De qué trata la investigación
¿Puede un agente de IA idear por sí mismo un nuevo método para resolver una tarea compleja, o simplemente reordena fragmentos de soluciones ya conocidas? A esta cuestión está dedicado el reciente trabajo «When AI Designs AI: Innovation or Imitation?» (arXiv:2608.17471), cuyos autores son Yikang Yang, Zhengxin Yang, Luzhou Peng y sus colegas. El grupo de investigación presentó el artículo el 18 de agosto de 2026; aborda dos secciones a la vez: cs.AI y cs.LG.
Los autores parten de una idea sencilla pero importante: no basta con demostrar que el agente ha resuelto la tarea. También hay que entender hasta qué punto fue original su enfoque. Por eso, en el trabajo se plantean dos preguntas:
- si los métodos propuestos por los agentes funcionan realmente tan bien como los humanos;
- si estos métodos difieren en su estructura algorítmica de lo que suelen crear las personas.
Cómo está organizado el análisis
Para responder a estas preguntas, los investigadores construyeron un marco especial. Primero, a partir de un conjunto de métodos humanos para una tarea concreta, se derivan los llamados espacios de diseños algorítmicos — es decir, el conjunto de módulos típicos y las conexiones entre ellos que caracterizan a las soluciones ideadas por personas. En estos espacios se mapean luego tanto los métodos humanos como los de los agentes. La diferencia entre ellos se mide a nivel de módulos individuales — esto permite ver qué partes de la solución coinciden y cuáles surgen de nuevo.
El experimento se llevó a cabo con varios agentes LLM ampliamente utilizados y una selección de tareas de IA abiertas que cubren distintas modalidades: texto, imágenes y otras. Para cada método generado por los agentes se evaluaron dos parámetros: la calidad de la solución de la tarea y el grado de diferencia algorítmica respecto a los análogos humanos.
Qué aporta esto en la práctica
Este enfoque no solo permite decir «el agente ganó» o «el agente perdió», sino separar el éxito de la novedad. Un sistema puede dar un resultado excelente y, sin embargo, copiar por completo un esquema conocido. Y a la inversa — proponer un diseño inusual que funcione peor. Precisamente esta dualidad es lo que intentaron capturar los autores.
Qué mostraron los resultados
La primera parte de los resultados suena esperanzadora: en algunos casos, los agentes modernos alcanzan el nivel del estado del arte humano e incluso lo superan. Se encontraron 10 configuraciones exitosas de este tipo de un total de 72. Sin embargo, no hay estabilidad: el éxito no se traslada de forma fiable ni a otras tareas ni a otros agentes. En otras palabras, un agente que resolvió brillantemente una tarea puede fracasar por completo en otra similar — no se vislumbra todavía una regularidad que permita predecir el éxito.
Mucho más reveladora resultó la segunda parte. Casi todos los métodos creados por los agentes — el 96,8% — caen dentro de esos mismos espacios de diseños algorítmicos derivados de las soluciones humanas. Los agentes no salen de los límites de lo que ya han ideado las personas; principalmente combinan y reordenan bloques algorítmicos conocidos. Además, aproximadamente la mitad de los métodos generados coincide exactamente con diseños humanos ya existentes.
Conclusiones
Los autores del estudio llegan a una conclusión dual. Por un lado, los agentes LLM actuales ya son capaces de crear soluciones comparables a los mejores desarrollos humanos, y a veces incluso superiores. Por otro, hablar de su «verdadera» novedad es todavía prematuro. Casi todo lo que hacen es una reutilización cuidadosa y una recombinación de ideas algorítmicas ya descubiertas. El verdadero avance más allá del espacio de diseño humano es una rara excepción, no la regla.
Esto no significa que los agentes sean inútiles: la capacidad de encontrar rápidamente una combinación funcional a partir de métodos conocidos es valiosa en sí misma. Pero si el objetivo es obtener un algoritmo fundamentalmente nuevo, según los resultados, no conviene confiar únicamente en la generación actual de agentes. Quizás el siguiente paso no sea simplemente un agente «más inteligente», sino un agente entrenado para salir conscientemente de los patrones conocidos.
