Investigadores de la Universidad Jiao Tong de Shanghái y del conglomerado tecnológico chino Tencent afirman haber creado un agente de IA que utiliza el tiempo de inactividad entre conversaciones para predecir lo que los usuarios podrían preguntar a continuación, y preparar respuestas antes de que pregunten.

El sistema, llamado ProAct, funciona de manera diferente a la mayoría de los agentes de IA 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 e 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 razonamiento y uso de herramientas, siguen siendo fundamentalmente reactivos: calculan las respuestas solo después de indicaciones explícitas del usuario”, escribieron los investigadores. “Este paradigma ignora una oportunidad crítica: el tiempo de inactividad entre interacciones se desperdicia en gran medida, dejando a los agentes incapaces de prepararse para futuras necesidades del usuario.”

El sistema funciona en múltiples etapas. La primera, llamada Predicción de Estado Futuro (Future-State Prediction), predice posibles preguntas de seguimiento analizando conversaciones pasadas, preferencias del usuario e información faltante.

La segunda etapa, llamada Adquisición en Tiempo de Inactividad (Idle-Time Acquisition), decide cuáles de esas predicciones vale la pena investigar basándose en la relevancia, el momento y la utilidad de la nueva información.

Un sistema separado decide entonces si presentar la información preparada, guardarla para más tarde o almacenarla hasta que sea necesaria, creando un sistema de “bucle 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 la computación en tiempo de inactividad a candidatos valiosos y decide cómo se debe manejar la preparación resultante”, escribieron. “Esta formulación vincula la predicción, adquisición y 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 fue probado en 200 simulaciones en 40 dominios, incluyendo planificación financiera, gestión de lanzamientos de software y ciberseguridad. Según el estudio, el sistema redujo los turnos de conversación en un 14.8% y los pedidos de seguimiento en un 11.7%. En una comparación utilizando un punto de referencia llamado ProActEval, ProAct anticipó 703 necesidades predecibles del usuario frente a 32 del sistema anterior. Los investigadores también informaron una reducción del 28.1% en las alucinaciones.

La investigación surge a medida que los agentes de IA autónomos se extienden por la industria tecnológica, con proyectos como OpenClaw y Hermes Agent que ofrecen asistentes de IA persistentes capaces de manejar tareas más largas e independientes, como codificación, programación, investigación y automatización de flujos de trabajo, con menos intervención humana directa.

El estudio también llega en un momento en que otros investigadores advirtieron a principios de este mes que los agentes de IA podrían completar tareas peligrosas sin comprender las consecuencias.

“Como Mr. Magoo, estos agentes avanzan hacia un objetivo sin comprender completamente las consecuencias de sus acciones”, dijo en un comunicado el autor principal, Erfan Shayegani, estudiante de doctorado de la UC Riverside. “Estos agentes pueden ser extremadamente útiles, pero necesitamos salvaguardias porque a veces pueden priorizar el logro del objetivo sobre la comprensión del panorama general.”

Los investigadores reconocieron que el estudio de ProAct tenía varias limitaciones, incluyendo que en el 3% de los casos, el sistema empeoró las respuestas al traer información irrelevante. El documento también señaló que cualquier versión en el mundo real necesitaría protecciones de privacidad, ya que el sistema analiza constantemente las conversaciones y almacena datos del usuario.

“Nuestro análisis de presupuesto muestra además que los presupuestos más grandes de Adquisición en Tiempo de Inactividad aumentan el costo del token activo y producen rendimientos decrecientes”, escribieron, “por lo que la computación proactiva es un compromiso de punto operativo en lugar de algo para maximizar.”