Nuevo sistema de control reduce pasos innecesarios en agentes de IA autónomos

Un equipo dirigido por Dongsheng Xiao publicó el 28 de septiembre de 2026 un artículo en el que describe un problema al que llama «parkinsonismo de los LLM». El término se refiere a agentes de IA que siguen trabajando cuando la tarea ya está terminada, añaden retoques de poco valor y vuelven a comprobar su propio trabajo. Los autores afirman que esto ocurre porque el mismo ciclo que genera las acciones también decide cuándo detenerse. Su solución es una nueva arquitectura llamada Global Executive Control (GEC) v0.2, que separa la generación de acciones de la supervisión general del proyecto.

Cómo llegamos hasta aquí

Los grandes modelos de lenguaje (LLM) pueden planificar, escribir código y usar herramientas, pero a menudo carecen de una señal clara para detenerse. En las pruebas, un agente de referencia que seguía un único plan basado en su mejor estimación logró completar el 67 % de los objetivos difíciles. Cuando la misma prueba permitió al modelo elegir entre varias acciones posibles, el éxito subió al 96,5 %. Los investigadores sostienen que ofrecer varias opciones al modelo explica la mayor parte de la mejora, pero también aumenta el uso de tokens, las unidades básicas de texto que procesa el modelo.

Qué hace la nueva arquitectura

GEC añade una capa de gobernanza que tiene en cuenta la incertidumbre, supervisa el progreso del agente y decide cuándo es suficiente. En una prueba de referencia con 24.000 episodios y un límite de 40.000 tokens, GEC igualó la tasa de éxito del 96,5 % del método que permite elegir entre varias acciones, mientras redujo el consumo promedio de tokens de 19.782 a 12.574, una disminución del 36 %. También redujo el promedio de tokens necesarios para completar una tarea con el límite establecido, de 16.136 a 13.114, un ahorro del 18,7 %. Los pasos adicionales de gobernanza cuestan unos 500 tokens sintéticos por ciclo, algo que, según los autores, sigue siendo eficiente.

Qué viene ahora

El artículo señala que las simulaciones respaldan la gobernanza explícita del alcance, las pruebas, el uso de recursos y la decisión de detenerse, pero aún hace falta validar el método en situaciones reales. Es probable que futuros estudios prueben GEC con agentes activos que interactúen con herramientas externas o con usuarios. Si el método funciona como se espera, los desarrolladores podrían integrar una capa de control similar en chatbots, asistentes de programación y otros servicios de IA autónomos para evitar el procesamiento innecesario e impedir que los sistemas sigan trabajando de más en tareas ya completadas.