El agente Metis de Alibaba reduce en un 96% las llamadas innecesarias a herramientas de IA y establece nuevos récords de precisión

El costo oculto de los agentes de IA demasiado propensos a usar herramientas

Los agentes modernos de inteligencia artificial tienen una debilidad fundamental en la toma de decisiones que eleva los costos operativos y frustra a los usuarios. Investigadores de Alibaba han identificado lo que denominan un profundo déficit metacognitivo en los modelos de lenguaje grandes actuales. A estos sistemas les cuesta distinguir entre los momentos que requieren recurrir a herramientas externas y las situaciones en que basta con su conocimiento interno. La consecuencia es una cascada de llamadas innecesarias a las API que ralentizan el rendimiento, deterioran la calidad del razonamiento y consumen recursos computacionales.

Los modelos agénticos actuales se entrenan para priorizar la finalización de las tareas por encima de todo. Este enfoque unilateral genera lo que los desarrolladores llaman un comportamiento «demasiado impulsivo»: los sistemas recurren automáticamente a herramientas de búsqueda en internet, ejecución de código o análisis de imágenes incluso cuando la consulta del usuario ya contiene toda la información necesaria. Según la investigación de Alibaba, esta redundancia alcanza niveles alarmantes: hasta el 98% de las llamadas a herramientas son innecesarias en implementaciones habituales. El patrón persiste porque los procesos de entrenamiento premian la resolución satisfactoria de las tareas sin penalizar el consumo ineficiente de recursos.

Cada llamada superflua a una API introduce demoras en el procesamiento secuencial que se acumulan y generan una latencia perceptible. Los usuarios experimentan tiempos de respuesta lentos y las organizaciones afrontan facturas de infraestructura más elevadas. Además de afectar la velocidad y los costos, el uso excesivo de herramientas perjudica activamente la calidad del razonamiento. Las consultas externas redundantes introducen ruido del entorno en la ventana de contexto del modelo, distraen al sistema de sus procesos de razonamiento coherente y pueden desviar sus conclusiones correctas. Cuando los agentes dependen innecesariamente de estas señales ruidosas, la calidad del resultado final se resiente, aunque aumenten los costos computacionales.

Cómo superar el estancamiento de la optimización

Los intentos anteriores de resolver esta ineficiencia se basaban en métodos tradicionales de aprendizaje por refuerzo que combinaban la precisión y la eficiencia en una única señal de recompensa. Este enfoque entrelazado crea un dilema de optimización insoluble. Las penalizaciones demasiado severas por usar herramientas llevan a los modelos a evitar llamadas externas necesarias y a sacrificar la corrección en tareas complejas. Las penalizaciones leves no frenan el derroche en problemas más sencillos. La estructura de recompensa compartida genera ambigüedad semántica: una respuesta rápida pero equivocada podría recibir el mismo reconocimiento que una respuesta lenta pero correcta. Como las señales de entrenamiento para la precisión y la eficiencia quedan entrelazadas, los modelos no pueden aprender a controlar el uso de herramientas sin deteriorar sus capacidades fundamentales de razonamiento.

Para superar esta limitación, los investigadores de Alibaba desarrollaron la Optimización Jerárquica de Políticas Desacopladas, o HDPO, por sus siglas en inglés. Este marco separa la optimización en dos canales independientes. El canal de precisión maximiza la corrección de las tareas en todas las ejecuciones del modelo. El canal de eficiencia busca que la ejecución requiera menos recursos. Estas señales se calculan por separado y solo se combinan en la etapa final del cálculo de la pérdida. Lo fundamental es que la recompensa por eficiencia sigue condicionada a la precisión. Una respuesta incorrecta no recibe reconocimiento por su rapidez ni por el uso mínimo de herramientas, lo que impide que el modelo aprenda a ser rápido, pero a equivocarse.

