KAIST presenta KORMo-Web, un agente de IA que usa sitios web al interpretar lo que aparece en pantalla

11 min de lectura
KAIST unveils KORMo-Web, an AI agent that uses websites by watching the screen

Un modelo pequeño de IA aborda tareas reales en sitios web

Investigadores de KAIST lanzaron KORMo-Web, un agente de inteligencia artificial que opera sitios web mediante clics del ratón y el teclado. Su modelo más pequeño completó el 42,3 % de las tareas asignadas en coreano y en inglés durante una evaluación en sitios web reales.

Contenido
  1. Un modelo pequeño de IA aborda tareas reales en sitios web
  2. ¿Cómo usa una IA un sitio web como lo haría una persona?
  3. Qué enseñó el equipo al modelo antes de pedirle que actuara
  4. ¿Qué significa una tasa de éxito del 42,3 %?
  5. Por qué son importantes los datos de evaluación en coreano
  6. Tres modelos y las herramientas para ejecutarlos
  7. De las demostraciones a la delegación de tareas útiles
  8. Puntos clave

El equipo, dirigido por el profesor Lim Kyung-taek, de la Escuela de Posgrado de Tecnología Cultural de KAIST, anunció el lanzamiento el 17 de noviembre de 2026. Para entrenar el sistema, utilizó más de 10 millones de muestras de pantallas web y más de 100.000 registros de interacciones con sitios web, con el fin de enseñarle qué ve y cómo actuar.

KORMo-Web puede utilizar servicios como ChatGPT y Claude, buscar productos en Naver Shopping y Coupang, redactar correos electrónicos y realizar actividades en comunidades en línea. Los investigadores también presentaron un video de demostración que condensa en cuatro minutos 40 tareas realizadas en sitios web reales.

La idea central es sencilla: en lugar de crear una conexión de software distinta para cada servicio, se dota a una IA de la capacidad de entender la misma pantalla que ve una persona y manejar sus controles.

KAIST lanzó tres tamaños de modelo, incluida una versión con 4.000 millones de parámetros que puede ejecutarse directamente en una computadora personal. El lanzamiento también incluye los pesos del modelo, datos de entrenamiento, datos de evaluación en coreano y el código de una extensión para Chrome, de modo que los desarrolladores cuentan con los componentes necesarios para ejecutar y estudiar el sistema.

¿Cómo usa una IA un sitio web como lo haría una persona?

KORMo-Web es un agente de IA, es decir, realiza acciones para cumplir una solicitud en lugar de limitarse a dar una respuesta escrita. El usuario le da una instrucción y el sistema interpreta la pantalla web, selecciona controles e introduce texto para alcanzar el resultado solicitado.

Por ejemplo, una tarea de compra implica identificar dónde está el cuadro de búsqueda, escribir el nombre de un producto y recorrer los resultados. Preparar material mediante otro servicio de IA requiere encontrar el campo de entrada, enviar una solicitud y gestionar la respuesta.

Publicidad

Muchos servicios de software ofrecen una interfaz de programación de aplicaciones, o API, a través de la cual otro programa puede solicitar información o ejecutar una acción. KORMo-Web, en cambio, busca operar a través del sitio web visible, lo que reduce la necesidad de crear una conexión específica para cada servicio.

Lim explicó ese objetivo al presentar el proyecto:

«Nuestro objetivo no es conectar una por una las interfaces de programación de aplicaciones (API) externas de cada servicio, sino lograr que la IA entienda la pantalla como una persona y use directamente la computadora».

Este método también se diferencia de la automatización basada principalmente en el HTML subyacente de una página o en el Modelo de Objetos del Documento, conocido como DOM. Esas estructuras describen cómo está organizada una página web. El entrenamiento de KORMo-Web se centra en la pantalla tal como se muestra y en los registros de cómo las personas utilizan los sitios web.

Qué enseñó el equipo al modelo antes de pedirle que actuara

Los investigadores crearon más de 10 millones de muestras de entrenamiento a partir de pantallas web en coreano y en inglés, incluidos sitios web de uso común en Corea del Sur. El objetivo era enseñarle al modelo algo más que la ubicación de un botón o un campo de texto.

El equipo llama a esta etapa preentrenamiento web a nivel atómico. En términos sencillos, consiste en aprender los elementos pequeños de un sitio web antes de intentar completar una tarea mayor: dónde está un menú, qué hace un botón, qué acepta un campo de entrada y en qué estado se encuentra un control.

