El desarrollo de sistemas de Inteligencia Artificial ha comenzado a cambiar la manera en que se diseñan y desarrollan soluciones tecnológicas. Un ejemplo es MLE-STAR, una propuesta de Google Research orientada a automatizar distintas etapas de la ingeniería de Machine Learning mediante agentes capaces de analizar resultados, realizar ajustes y mejorar modelos de manera iterativa.
A partir de este tipo de investigaciones, la IA ha avanzado hacia un modelo más autónomo conocido como IA agéntica, en el que los sistemas no se limitan a responder instrucciones, sino que pueden planificar tareas, utilizar herramientas y coordinar diferentes procesos para alcanzar un objetivo.
Uno de los principales avances es el desarrollo de sistemas multiagente, en los que diferentes agentes especializados colaboran entre sí. Mientras uno puede encargarse del análisis de datos, otro puede optimizar un modelo y un tercero supervisar los resultados. Esta distribución permite abordar procesos complejos de manera más organizada.
También ha cobrado importancia la capacidad de los modelos para interactuar con herramientas externas, como bases de datos, aplicaciones y servicios digitales. Protocolos como el Model Context Protocol (MCP) buscan facilitar esta conexión y permitir que los agentes trabajen con diferentes recursos de software de manera estructurada.
Estos avances muestran una transición de la IA como herramienta de asistencia hacia sistemas capaces de participar activamente en procesos de investigación, programación e ingeniería. Para instituciones educativas y científicas, esta evolución abre nuevas posibilidades, pero también plantea la necesidad de analizar aspectos como la supervisión humana, la seguridad y el uso responsable de estas tecnologías.
MLE-STAR representa así uno de los pasos dentro de una transformación más amplia: el desarrollo de sistemas de IA capaces no solo de generar respuestas, sino de planificar, ejecutar, evaluar y mejorar sus propias tareas.
Google Research. (2025). MLE-STAR: Machine Learning Engineering Agent via Search and Targeted Refinement. Investigación sobre un agente de IA diseñado para automatizar y mejorar tareas de ingeniería de Machine Learning mediante búsqueda, experimentación y refinamiento iterativo.
OpenAI. (2024). MLE-bench: Evaluating Machine Learning Agents on Machine Learning Engineering. Benchmark desarrollado para evaluar las capacidades de agentes de IA en tareas de ingeniería de Machine Learning.
Anthropic. (2025). Model Context Protocol (MCP) Specification. Especificación de un protocolo abierto para conectar aplicaciones basadas en modelos de lenguaje con herramientas y fuentes de datos externas.
INSTITUTO POLITÉCNICO NACIONAL
D.R. Instituto Politécnico Nacional (IPN). Av. Luis Enrique Erro S/N, Unidad Profesional Adolfo López Mateos, Zacatenco, Alcaldía Gustavo A. Madero, C.P. 07738, Ciudad de México. Conmutador: 55 57 29 60 00 / 55 57 29 63 00.
Esta página es una obra intelectual protegida por la Ley Federal del Derecho de Autor, puede ser reproducida con fines no lucrativos, siempre y cuando no se mutile, se cite la fuente completa y su dirección electrónica; su uso para otros fines, requiere autorización previa y por escrito de la Dirección General del Instituto.