Esta separación crea un plan de aprendizaje cognitivo implícito que refleja la progresión educativa. En las primeras etapas del entrenamiento se hace hincapié en la precisión, mientras el modelo domina el razonamiento fundamental y la adquisición de conocimientos. A medida que maduran sus capacidades y el modelo llega de forma sistemática a respuestas correctas, la señal de eficiencia aumenta de manera natural. Este mecanismo lleva al sistema a dominar primero la resolución de tareas y, luego, a mejorar su autonomía evitando llamadas redundantes y costosas a las API. El resultado elimina los conflictos de gradientes que podrían hacer que los objetivos de precisión y eficiencia se contrarrestaran, y proporciona señales de aprendizaje claras para ambos objetivos a la vez.

La arquitectura de Metis

El equipo de investigación aplicó HDPO para crear Metis, un agente de razonamiento multimodal que demuestra estos principios en la práctica. Metis funciona con Qwen3-VL-8B-Instruct, un modelo de base de visión y lenguaje, y cuenta con capacidades para ejecutar código Python y buscar texto e imágenes. Su tamaño relativamente compacto, de 8.000 millones de parámetros, contrasta marcadamente con el de competidores más grandes y demuestra que las mejoras de eficiencia pueden compensar las ventajas de una escala mayor.

El proceso de entrenamiento sigue un riguroso enfoque en dos etapas, diseñado para establecer tanto una competencia básica como una eficiencia perfeccionada. Primero, el ajuste fino supervisado proporciona una inicialización en frío con datos cuidadosamente seleccionados. Los investigadores recopilaron trayectorias multimodales aumentadas con herramientas y disponibles públicamente, y luego aplicaron filtros rigurosos para eliminar ejemplos de baja calidad con fallas de ejecución o inconsistencias en la retroalimentación. Excluyeron toda muestra de entrenamiento que el modelo base pudiera resolver sin herramientas, para garantizar que el corpus incluyera únicamente casos que requirieran un uso estratégico real. Gemini 3.1 Pro de Google actuó como evaluador automatizado para verificar que los ejemplos restantes demostraran un uso necesario de las herramientas, y no habitual.

En la segunda etapa se aplica aprendizaje por refuerzo mediante el marco HDPO. Esta fase expone a Metis a interacciones de varios turnos en las que debe decidir si recurre a herramientas externas. Los datos de entrenamiento excluyen las instrucciones con imágenes dañadas o ambigüedad semántica que pudieran confundir la señal de aprendizaje. Como el algoritmo debe comparar respuestas correctas e incorrectas para generar gradientes significativos, el equipo filtró las tareas demasiado fáciles, en las que el modelo siempre acierta, y las excesivamente difíciles, en las que falla de manera sistemática. Esta selección garantiza señales de aprendizaje útiles durante toda la optimización y evita regiones de gradiente plano en las que el modelo no puede mejorar.

Del 98% de desperdicio a la precisión estratégica

Los resultados de la evaluación demuestran que el uso eficiente de herramientas y una alta precisión son objetivos complementarios, no incompatibles. Metis alcanzó un rendimiento de vanguardia en conjuntos de datos de percepción visual y comprensión de documentos, como HRBench y V*Bench, así como en rigurosas tareas de razonamiento matemático, como WeMath y MathVista. Cabe destacar que Metis, con 8.000 millones de parámetros, superó a Skywork-R1V4, un modelo agéntico mucho más grande, de 30.000 millones de parámetros, tanto en pruebas visuales como de razonamiento. Este rendimiento establece nuevos estándares para el sector y, al mismo tiempo, requiere muchos menos recursos computacionales.

Las mejoras cuantitativas coinciden con los cambios cualitativos de comportamiento observados durante las pruebas. En un experimento, los investigadores mostraron una imagen de un letrero de museo y preguntaron qué decía el texto del centro. Los modelos agénticos habituales escribían automáticamente código Python para recortar y procesar la imagen, aunque no fuera necesario, lo que añadía latencia y complejidad. Metis reconoció que el texto se leía con claridad en la imagen original, prescindió por completo de las herramientas externas y completó la tarea en una sola pasada de inferencia. Esto demuestra una comprensión visual genuina, en lugar de una dependencia mecánica de las herramientas.