La apariencia de un botón y su función son aspectos relacionados, pero distintos. Un agente debe identificar el control adecuado y entender cómo usarlo ayuda a avanzar en la tarea del usuario. Entrenarlo con esos detalles le proporciona una base para elegir una acción.

Luego, los investigadores añadieron más de 100.000 registros de interacciones web en coreano y en inglés. Estas secuencias de acciones, también llamadas trayectorias, muestran cómo se desarrolla el uso de un sitio web a lo largo de varios pasos, en lugar de limitarse a un solo clic.

Las dos etapas de entrenamiento responden a necesidades diferentes. Las muestras de pantalla enseñan al agente a reconocer e interpretar lo que tiene delante. Los registros de interacciones le enseñan cómo una serie de acciones puede llevar de una instrucción a una tarea completada.

Publicidad

¿Qué significa una tasa de éxito del 42,3 %?

KORMo-Web-4B, la versión con 4.000 millones de parámetros, logró una tasa de éxito del 42,3 % en inglés y del 42,3 % en coreano en Online-Mind2Web, una evaluación que pide a los agentes realizar tareas en sitios web reales.

La página oficial de lanzamiento de KORMo-Web-4B detalla el protocolo de evaluación y los resultados completos. Todos los modelos realizaron las mismas 612 tareas en sitios web activos: 300 en inglés y 312 en coreano. Cada modelo utilizó sus propias instrucciones y formatos de acción, mientras que el mismo modelo de lenguaje evaluador, identificado como GPT-6, calificó todas las ejecuciones. Las tasas de éxito se calculan sobre el total de tareas, por lo que las ejecuciones interrumpidas o vacías cuentan como fallidas. La página también remite a la especificación completa del entorno de evaluación, la instrucción del sistema y el esquema de herramientas.

Los resultados completos, que indican las tasas de éxito en inglés y en coreano, respectivamente, fueron: Qwen3.5-4B, 20,0 % y 13,5 %; Fara-1.5-4B, 20,7 % y 7,7 %; UI-TARS-1.5-7B, 22,3 % y 20,2 %; OpenWebRL-4B, 32,7 % y 15,4 %; KORMo-Web-4B, 42,3 % y 42,3 %; y KORMo-Web-9B, 51,0 % y 48,1 %.

Los investigadores afirmaron que este fue el mejor resultado entre los agentes incluidos en su comparación cuyos pesos de modelo están disponibles públicamente. El modelo superó el mejor resultado anterior de la comparación por 9,6 puntos porcentuales en inglés y 22,1 puntos porcentuales en coreano.

Esas diferencias sitúan los mejores resultados anteriores en el 32,7 % para el inglés y el 20,2 % para el coreano. Por tanto, la mejora fue mucho mayor en coreano, donde la puntuación de KORMo-Web fue más del doble que la del resultado anterior de la comparación.

Un punto porcentual mide la diferencia entre dos porcentajes. Pasar, por ejemplo, del 20,2 % al 42,3 % supone un aumento de 22,1 puntos porcentuales. Esto ayuda a entender por qué el resultado en coreano representa un cambio considerable en esta evaluación concreta.

La tasa de éxito también ofrece a los usuarios una medida práctica de fiabilidad: con un 42,3 %, se completaron con éxito menos de la mitad de las tareas asignadas. El 57,7 % restante no se consideró exitoso, por lo que todavía hay un amplio margen de mejora antes de que los usuarios puedan delegar tareas habitualmente sin comprobar el resultado.

Por qué son importantes los datos de evaluación en coreano

KAIST también publicó datos de evaluación en coreano adaptados de cuatro importantes pruebas de referencia para agentes de interfaces gráficas de usuario. Una interfaz gráfica de usuario es el conjunto de controles visuales, como botones, menús y cuadros de texto, que las personas utilizan para operar un programa.

Personas elaboraron manualmente los datos de evaluación en coreano para adaptarlos a los entornos web de ese idioma. Esto permite a los investigadores probar agentes en sitios web locales y con usos lingüísticos locales, además de en los entornos en inglés que han dominado el desarrollo.

Las puntuaciones iguales del 42,3 % en coreano y en inglés en Online-Mind2Web son útiles porque permiten comparar el rendimiento en ambos idiomas bajo la evaluación descrita. La mayor mejora con respecto al resultado anterior de la comparación en coreano también convierte al componente lingüístico local en una parte central del lanzamiento.

