Google crea una Wikipedia para que los agentes de IA aprendan de sus propios errores
WikiSkill es un sistema que permite a los agentes de inteligencia artificial documentar sus fallos y aciertos en una base de conocimiento persistente, mejorando su rendimiento en tareas futuras sin descartar lo aprendido tras cada ejecución.
Google Research presentó WikiSkill, un sistema que permite a los agentes de IA (programas que ejecutan tareas de forma autónoma) documentar sus errores y aciertos en una base de conocimiento tipo wiki. Así mejoran en tareas futuras sin olvidar lo aprendido, permitiendo que modelos pequeños igualen el rendimiento de otros mucho más grandes.
Google Research ha presentado WikiSkill, un marco de trabajo que dota a los agentes de IA (programas capaces de tomar decisiones y ejecutar tareas de forma autónoma) de una especie de memoria a largo plazo. Hasta ahora, la mayoría de estos sistemas olvidan lo que han aprendido en cuanto terminan una tarea: cada vez que se enfrentan a un nuevo desafío, parten de cero. WikiSkill cambia esa dinámica permitiendo que documenten tanto sus fracasos como sus éxitos en una estructura similar a una wiki, que consultan en futuras ejecuciones.
Según informó The Decoder, el sistema funciona como una base de conocimiento persistente en la que el agente registra qué estrategias funcionaron, cuáles fallaron y por qué. Cuando se enfrenta a una tarea nueva, revisa esa información antes de actuar, igual que un profesional consulta sus notas de proyectos anteriores. La idea es sencilla, pero su impacto es notable: los agentes equipados con WikiSkill mejoran su rendimiento con cada nueva tarea, en lugar de repetir los mismos errores una y otra vez.
Los experimentos de Google muestran que los modelos de lenguaje más grandes (LLM, o Large Language Models, sistemas de IA entrenados con enormes cantidades de texto para entender y generar lenguaje) son los que más provecho sacan de esta memoria compartida. Sin embargo, el hallazgo más interesante es que modelos más pequeños y menos potentes, cuando se les equipa con WikiSkill, logran igualar el rendimiento de modelos mucho más grandes que operan sin esa base de conocimiento. Es decir, la memoria persistente puede compensar, al menos en parte, la falta de capacidad bruta de procesamiento.
Esto tiene implicaciones prácticas inmediatas. Los modelos grandes son caros de ejecutar porque requieren servidores potentes y consumen mucha energía. Si un modelo pequeño con WikiSkill puede hacer el mismo trabajo que uno grande sin él, el ahorro en infraestructura y costes operativos sería considerable. Además, abre la puerta a desplegar agentes de IA más eficientes en dispositivos con recursos limitados, como móviles o equipos industriales.
WikiSkill no es el primer intento de dotar a los agentes de IA de memoria, pero sí uno de los más ambiciosos en cuanto a su estructura colaborativa y escalable. La idea de que los agentes documenten y compartan conocimiento entre sí recuerda al modelo de desarrollo de software de código abierto, donde la comunidad mejora el producto de forma colectiva. Google no ha anunciado aún si WikiSkill se integrará en productos comerciales o quedará como proyecto de investigación, pero la lógica del sistema es lo suficientemente sólida como para anticipar que veremos variantes de esta idea en herramientas reales en el corto plazo.