En cambio, cuando se le mostró un gráfico complejo con líneas superpuestas en un subgráfico diminuto y se le pidió identificar la segunda línea más alta en un punto de datos específico, Metis determinó correctamente que su resolución nativa no permitía distinguir los detalles visuales. En vez de adivinar a partir de la imagen completa, recurrió a Python para recortar y ampliar únicamente esa región y obtener la precisión necesaria. Este comportamiento muestra que el código se utiliza como instrumento de precisión solo cuando la evidencia visual es realmente ambigua, y no como recurso predeterminado para cualquier entrada.

El argumento económico a favor de agentes más inteligentes

Para las empresas emergentes y las compañías que crean productos de IA, el avance de Metis se traduce directamente en una economía unitaria sostenible. Los agentes de IA actuales que utilizan API populares de OpenAI, Anthropic o Google pueden acumular miles de dólares en costos mensuales solo por llamadas redundantes. Una empresa emergente que gasta 10.000 dólares al mes en acceso a API podría reducir esa cifra en 9.600 dólares eliminando llamadas innecesarias a herramientas, según la proporción de reducción del 98% al 2% demostrada en la investigación. Estos ahorros se vuelven cruciales cuando los productos superan la etapa de producto mínimo viable y pasan a entornos de producción con miles de usuarios activos.

Además del ahorro directo, la reducción de la latencia genera ventajas competitivas en la experiencia del usuario. Tanto los productos de consumo como los empresariales se benefician de tiempos de respuesta más rápidos, que se relacionan estrechamente con la retención de usuarios y las métricas de interacción. A medida que los productos pasan de cientos a miles de usuarios activos, los cuellos de botella secuenciales provocados por llamadas innecesarias a las API se acumulan y deterioran el rendimiento de todo el sistema. Lo que funciona adecuadamente durante las primeras etapas de desarrollo suele colapsar bajo el tráfico de producción si no se optimiza la eficiencia, y puede generar crisis justo cuando se acelera el crecimiento.

En mercados con consumidores sensibles a los precios, como América Latina y otras economías emergentes, la eficiencia operativa determina la viabilidad de los negocios. Las empresas que mantienen márgenes saludables mientras sus competidores gastan capital en computación redundante obtienen posiciones competitivas sostenibles. La investigación sugiere que, en un entorno en el que cualquier empresa emergente puede acceder a los mismos modelos de base, la eficiencia se convierte en el principal factor diferenciador. Esta dinámica favorece a las organizaciones que implementan almacenamiento en caché inteligente, umbrales de confianza y selección estratégica de modelos, junto con marcos como HDPO.

Una nueva filosofía de entrenamiento

El marco HDPO representa un cambio conceptual en la forma en que los investigadores abordan el aprendizaje con herramientas. Los métodos anteriores se centraban principalmente en enseñar a los modelos a ejecutar correctamente las llamadas a herramientas, y daban prioridad a la competencia técnica sobre el criterio. El equipo de Alibaba sostiene que hay que fomentar la capacidad metacognitiva de discernir cuándo abstenerse por completo de usar herramientas externas. Para ello se necesitan datos de entrenamiento que muestren explícitamente la prudencia estratégica, y no solo la ejecución técnica, un matiz que en gran medida se pasaba por alto en los conjuntos de datos anteriores.

