Los sistemas inteligentes ahora anticipan las necesidades de los consumidores con una precisión asombrosa, a menudo superando las solicitudes.
En breve
Investigadores de la Universidad Jiao Tong de Shanghai y Tencent desarrollaron ProAct, un agente de inteligencia artificial diseñado para predecir las posibles necesidades de los usuarios antes de que los pregunten.
El sistema utiliza el tiempo de inactividad entre mensajes para revisar conversaciones pasadas y preparar información con anticipación.
Los investigadores dijeron que ProAct funcionó mejor que los sistemas proactivos de IA anteriores en las pruebas comparativas, aunque los experimentos no involucraron a usuarios reales.
Investigadores de la Universidad Jiao Tong de Shanghai y el conglomerado tecnológico chino Tencent afirman haber creado un agente de inteligencia artificial que utiliza el tiempo de silencio entre conversaciones para predecir lo que los usuarios pueden preguntar a continuación y preparar respuestas antes de preguntar.
El sistema, llamado ProAct, funciona de manera diferente a la mayoría de los agentes de inteligencia artificial que esperan a que los usuarios hagan una pregunta antes de responder. En cambio, ProAct utiliza el tiempo de inactividad entre mensajes para revisar conversaciones pasadas y la información guardada del usuario, luego prepara información útil en segundo plano antes de que llegue la siguiente pregunta.
"Si bien los agentes de IA demuestran capacidades notables en el razonamiento y el uso de herramientas, siguen siendo fundamentalmente reactivos: calculan respuestas sólo después de indicaciones explícitas del usuario", escribieron los investigadores. "Este paradigma ignora una oportunidad crítica: el tiempo inactivo entre interacciones se desperdicia en gran medida, lo que deja a los agentes incapaces de prepararse para las necesidades futuras de los usuarios".
El sistema funciona en múltiples etapas. El primero, llamado Predicción del estado futuro, predice posibles preguntas de seguimiento analizando conversaciones pasadas, preferencias de los usuarios e información faltante.
La segunda etapa, llamada Adquisición en tiempo de inactividad, decide cuáles de esas predicciones vale la pena investigar en función de la relevancia, el momento y la utilidad que podría tener la nueva información.
Luego, un sistema separado decide si presenta la información preparada, la guarda para más adelante o la almacena hasta que sea necesaria, creando un sistema de “circuito cerrado” diseñado para anticipar y responder a las necesidades del usuario.
"Después de cada interacción en primer plano, el agente actualiza su memoria, predice posibles necesidades futuras, asigna cálculos de tiempo de inactividad a candidatos valiosos y decide cómo se debe manejar la preparación resultante", escribieron. "Esta formulación vincula la predicción, la adquisición y la entrega a una única política, en lugar de tratar la computación en tiempo de inactividad como una búsqueda en segundo plano sin restricciones".
Según los investigadores, ProAct se probó en 200 simulaciones en 40 dominios, incluida la planificación financiera, la gestión de lanzamientos de software y la ciberseguridad. Según el periódico, el sistema redujo los turnos de conversación en un 14,8% y las solicitudes de seguimiento en un 11,7%. En una comparación utilizando un punto de referencia llamado ProActEval, ProAct anticipó 703 necesidades de usuario predecibles frente a 32 del sistema anterior. Los investigadores también informaron de una reducción del 28,1% en las alucinaciones.
La investigación se produce mientras los agentes autónomos de IA se extienden por toda la industria tecnológica, con proyectos como OpenClaw y Hermes Agent que ofrecen asistentes de IA persistentes que pueden manejar tareas más largas e independientes, como codificación, programación, investigación y automatización del flujo de trabajo, con menos intervención humana directa.
El estudio también se produce cuando investigadores separados advirtieron a principios de este mes que los agentes de IA pueden completar tareas peligrosas sin comprender las consecuencias.
"Al igual que el Sr. Magoo, estos agentes avanzan hacia una meta sin comprender completamente las consecuencias de sus acciones", dijo en un comunicado el autor principal Erfan Shayegani, estudiante de doctorado de UC Riverside. "Estos agentes pueden ser extremadamente útiles, pero necesitamos salvaguardas porque a veces pueden priorizar el logro del objetivo sobre la comprensión del panorama general".
Los investigadores reconocieron que el estudio ProAct tenía varias limitaciones, incluido que en el 3% de los casos, el sistema empeoró las respuestas al mostrar información irrelevante. El periódico también decía que cualquier versión del mundo real necesitaría protecciones de privacidad, porque el sistema analiza constantemente las conversaciones y almacena los datos del usuario.
"Nuestro análisis presupuestario muestra además que los presupuestos más grandes para la adquisición en tiempo de inactividad aumentan el costo de los tokens activos y producen rendimientos decrecientes", escribieron, "por lo que el cálculo proactivo es una compensación de puntos operativos en lugar de algo que se debe maximizar".