Investigadores de Meta AI y la Universidad de Illinois Urbana-Champaign han presentado EvoHarness-RL, un marco para entrenar agentes de inteligencia artificial que no solo ejecuten herramientas, sino que aprendan cuándo consultar memoria, actualizar el estado de una tarea o reutilizar experiencia previa. La idea apunta a un problema práctico en empresas: los agentes fallan menos cuando saben gestionar el contexto operativo, no solo cuando tienen un modelo más grande.
VentureBeat explica el concepto con un flujo empresarial largo, como migrar lotes de clientes desde un CRM antiguo a una base de datos en la nube. En ese tipo de trabajo, el agente necesita leer logs, recordar errores, saber qué pasos ya completó y no repetir acciones. Si todo depende de instrucciones rígidas escritas por desarrolladores, cada cambio de modelo o de entorno exige volver a ajustar la lógica.
La propuesta de EvoHarness-RL es convertir esa capa de coordinación en un comportamiento aprendido, no en una colección interminable de reglas manuales. El sistema reúne tres espacios: Belief, para mantener una lectura del entorno; Progress, para controlar objetivos pendientes y completados; y Experience, para reutilizar lecciones de tareas anteriores.
El agente interactúa con esa capa mediante cuatro acciones compactas: track, commit, recall y note. Con ellas puede seguir el estado del entorno, registrar avances, consultar estrategias previas y guardar aprendizajes. La ventaja es que no necesita interfaces específicas para cada caso de uso, sino un panel de trabajo común que puede adaptarse a software, finanzas, operaciones o auditoría.
Los resultados publicados son llamativos. El equipo entrenó Qwen3-8B como modelo base y lo evaluó en ALFWorld, un benchmark de tareas secuenciales y seguimiento de estado. Con EvoHarness-RL, el modelo alcanzó una tasa media de éxito del 96,9%, una mejora de 49 puntos porcentuales frente a su línea base ReAct. También superó a marcos entrenables como SkillRL y SkillOS.
Lo relevante para empresas no es que un modelo pequeño gane una prueba concreta, sino que parte del rendimiento puede venir de gestionar mejor el trabajo. En la comparación recogida por VentureBeat, el modelo de 8.000 millones se situó al nivel de sistemas cerrados mucho más caros en ese entorno. Además, el marco BPE mejoró el rendimiento de modelos frontera congelados al aplicarse como capa de prompt y estado.
El entrenamiento se divide en dos fases. Primero, el modelo aprende de forma supervisada a extraer información útil de logs e interacciones desordenadas. Después, una fase de aprendizaje por refuerzo sensible al coste le enseña cuándo merece la pena consultar memoria o actualizar rastreadores, porque cada llamada consume tiempo y tokens.
Ese punto es clave para producción. Un agente que consulta todo a cada paso puede ser más cuidadoso, pero también más caro y lento. Los investigadores observaron un fenómeno que llaman harness annealing: al principio el agente usa mucho la memoria externa, pero reduce consultas cuando domina acciones rutinarias y vuelve a apoyarse en ella ante casos nuevos o errores extraños.
Para equipos de IA corporativa, esto apunta a una arquitectura más realista: modelos más pequeños para tareas frecuentes, modelos frontera para consolidar conocimiento difícil y una capa de estado que evite perder el hilo. No todas las tareas necesitan este nivel de orquestación. Para trabajos cortos, un enfoque clásico puede bastar.
La utilidad aparece en procesos de horas, días o semanas, donde un agente debe recordar decisiones, corregir fallos y no duplicar pasos. Si la IA empresarial quiere pasar del asistente puntual al compañero operativo, la memoria de trabajo y la gobernanza de estado serán tan importantes como la potencia del modelo.
