La IA agéntica, también conocida como agentes de IA, describe sistemas de inteligencia artificial que persiguen objetivos de forma autónoma mediante la percepción de su entorno, la toma de decisiones y la ejecución de acciones durante períodos prolongados. Este concepto amplía la noción más general de agente inteligente, que es cualquier entidad que percibe su entorno, actúa para alcanzar objetivos y puede mejorar su rendimiento mediante aprendizaje automático o adquisición de conocimiento. En los libros de texto de IA, el campo de la inteligencia artificial suele definirse como el estudio y diseño de agentes inteligentes, considerándose el comportamiento orientado a objetivos como central para la inteligencia.
Los agentes inteligentes van desde sistemas de control simples, como un termostato, hasta entidades complejas como un ser humano, una empresa o un Estado. La IA agéntica enfatiza específicamente la autonomía proactiva y sostenida, distinguiéndose de los sistemas reactivos que simplemente responden a estímulos inmediatos. Estos agentes operan basándose en una función objetivo que encapsula sus metas, y están diseñados para crear y ejecutar planes que maximicen el valor esperado de dicha función al completarse.
Definición basada en agentes de la inteligencia artificial
Stuart Russell y Peter Norvig, en su influyente libro de texto, describen la inteligencia artificial como el estudio de agentes que reciben percepciones de un entorno y realizan acciones. En este marco, un agente percibe a través de sensores y actúa mediante actuadores. Un agente racional selecciona acciones que se espera maximicen su medida de rendimiento, dadas su secuencia de percepciones, su conocimiento previo y las acciones disponibles. La racionalidad no requiere omnisciencia ni éxito garantizado; se refiere al resultado esperado basado en la información disponible.
En la computación orientada a agentes, estos se caracterizan por propiedades como la autonomía, la capacidad de respuesta a cambios ambientales y el comportamiento orientado a objetivos o proactivo. Un enfoque de modelado destacado es la arquitectura BDI (creencia-deseo-intención), que representa a un agente en términos de su información sobre el mundo, sus objetivos y los cursos de acción a los que se ha comprometido. Esta arquitectura ha sido influyente tanto en la investigación teórica como en la aplicada de la IA.
Funciones objetivo y especificación de metas
Una función objetivo especifica las metas de un agente inteligente. Se considera que un agente es más inteligente si selecciona consistentemente acciones que producen resultados más alineados con su función objetivo. Esta función sirve como medida de éxito y puede ser simple o compleja. Por ejemplo, en un juego de Go, la función objetivo podría asignar un valor de 1 por victoria y 0 por derrota, mientras que la función objetivo de un coche autónomo podría equilibrar seguridad, velocidad y comodidad de los pasajeros.
Diferentes términos describen este concepto según el contexto. Una función de utilidad se utiliza a menudo en economía y teoría de la decisión para representar la deseabilidad de un estado. Una función objetivo es un término general en optimización, mientras que una función de pérdida se usa en aprendizaje automático donde el objetivo es minimizar el error. Una función de recompensa aparece en aprendizaje por refuerzo, y una función de aptitud se emplea en sistemas evolutivos. Las metas pueden programarse explícitamente o inducirse mediante aprendizaje o evolución.
Aprendizaje y adaptación en sistemas agénticos
En el aprendizaje por refuerzo, una función de recompensa proporciona retroalimentación que fomenta comportamientos deseados y desalienta los no deseados, permitiendo que el agente aprenda a maximizar la recompensa acumulada. Los programadores pueden utilizar modelado de recompensas para otorgar recompensas incrementales por el progreso hacia la meta final. Los sistemas evolutivos utilizan una función de aptitud para determinar qué agentes tienen más probabilidades de reproducirse, de manera análoga a la selección natural. Yann LeCun afirmó en 2018 que la mayoría de los algoritmos de aprendizaje consisten esencialmente en minimizar alguna función objetivo.
Algunos sistemas de IA, como los métodos de vecinos más cercanos, razonan por analogía en lugar de estar explícitamente orientados a objetivos. Sin embargo, incluso estos sistemas pueden tener metas implícitamente definidas dentro de sus datos de entrenamiento. Sistemas que tradicionalmente no se consideran agentes, como los sistemas de representación del conocimiento, pueden enmarcarse como agentes con el objetivo de responder preguntas con precisión. En la IA generativa, los sistemas basados en imitación pueden enmarcarse como optimizadores de una función objetivo basada en cuán fielmente imitan el comportamiento deseado, como se observa en las redes generativas adversariales, donde un generador intenta engañar a un discriminador.
Aplicaciones y contexto más amplio
La IA agéntica está estrechamente relacionada con los agentes en economía, y versiones del paradigma de agente inteligente se estudian en ciencia cognitiva, ética y filosofía de la razón práctica. El concepto también aparece en el modelado sociocognitivo interdisciplinario y en la simulación social por computadora. Los agentes inteligentes a menudo se describen esquemáticamente como sistemas funcionales abstractos similares a programas informáticos, con descripciones abstractas llamadas agentes inteligentes abstractos. También están relacionados con los agentes de software, que son programas autónomos que realizan tareas en nombre de los usuarios, y a veces se les denomina agentes racionales, término tomado de la economía.
Las implementaciones modernas de IA agéntica a menudo se basan en modelos de lenguaje grandes y arquitecturas de transformadores, lo que permite a los sistemas planificar, utilizar herramientas y operar en horizontes temporales extendidos. Instituciones de investigación como MIT CSAIL, Stanford AI Lab y Berkeley AI Research han contribuido al avance de estos sistemas. Empresas como OpenAI, Anthropic y Google DeepMind han desarrollado marcos agénticos que integran razonamiento con acción, aunque el campo continúa evolucionando rápidamente.