La fricción inducida entre agentes IA: La búsqueda de soluciones disruptivas.

  

Dejemos que las IA compitan entre sí. La colaboración entre las IA podría estar sobrevalorada, o mejor dicho, el consenso entre las IA podría acabar con la innovación.

Cuando usamos IA para buscar soluciones disruptivas, el mayor obstáculo no es la falta de capacidad. Es que la respuesta más probable suele ser la más predecible: el promedio de su entrenamiento, lo que cualquier consultor diría en una primera reunión.

Para llegar a otro nivel, hace falta algo distinto: diseñar entornos donde varias IAs compitan bajo presión, no donde colaboren con comodidad. A esta metodología la llamaremos Optimización por Estrés Secuencial (OES).

La idea es simple: En lugar de promover el debate entre agentes (que puede terminar en consensos previsibles o ciclos poco productivos), se plantea una carrera de relevos. Cada agente IA recibe el resultado anterior de otro agente con una única instrucción: superarlo. Este es un esquema de fricción por rechazos sucesivos, propuesto en dos fases.

¿Cómo funciona en la práctica?

Tomemos un problema real en ingeniería: el cuello de botella en la revisión de submittals.

1. Planteamos el problema a una primera IA. Su respuesta no se corrige ni se discute; esta es tomada por el actor clave de este esquema: el Arbitro IA (o Gestor).

2. El Arbitro IA no genera ideas, ni juzga el contenido cualitativamente. Su regla es rechazar en primera fase el 70% de las propuestas emitidas por las IAs (ver nota 1).

3. La primera respuesta (ej. "contratar más revisores") es descartada. Este resultado obtenido, el Arbitro IA lo pasa a una segunda IA con una instrucción explícita: "Esto ya fue rechazado por obvio; encuentra la falla de origen y propone algo distinto".

De esta sucesión de respuestas transferidas entre los agentes AI, empiezan a emerger soluciones potencialmente innovadoras. Por ejemplo: reemplazar la revisión secuencial por una revisión paralela entre disciplinas. En iteraciones sucesivas, se llega a propuestas cada vez mejores y más radicales. Esto ya no es optimización, es cambio de modelo.

¿Cuándo parar?

El rechazo encadenado no puede ser infinito. La primera señal de parada ocurre cuando, tras el 70% de los rechazos (nota 1), el diferencial semántico entre soluciones consecutivas se vuelve mínimo. Esta señal es tomada por el Arbitro IA de que el espacio para el logro de una solución se ha agotado. En caso de dificultad para el logro de este mínimo semántico, el Arbitro IA da un margen adicional del 5% de rechazos de esta fase, luego de esto, da como optima la solución identificada.

Una vez concluida la primera fase, el Arbitro IA activa la segunda fase: El Pulimento. Aquí se busca el refinamiento de la solución de la primera fase, para ello la solución obtenida se somete a una nueva secuencia de rechazos, fijado ahora con tope de entre 20% y 30% el rechazo de todo lo generado, luego de ello, el Arbitro IA vuelve a identificar la mínima dispersión semántica entre los resultados y extrae del sistema la solución óptima. Esta solución óptima y tentativamente disruptiva es la que el Árbitro IA identifica como resultado.

Consideraciones de riesgo y viabilidad operativa

La Optimización por Estrés Secuencial conlleva riesgos prácticos. Rechazar el 70% de las respuestas más probables (nota 1) empuja a los agentes de IA hacia zonas de baja probabilidad, donde una respuesta errónea o una alucinación pueden sostenerse con una consistencia lógica. El resultado puede verse completamente correcto sin serlo. Los agentes de IA también pueden aprender a disfrazar respuestas conocidas con lenguaje complejo para superar el filtro del Árbitro sin cambiar realmente la idea subyacente, por lo que el resultado de la primera fase de rechazo necesitará seguimiento humano para verificar su contenido.

También hay un costo asociado. Los ciclos repetidos de rechazo implican generación repetida, lo que añade latencia, consumo de tokens y costo de cómputo. Por esta razón, la OES no está pensado como método de uso general. Aplica a casos donde el valor de una mejor respuesta justifica el costo adicional: decisiones estratégicas o búsqueda de innovación, no tareas rutinarias.

Resumen:

Este enfoque transforma la gestión de sistemas multiagente: El rol del usuario deja de ser supervisor de respuestas y pasa a ser diseñador de la fricción, de la cual el conocimiento emerge. Se destaca en este enfoque la figura del Arbitro IA, cuyo rol es deliberadamente limitado, ya que no es un agente creativo ni un juez de calidad, es un agente que gestiona el rechazo sin emitir juicio sobre el contenido. He ahí la posibilidad de que algo inesperado surja y la IA salga de lo previsible y apunte a la solución más original, creativa o disruptiva.

Nota 1: El umbral del 70% es un valor inicial arbitrario establecido aquí para ilustrar el procedimiento OES. En la práctica, este porcentaje es un parámetro que debe ajustarse en función del costo computacional y la calidad de la solución. Podría ser modificado por el usuario o por el propio Árbitro si el costo supera el progreso de la optimización (por ejemplo, cuando el diferencial semántico disminuye). Un análisis detallado de este ajuste escapa al alcance de este artículo y será abordado en una publicación futura.

Declaración de transparencia: el autor reconoce el uso de Inteligencia Artificial (IA) como herramienta de apoyo durante el proceso de investigación, estructuración de datos y optimización del contenido. El concepto central, la revisión final y el análisis crítico siguen siendo responsabilidad exclusiva del autor.