Investigadores de Alibaba han presentado SkillWeaver, un marco para agentes de inteligencia artificial diseñado para elegir herramientas de forma más eficiente durante tareas complejas. Según la cobertura de VentureBeat y el trabajo académico asociado, el enfoque puede reducir más de un 99% el consumo de tokens frente a sistemas que exponen al agente una biblioteca completa de herramientas en cada petición.
El problema que intenta resolver es cada vez más habitual. Los agentes empresariales no trabajan con una sola función. Pueden tener acceso a bases de datos, hojas de cálculo, gestores documentales, APIs internas, sistemas de tickets, repositorios de código y herramientas externas. Si el modelo recibe todas las instrucciones disponibles en cada paso, el contexto crece, los costes suben y la precisión puede empeorar.
La eficiencia de los agentes de IA dependerá menos de modelos gigantes y más de arquitecturas que sepan qué herramienta mostrar en cada momento. SkillWeaver apunta justo a esa capa intermedia: descomponer una tarea, construir un grafo de ejecución y recuperar habilidades relevantes para cada nodo, en lugar de pedir al modelo que razone con todo el catálogo disponible.
La idea encaja con la evolución del software empresarial. A medida que protocolos como MCP y otros conectores se extienden, las compañías tendrán agentes conectados a decenas o cientos de capacidades. Esa abundancia puede convertirse en ruido si no hay un sistema que filtre herramientas, permisos y pasos con precisión. Un agente con demasiadas opciones puede fallar por exceso de contexto igual que un empleado puede perder tiempo ante un panel saturado.
Para las empresas, la mejora de tokens no es un detalle menor. El coste de inferencia sigue bajando, pero los agentes consumen muchas más llamadas que un chatbot tradicional. Un flujo que consulta datos, compara alternativas, genera documentos y ejecuta acciones puede multiplicar el gasto si cada paso arrastra instrucciones innecesarias.
Reducir tokens no solo abarata la operación; también puede mejorar la gobernanza porque obliga a definir qué herramientas son pertinentes para cada tipo de tarea. Esa relación entre coste y control será clave en despliegues reales. Los equipos de TI necesitan saber por qué un agente usó una API, bajo qué permisos y con qué información de contexto.
SkillWeaver no resuelve por sí solo los problemas de seguridad o responsabilidad, pero muestra hacia dónde se mueve la ingeniería de agentes. El valor ya no estará únicamente en encadenar llamadas a un modelo, sino en diseñar sistemas que planifiquen, recuperen capacidades, validen resultados y escalen a producción sin disparar el coste.
La propuesta de Alibaba también confirma que la competencia en IA se desplaza hacia la infraestructura de uso. Los laboratorios compiten por modelos, pero empresas como Alibaba, Microsoft, Google o startups especializadas compiten por convertir esos modelos en flujos útiles y gobernables.
El próximo salto de productividad vendrá de agentes menos dispersos, con menos contexto inútil y con una selección de herramientas mucho más disciplinada. Si esa disciplina llega al producto empresarial, la IA agentica será más fácil de justificar ante finanzas y seguridad.
Para desarrolladores, el mensaje es práctico: documentar bien cada herramienta y limitar su exposición al contexto adecuado puede tener tanto impacto como cambiar de modelo o contratar más capacidad de cómputo.