Publicidad

La publicación de los datos de evaluación permite que otros desarrolladores prueben sus sistemas con tareas similares. Junto con los datos de entrenamiento y los registros de interacciones, ofrece una base más clara para investigar qué partes del proceso de entrenamiento mejoran el rendimiento.

Tres modelos y las herramientas para ejecutarlos

El lanzamiento incluye modelos con 4.000 millones, 9.000 millones y 11.000 millones de parámetros. Los parámetros son los valores numéricos internos que aprende un modelo durante el entrenamiento; su cantidad es una forma habitual de describir el tamaño de un modelo.

Las versiones 4B y 9B se basan en Qwen3.5. La versión 11B, llamada KORMo-Web-11B, utiliza como punto de partida la propia familia de modelos fundacionales KORMo de KAIST. Un modelo fundacional es un sistema de IA entrenado de forma general que puede recibir entrenamiento adicional para una función más específica, en este caso, operar sitios web.

KORMo-Web-4B está pensado para ejecutarse directamente en una computadora personal. Su menor tamaño es fundamental para el objetivo del equipo de ofrecer un asistente web en el propio dispositivo del usuario, en lugar de depender exclusivamente de un sistema remoto de mayor tamaño.

El lanzamiento incluye más que los propios modelos. KAIST pone a disposición los pesos aprendidos del modelo, grandes colecciones de datos de entrenamiento web, secuencias de acciones de usuarios, datos de evaluación en coreano, el código de una extensión para Chrome, instrucciones de instalación, videos y ejemplos.

Los investigadores no han especificado los requisitos mínimos de hardware. La página oficial de lanzamiento tampoco indica si se requiere la confirmación del usuario antes de realizar compras o enviar correos electrónicos o comunicaciones públicas, como comentarios. Estos detalles son importantes para cualquiera que considere utilizar un agente en tareas que impliquen gastar dinero o comunicarse con otras personas.

De las demostraciones a la delegación de tareas útiles

Las demostraciones abarcan varios tipos de tareas habituales: preparar material para presentaciones mediante ChatGPT, utilizar Claude para investigar estudios recientes, organizar resultados en Notion y buscar en sitios web de compras. La redacción de correos electrónicos y la actividad en comunidades en línea amplían las tareas del sistema a ámbitos en los que el contenido puede llegar a otras personas.

El video de cuatro minutos presenta, de forma condensada, 40 tareas en sitios web. Para los posibles usuarios, una medida de fiabilidad más útil es la tasa de éxito de las tareas, comunicada por separado, junto con la pregunta práctica de cuánto hay que comprobar en cada trabajo.

Publicidad

Un borrador de correo electrónico puede revisarse antes de enviarlo. Una búsqueda de productos puede contrastarse con el presupuesto y los requisitos del usuario. Publicar un comentario o completar una compra exige decidir con claridad cuándo debe aprobar la acción el usuario. Estas diferencias hacen que la elección de la tarea sea tan importante como la capacidad de hacer clic en los controles adecuados.

Lim dijo que su objetivo es llevar este tipo de asistencia a las computadoras personales:

«De cara al futuro, esperamos crear un entorno en el que una pequeña IA instalada en una computadora personal pueda realizar una amplia variedad de tareas web en nombre del usuario».

KORMo-Web convierte esa ambición en una propuesta que otros pueden examinar y ejecutar: tres modelos disponibles, amplios recursos de entrenamiento y herramientas de evaluación en coreano. Sus resultados actuales muestran avances en la realización de tareas en sitios web reales, aunque el porcentaje de tareas completadas con éxito sigue por debajo de la mitad en la evaluación comunicada.

Puntos clave

  • KAIST anunció KORMo-Web el 17 de noviembre de 2026 como un agente de IA que opera sitios web mediante controles visibles.
  • El entrenamiento utilizó más de 10 millones de muestras de pantallas web en coreano y en inglés, y más de 100.000 registros de interacciones.
  • El modelo 4B logró una tasa de éxito del 42,3 % en ambos idiomas en Online-Mind2Web.
  • Superó al anterior mejor modelo de comparación por 9,6 puntos porcentuales en inglés y 22,1 en coreano.
  • El lanzamiento incluye tres tamaños de modelo, datos de evaluación en coreano, recursos de entrenamiento y el código de una extensión para Chrome.
  • El modelo más pequeño puede ejecutarse en una computadora personal, aunque su tasa de éxito comunicada deja bastante trabajo por comprobar para los usuarios.
Compartir este artículo

También le puede interesar