El proceso de selección de datos aborda graves deficiencias comunes en los conjuntos de datos existentes que incluyen herramientas. La mayoría de los corpus disponibles públicamente contiene trayectorias ruidosas en las que los modelos aprendieron a recurrir a herramientas por hábito, en vez de hacerlo estratégicamente. Al filtrar los ejemplos que pueden resolverse sin ayuda externa y utilizar evaluadores automatizados para verificar que el uso de herramientas sea necesario, los investigadores crearon un entorno de entrenamiento que recompensa la abstención razonada. Este enfoque contrasta con marcos como ReAct, que combina el razonamiento y la acción sin una optimización explícita de doble canal, o Meta Toolformer, que hace hincapié en aprender a usar herramientas, en vez de mejorar la eficiencia operativa.

El plan de aprendizaje implícito que crea HDPO refleja los patrones de aprendizaje humano en la formación profesional. Primero, los agentes novatos dominan la precisión de las tareas y se aseguran de que pueden resolver los problemas de manera fiable con los recursos disponibles. Una vez consolidada su competencia, el sistema pasa naturalmente a optimizar la eficiencia y aprende a resolver directamente los problemas conocidos, reservando las herramientas externas para situaciones verdaderamente novedosas o casos límite complejos. Esta progresión evita la fragilidad de los sistemas entrenados simultáneamente con ambos objetivos, en los que la precisión suele deteriorarse cuando se aplican restricciones de eficiencia.

Acceso de código abierto e impacto global

Alibaba publicó Metis y el código de entrenamiento de HDPO con la licencia permisiva Apache 2.0, que permite el uso comercial sin condiciones restrictivas ni regalías. Este enfoque abierto permite a las empresas emergentes integrar la tecnología de inmediato, en lugar de esperar soluciones propietarias o pagar tarifas de acceso prémium. Sin embargo, como la publicación está fechada en abril de 2026, la documentación y el apoyo de la comunidad aún se encuentran en una fase inicial, por lo que la implementación y la personalización adecuadas requieren una considerable experiencia técnica.

El lanzamiento se produce cuando el ecosistema de agentes de IA evoluciona más allá de la incorporación de funciones y empieza a centrarse en optimizar la eficiencia. Empresas como LangChain y LlamaIndex siguen integrando optimizaciones similares en sus plataformas, mientras que las alternativas propietarias ofrecen soluciones gestionadas con estructuras de costos diversas. Para los desarrolladores de los mercados hispanohablantes y las economías emergentes, adoptar pronto estos marcos de eficiencia ofrece oportunidades para crear productos competitivos, adaptados a las limitaciones de la infraestructura local y a la sensibilidad a los precios.

Los miembros del equipo de investigación subrayaron que eliminar llamadas ruidosas y redundantes a herramientas contribuye directamente a mejorar la precisión, en vez de obligar a sacrificar una métrica por otra. Su conclusión apunta a un cambio de paradigma más amplio en el desarrollo de la inteligencia artificial: pasar de sistemas que demuestran sus capacidades por la frecuencia con que usan herramientas a agentes que muestran criterio mediante la prudencia estratégica. El trabajo sugiere que el desarrollo futuro de la IA dará prioridad a las acciones selectivas e inteligentes, en lugar del uso exhaustivo de herramientas.

Lo esencial

• El agente Metis de Alibaba reduce del 98% al 2% las llamadas redundantes a herramientas de IA mediante el marco HDPO
• HDPO (Optimización Jerárquica de Políticas Desacopladas) separa la precisión y la eficiencia en canales de entrenamiento independientes
• Metis, con 8.000 millones de parámetros, supera en pruebas visuales y de razonamiento a modelos mucho más grandes, de 30.000 millones de parámetros
• El uso estratégico de herramientas crea un plan de aprendizaje cognitivo implícito en el que los agentes dominan la precisión antes de optimizar la eficiencia
• Las empresas emergentes podrían reducir hasta un 96% sus facturas de API al eliminar llamadas innecesarias
• Metis y el código de HDPO se publicaron con la licencia Apache 2.0, que permite el uso comercial sin restricciones
• El marco aborda el déficit metacognitivo que impide a los agentes de IA distinguir cuándo basta su conocimiento interno y cuándo necesitan herramientas externas