# Un estudio advierte que los agentes que se autooptimizan pueden fallar si cambian sus habilidades

> Los investigadores presentan CODA, una prueba que muestra que los agentes de IA coevolucionados pierden la mayor parte de sus avances cuando su biblioteca de habilidades cambia tras el despliegue.

Oossa · 2026-10-16 · https://oossa.com/es/paper-warns-self-improving-agents-may-fail-when-skill-sets-change

Un equipo dirigido por Jinluan Yang publicó un nuevo artículo en arXiv el 16 de octubre de 2026. El estudio muestra que los agentes entrenados para mejorar tanto su política como su repertorio de habilidades se vuelven frágiles si este último cambia más adelante. Los autores proponen una nueva evaluación, llamada CO-evolution Drift Audit (CODA), que simula la deriva de las habilidades y mide la consistencia y la resistencia. En cuatro métodos y cinco pruebas de referencia, CODA detecta que la tasa de éxito en el peor de los casos cae entre 5 y 13 puntos, lo que elimina la mayor parte de la ventaja que tenían los agentes frente a una versión de referencia sin habilidades.

## Los hechos

- Artículo publicado el 16 de octubre de 2026
- La tasa de éxito en el peor de los casos cae entre 5 y 13 puntos respecto del máximo, lo que elimina entre el 52 % y el 93 % de la mejora

## Por qué importa

Quienes desplieguen estos sistemas tendrán que evaluar la robustez de los agentes de IA ante cambios en sus habilidades, no solo su rendimiento máximo.

## Fuentes y referencias

1. [Evolving Together, Failing Apart: The Skill-Policy Co-evolution Trap in Self-Improving Agents](https://arxiv.org/abs/2610.20845) – arXiv, 2026-10-16

Última actualización: 2026-10-16