Por varias décadas, uno de los desafíos más persistentes en el campo de la Inteligencia Artificial (IA) ha sido superar la rigidez de los sistemas tradicionales, los cuales dependen de reglas estáticas o de re-entrenamientos manuales por parte de ingenieros. Para construir sistemas más autónomos y adaptativos, la disciplina ha evolucionado hacia la creación de tecnologías que evalúan sus propios resultados, identifican deficiencias y se corrigen a sí mismas en tiempo real o a lo largo del tiempo.
Y ahora estas viejas tecnologías han salido nuevamente a la palestra de la mano no solo de universidades sino de empresas como OpenAI y Anthropic, entre otras. Esto, porque sistemas que se adaptan por si mismo sin necesidad de supervisión humana es una de las ´promesas clásicas de la IA. Sistemas basados en LLM ya pueden generar datos sintéticos, código y otras tareas, pero aún no son capaces de actuar en forma independiente.
Bajo este marco, los agentes que automejoran (self-improving agents) se definen como sistemas de IA diseñados para optimizar progresivamente su rendimiento, capacidades o estrategias mediante la adaptación continua, la retroalimentación del entorno y el aprendizaje a partir de la experiencia, reduciendo al mínimo la intervención humana.

Para lograr esta auto-mejora, existen dos paradigmas fundamentales:
1. Agentes Basados en tecnologías de Computación Evolutiva:
Estos están basados en técnicas de IA denominadas algoritmos genéticos (AG) y programación genética (PG). Este tipo de agentes mejoran a nivel simulando procesos de evolución natural, comenzando desde una población inicial de posibles soluciones a un problema y luego modificándolas mediante operaciones genéticas, usualmente en la forma de selección, cruzamiento y mutación, tal como ocurre en la biología. Los AG han sido técnicas muy exitosas en IA desde que se crearon varias décadas atrás para abordar problemas reales de optimización, mejora de procesos, generación automática de programas, entre muchos otros.
Filosofía: «Supervivencia del más apto«
2. Agentes Basados en LLM Recursivos
Este tipo de agentes aprovechan se sustentan en las capacidades de acción y procesamiento de lenguaje de los LLM (Grandes Modelos de Lenguaje) que sustentan aplicaciones tales como Gemini, Claude, ChatGPT, con el fin de automejorarse a nivel individual. Estos van mejorando la realización de una tarea, analizando sus propios resultados y acciones, actualizando automáticamente su salida, usualmente correspondiente a prompts, de modo de lograr un objetivo. A diferencia de los AG, la actualización se basa en otras técnicas de IA conocidas como Aprendizaje por Refuerzo (Reinforcement Learning o RL). La versión moderna que utiliza LLM es la que actualmente se denomina Agentes de auto-mejora recursiva (Recursive Self-Improving Agents), los cuales están diseñados para analizar su propio código, encontrar fallos o formas de trabajar mejor, y reescribirse a sí mismos para volverse cada vez más eficaces.
Aunque ambos enfoques buscan optimizar el desempeño de un agente mediante la experiencia y la adaptación, la diferencia fundamental radica en la unidad de iteración y la mecánica de actualización: mientras que los agentes evolutivos optimizan a nivel de población y código genético/parámetros, los agentes de mejora recursiva suelen operar a nivel de un agente individual mediante aprendizaje online o ajuste de prompts.
Filosofía: «Aprender de los propios errores y reintentar”
La estructura común de ambos tipos de agentes es simple. Cuando un programa computacional requiere mejorar, un grupo de ingenieros humanos debe sentarse a escribir el nuevo código. Con la auto-mejora (evolutiva o recursiva), el programa toma el rol del ingeniero. Así, el ciclo funciona en cuatro pasos básicos:
- Evaluación: El agente pone a prueba sus “habilidades” (o “soluciones”) y detecta en qué está fallando o qué podría hacer más rápido (evaluación de calidad).
- Diseño: Crea una hipótesis o un nuevo “programa” para corregir el problema.
- Modificación: Escribe el programa “corregido” (un prompt en el caso del LLM o nueva “población” en el caso de un AG), y la “corre” o prueba en su propio sistema.
- Repetición: Ejecuta el nuevo sistema mejorado y vuelve a empezar el ciclo desde el paso uno.
La utilidad de todo esto es crucial en muchos problemas complejos de hoy en día. Para explicar su potencial en simple, imagine por un momento que compra un automóvil que, cada noche mientras usted duerme, revisa su propio motor, ajusta las piezas gastadas, mejora la eficiencia de su combustible y amanece siendo un modelo más moderno y rápido que el día anterior.
Las dos caras de la moneda
Como cualquier avance tecnológico, esta capacidad de auto-mejora trae consigo enormes oportunidades, pero también importantes riesgos que deben ser gestionados.

Separando la ficción de la realidad
A menudo, los titulares de noticias exageran o distorsionan lo que la IA realmente puede hacer. Con los agentes de auto-mejora la historia no es muy diferente:
❌ Mito: ‘La IA va a cobrar conciencia de la noche a la mañana y dominar el mundo.’
✔️ Realidad: La auto-mejora es un proceso matemático u algorítmico, no sentimental. El programa solo optimiza código para el que fue instruido; no cobra conciencia ni tiene voluntad propia.
❌ Mito: ‘Estos agentes ya pueden mejorarse de forma infinita sin ayuda.’
✔️ Realidad: En la práctica actual, la mejora se frena rápidamente por límites físicos (capacidad de computación, energía) o por degradación de los datos (la IA se ‘confunde’ si no hay supervisión humana).
❌ Mito: ‘Los programadores humanos van a desaparecer inmediatamente.’
✔️ Realidad: Los programadores no desaparecen, sino que cambian de rol: pasan de escribir código manualmente a actuar como directores, supervisores y arquitectos de la estrategia del sistema.
Finalmente, los agentes de auto-mejora representan un salto cualitativo en la informática. Pasar de programas estáticos a programas dinámicos que aprenden y corrigen sus propios errores abre puertas increíbles para la medicina, el diseño de nuevos materiales y la ciencia.
Por: Dr. John Atkinson – Profesor Titular / Facultad de Economía y Negocios, UNAB / Fundador AI-Empowered





