA se vuelve 'circular' con nuevos agentes automáticos

El pasado viernes, Boris Cherny, creador de Claude Code, participó en la conferencia @Scale de Meta, donde sorprendió a los asistentes al responder una pregunta sobre el concepto de bucles en inteligencia artificial. La pregunta planteaba si los bucles eran una nueva moda o si realmente tenían un fundamento sólido.

La respuesta de Cherny fue contundente: "Sí, son reales". Explicó que hace dos años, los programadores escribían código manualmente, pero ahora se está dando un paso más allá: los agentes son los que generan el código. "Estamos en una transición hacia un escenario en el que los agentes se comunican entre sí y generan el código de manera autónoma", afirmó Cherny.

Esta evolución en el uso de la IA es comparable a la transición del código fuente a los agentes. Según Cherny, los bucles son un avance igual de significativo. En su trabajo, ha implementado agentes que buscan continuamente mejorar la arquitectura del código y eliminar duplicaciones. Estos agentes no solo generan código, sino que también presentan solicitudes de modificación como lo haría un programador humano.

Durante su intervención, Cherny también mencionó que uno de sus agentes está enfocado en mejorar la arquitectura del código, mientras que otro se encarga de detectar y unificar abstracciones duplicadas. Este enfoque permite que los agentes trabajen de manera continua, adaptándose a los cambios en el código.

El concepto de bucles en IA no es completamente nuevo. Los bucles recursivos, que permiten a las funciones llamarse a sí mismas bajo ciertas condiciones, son un pilar fundamental en la programación. Sin embargo, la idea de agentes que se supervisan entre sí representa una nueva forma de aplicar esta lógica. Desde que los programadores comenzaron a utilizar IA para completar tareas, era solo cuestión de tiempo antes de que surgieran bucles recursivos donde la IA supervisa a la IA.

Una de las estrategias más populares en este contexto es el Ralph Loop, que resume el trabajo realizado por el modelo y verifica si se ha cumplido el objetivo. Este método ayuda a evitar que los modelos se pierdan en tareas prolongadas, facilitando que el modelo complete su trabajo de manera eficiente.

Además, el uso de bucles puede considerarse parte de una tendencia más amplia hacia un mayor uso computacional durante las pruebas. Como observó el investigador de OpenAI, Noam Brown, los modelos contemporáneos pueden resolver prácticamente cualquier problema si se les proporciona suficiente capacidad computacional. Esto significa que una forma de garantizar que un problema se resuelva es seguir invirtiendo en recursos computacionales hasta que se complete la tarea.

Sin embargo, es importante destacar que este enfoque puede resultar costoso. A medida que la IA evoluciona, los bucles automáticos consumen tokens a un ritmo mucho más rápido que los chatbots de preguntas y respuestas simples. Dado que el objetivo es mantener el bucle en funcionamiento continuamente, no hay un límite claro sobre cuánto se puede gastar. Esto puede ser sostenible para empresas como Anthropic, que se dedican a la venta de tokens, pero para otros podría resultar un método de trabajo costoso.

A pesar de los costos, dependiendo del problema que el bucle de agentes busque resolver y de la configuración adecuada que permita supervisar el gasto de tokens y otros problemas clásicos de la IA, los beneficios podrían ser lo suficientemente significativos como para justificar la inversión.