El 6 de octubre de 2026, unos investigadores publicaron un artículo sobre SHIFT, un sistema que crea automáticamente la combinación adecuada de agentes de IA para cada pregunta. En vez de probar múltiples configuraciones durante la ejecución, SHIFT entrena un modelo de lenguaje pequeño para predecir cuál funcionará mejor y luego recurre a la búsqueda de árbol de Monte Carlo para reunir a los agentes. El método se puso a prueba en 9,193 tareas de seis benchmarks, desde problemas matemáticos hasta gestión de documentos y tareas de asistente general.
¿Cómo rinde SHIFT?
Con Gemini 3.5 Flash como motor de ejecución, SHIFT alcanzó una precisión media de alrededor del 80%, por encima de 17 métodos competidores, entre ellos la generación de texto con instrucciones simples, técnicas de optimización de instrucciones y otros métodos de búsqueda de flujos de trabajo. El competidor más sólido quedó 7.2 puntos porcentuales por debajo. Una configuración más económica de SHIFT también superó a todos los métodos de referencia y utilizó un 32% menos de tokens, lo que implica un menor costo computacional.
Por qué importa diseñar todo en conjunto
Los autores muestran que elegir conjuntamente la estructura de comunicación, las instrucciones y las herramientas funciona mejor que seleccionar cada elemento por separado. La elección conjunta mejoró los resultados hasta 9.1 puntos frente a usar solo instrucciones o solo herramientas. La función de valor aprendida también ayudó a elegir, entre un conjunto de candidatos, sistemas de coordinación más precisos y económicos.
Por qué importa
Para quienes desarrollan asistentes de IA, SHIFT promete un mayor rendimiento sin tener que diseñar manualmente configuraciones de agentes para cada consulta nueva. También reduce los costos computacionales, lo que puede abaratar los servicios en la nube y hacer que los servicios multiagente más completos sean más asequibles para los usuarios.
