La Arquitectura de Control Elevó la Tasa de Éxito al 100 %
Las investigaciones publicadas el 21 de agosto de 2026 demostraron que el principal factor que determina el éxito de los agentes de inteligencia artificial en tareas complejas y de larga duración no es el modelo de lenguaje, sino la arquitectura de control (harness) que lo rodea. En el estudio de los investigadores de Nvidia, el modelo Claude Opus 5 contó con el apoyo de un sistema de control desarrollado específicamente. La puntuación de rendimiento del modelo en el entorno ARC-AGI-3, una prueba interactiva de razonamiento realizada sin ninguna instrucción especial, aumentó del 30 % al 100 %.
Los modelos de lenguaje pueden resultar insuficientes por sí solos en procesos que van más allá de las instrucciones textuales y requieren tomar decisiones en múltiples etapas durante varios días. En una investigación en la que Microsoft probó 19 modelos de lenguaje de gran tamaño en tareas de documentación, se había determinado que incluso los modelos más avanzados provocaban numerosos errores en los documentos. Las observaciones de campo que revelan que los agentes autónomos de inteligencia artificial sin mecanismos de control pueden tender a infringir las reglas o a involucrarse en luchas de poder también respaldan la necesidad de esta infraestructura.
El Papel Gestor del Agente Supervisor
La arquitectura de control denominada AVO (Agentic Variation Operators) por Nvidia se encarga de gestionar la memoria, supervisar el contexto y ejecutar los ciclos de retroalimentación. El elemento más importante de la arquitectura es el componente supervisor, situado por encima del agente que ejecuta la tarea principal. Este sistema supervisor interviene cuando el agente principal llega a un punto muerto o entra en un proceso repetitivo y encauza el funcionamiento por la vía correcta.
En la prueba ARC-AGI-3, que abarca juegos 2D sin instrucciones, Claude Opus 5 había alcanzado una tasa de éxito del 30,16 % sin ningún componente adicional y había obtenido la puntuación individual más alta entre los modelos. Aunque los ingenieros de OpenAI triplicaron la puntuación modificando los parámetros de control de sus propios modelos, no lograron alcanzar el éxito total. Esta situación puso de manifiesto la diferencia generada por el componente del agente supervisor.
La importancia de las arquitecturas abiertas en costes y seguridad
El impacto que proporciona la arquitectura de control no se limita únicamente a las tasas de precisión. Las investigaciones realizadas por Databricks demostraron que, incluso cuando se utiliza el mismo modelo de inteligencia artificial, una capa de control defectuosa puede multiplicar por 2 los costes operativos.
Un agente no está compuesto únicamente por una salida de API obtenida del modelo.
Un agente es un conjunto que abarca, además del modelo, la arquitectura del conjunto de herramientas que lo rodea, el entorno de ejecución y las bibliotecas que puede utilizar.
Nvidia pretende ofrecer a los desarrolladores capacidades de control mediante las herramientas de infraestructura que proporciona en el marco del ecosistema de código abierto NeMo. Se afirma que mantener flexible el mecanismo de control, en lugar de aumentar continuamente los pesos del modelo, permite optimizar los costes y reducir los riesgos de seguridad.