Un sistema busca que los agentes de IA gasten menos energía sin perder rendimiento

Los llamados agentes de inteligencia artificial prometen hacer tareas complejas encadenando varios modelos y herramientas: buscar datos, ejecutar código, resumir documentos o responder preguntas sobre imágenes y videos. Pero esa flexibilidad suele venir con un costo oculto. Como cada paso puede usar modelos distintos, herramientas externas y hardware especializado, estos sistemas tienden a consumir más computación y energía de la necesaria.

Un trabajo de investigadores de MIT y Microsoft propone una forma de ordenar ese problema. Su sistema, llamado Murakkab, intenta reorganizar automáticamente cómo se despliegan esos flujos de trabajo en la nube para que usen menos recursos sin incumplir objetivos prácticos, como responder dentro de cierto tiempo o mantener una calidad mínima.

La idea central es separar dos decisiones que hoy suelen venir mezcladas. Por un lado está la lógica de la tarea: qué pasos debe seguir el sistema para resolverla. Por otro, la forma concreta de ejecutarla: qué modelo usar en cada etapa, qué herramientas conviene activar, qué partes pueden correr en paralelo y cuánta capacidad de hardware asignar. Según los autores, los sistemas actuales suelen tratar esos flujos como cajas negras y optimizar cada capa por separado, lo que dificulta encontrar combinaciones más eficientes.

Murakkab intenta mirar todo el proceso como un solo problema. A partir de perfiles previos y monitoreo durante la ejecución, el sistema ajusta la configuración para equilibrar velocidad, costo, consumo energético y uso de GPU. En sus pruebas con tareas como preguntas sobre video y generación de código, el trabajo reporta reducciones de hasta 2,8 veces en uso de GPU, 3,7 veces en energía y 4,3 veces en costo frente a sistemas de referencia, sin romper las metas de desempeño que se habían fijado.

La relevancia del estudio no está solo en ahorrar dinero a un proveedor tecnológico. A medida que los sistemas de IA se vuelven más complejos y se usan más en servicios cotidianos, también crece la preocupación por su demanda energética. Mejorar la eficiencia de estos flujos puede ayudar a contener parte de ese impacto, sobre todo en centros de datos donde conviven muchas cargas de trabajo al mismo tiempo.

Eso no significa que el problema energético de la IA quede resuelto. Los resultados provienen de un sistema evaluado sobre un conjunto acotado de flujos y bajo condiciones de prueba específicas. Además, reducir el costo por tarea también puede incentivar que se usen más agentes y más automatización, lo que cambiaría el balance total. Aún así, el trabajo apunta a un cambio importante de enfoque: en vez de optimizar cada modelo o cada servidor por separado, propone pensar la eficiencia de la IA como una propiedad del flujo completo.