Quien integra agentes de IA en procesos de desarrollo o de negocio, tarde o temprano trabaja con las llamadas skills. Se refiere a instrucciones almacenadas que le indican a un agente cómo ejecutar una determinada tarea, desde la creación de un ticket hasta la comprobación de despliegue. Una investigación de investigadores de la Universidad de Princeton y de la Universidad de California, San Diego, aporta ahora una precisión importante: el beneficio de tales skills surge principalmente por la estructura que contienen, no por el conocimiento especializado adicional.
La diferencia entre conocimiento y procedimiento
La distinción suena académica, pero tiene consecuencias inmediatas para la práctica. Muchos equipos tratan las skills como una base de conocimiento: escriben en ellas lo que el modelo debe saber sobre un sistema, una interfaz o un producto. El estudio indica que precisamente eso no es la palanca decisiva. Los modelos base ya aportan mucho conocimiento general. Lo que les falta es la secuencia fiable: qué paso va primero, qué comprobación se realiza antes del siguiente paso, cuándo se considera completada una tarea.
Una skill actúa, por tanto, menos como una obra de consulta y más como una instrucción de trabajo. Reduce el número de decisiones que un agente debe tomar por sí mismo y disminuye así la probabilidad de que elija un camino que suena plausible pero conduce a un resultado incorrecto. Para la arquitectura de los setups de agentes, esto significa que el esfuerzo debe destinarse a la descripción del procedimiento, no a la recopilación lo más completa posible de información de contexto.
El problema comienza con el crecimiento de la biblioteca
La segunda conclusión de la investigación es la más incómoda. Las skills despliegan su beneficio solo si el agente encuentra la instrucción adecuada en el momento correcto. A medida que crece la biblioteca de skills, precisamente eso le resulta cada vez más difícil. El efecto es conocido por otros contextos: cuantas más opciones similares haya para elegir, más poco fiable se vuelve la propia elección.
En consecuencia, el beneficio se invierte. Un setup que funciona muy bien con un puñado de skills claramente delimitadas puede, tras ampliarse a varias docenas de instrucciones, funcionar peor que antes, no porque las skills individuales hayan empeorado, sino porque el agente elige la incorrecta o ninguna. Quien opera agentes en proyectos de clientes debería prever este punto antes de que la biblioteca haya crecido de forma orgánica.
Qué significa esto para la construcción de setups de agentes
De ambos hallazgos se pueden derivar algunas directrices prácticas:
- Procedimiento antes que contenido: Una skill debe describir en primer lugar pasos, secuencias y condiciones de interrupción. El conocimiento de contexto solo debe incluirse si es realmente necesario para la ejecución del paso.
- Delimitación clara: Dos skills que se solapan en contenido aumentan la tasa de error en la selección. Es mejor una única skill con una bifurcación que dos variantes casi idénticas.
- El tamaño de la biblioteca como parámetro de diseño: El número de skills no es una mera tarea de diligencia, sino una decisión de arquitectura. Vale la pena establecer conscientemente un límite superior y depurar con regularidad.
- Aligerar la selección: En lugar de ofrecer todas las skills al mismo tiempo, se puede acotar el contexto, por ejemplo, por dominio, fase del proyecto o rol. El agente elige entonces entre pocas opciones relevantes en lugar de entre el conjunto total.
- Medir en lugar de suponer: Si una nueva skill mejora la operación solo puede evaluarse con casos de prueba repetibles. Sin esta salvaguarda, toda ampliación sigue siendo un riesgo.
Paralelismos con la documentación clásica de procesos
Quien alguna vez haya gestionado un manual de gestión de calidad o una colección de instrucciones de trabajo internas reconoce el patrón. También allí se cumple: una documentación esbelta y bien mantenida se utiliza, una desbordante no. También allí la aplicación rara vez fracasa por falta de conocimiento, sino por la pregunta de qué documento es aplicable al caso presente. Las skills para agentes de IA parecen estar sujetas a la misma lógica, con la diferencia de que ahora la selección se realiza de forma automatizada y sus errores llegan directamente al resultado.
Esto alivia a los equipos en un punto y los carga en otro. El alivio es que las skills no tienen que ser enciclopédicas; bastan descripciones breves y precisas del procedimiento. El esfuerzo surge, en cambio, en el mantenimiento: quien crea skills necesita un proceso que también las vuelva a unificar, revisar o eliminar.
Clasificación para proyectos web y de software
Para proyectos en los que los agentes asumen tareas recurrentes —migraciones de contenido, revisiones rutinarias, evaluaciones, pasos de aprobación—, el foco se desplaza con ello. El éxito depende menos de cuánto se le enseña al agente que de cuán claramente se delimitan los procedimientos y con cuánta disciplina se gestiona la biblioteca de skills. Se recomienda planificar los setups de agentes desde el principio con un número manejable de skills nítidamente delimitadas, restringir el acceso según el contexto y comprobar las ampliaciones igual que los cambios de código. Quien lo ignora construye un sistema que convence en la operación piloto y se vuelve silenciosamente poco fiable en la operación regular.