Un equipo de investigadores de Google, en colaboración con el Instituto de Tecnología de Georgia y la Universidad de Pekín, presentó los Grafos Procedimentales (Procedural Graphs), una nueva arquitectura de ejecución autoevolutiva diseñada para mejorar el rendimiento de los agentes de inteligencia artificial basados en modelos de lenguaje de gran escala (LLM). El trabajo, encabezado por Yuxing Lu, Yicheng Chen, Shanchan Wu y Sercan Arik, fue difundido a través de la plataforma académica DAIR.AI y depositado en arXiv con fecha de envío del 8 de septiembre de 2026.
El problema central que aborda la investigación es una limitación creciente de los agentes de IA actuales: a medida que ejecutan tareas complejas a lo largo de múltiples pasos, tienden a perder el hilo de sus objetivos, invocar herramientas en el orden equivocado o repetir acciones improductivas. Esto ocurre, según explican los autores, porque la mayoría de los agentes seleccionan sus acciones mediante generación libre sobre un historial que se acumula, lo que deja implícito el conocimiento procedural —es decir, el qué hacer, en qué orden y bajo qué condiciones— en lugar de hacerlo explícito.
La propuesta se inspira en los grafos de conocimiento tradicionales, que organizan información factual en tripletas del tipo (entidad, relación, entidad) para responder preguntas sobre el qué-es. Los Grafos Procedimentales trasladan esa lógica al ámbito de la acción: organizan conocimiento procedural en tripletas (procedimiento, relación, procedimiento), construyendo una representación consultable que indica al agente qué debe hacer a continuación y en qué secuencia.
En cada paso de decisión, el sistema localiza el nodo activo del agente y un modelo de orientación traduce el subgrafo circundante en una guía situacional de paso a paso. Los autores enfatizan que esta guía opera como un sesgo, no como una orden: orienta la próxima acción del solucionador sin dictarla, lo que preserva la libertad del agente para desviarse cuando el grafo yerra.
El rasgo más distintivo del marco es su capacidad de autoevolución. Un módulo de refinamiento, también basado en un LLM, contrasta las trayectorias fallidas con las exitosas y propone ediciones a la topología y los atributos del grafo. El sistema únicamente incorpora los cambios que preservan o mejoran el rendimiento sobre un conjunto de validación retenido. Las modificaciones rechazadas se conservan en registro para evitar que la misma propuesta se repita innecesariamente.
Los investigadores destacan que el mecanismo permite partir de un esqueleto mínimo e iterar hasta construir grafos que igualan o superan los diseñados manualmente por expertos. Más aún, cuando se le proporciona un prior experto defectuoso, el sistema es capaz de repararlo en lugar de heredarlo sin más.
En las pruebas experimentales, realizadas sobre múltiples conjuntos de datos, tipos de tareas y modelos de lenguaje de base, los Grafos Procedimentales ofrecieron mejoras consistentes frente a líneas base basadas en memoria. La autoevolución aportó ganancias adicionales sin requerir ingeniería manual.
Desde una perspectiva analítica, el trabajo se inscribe en una línea de investigación más amplia orientada a dotar a los agentes de IA de estructuras de razonamiento más robustas y transparentes. Frente a enfoques que dependen exclusivamente del historial acumulativo —y que, por tanto, resultan opacos y propensos a la dispersión cuando las trayectorias se alargan—, los Grafos Procedimentales ofrecen una representación externa y editable del conocimiento de procedimiento. Esto no solo podría mejorar la fiabilidad de los agentes en aplicaciones reales, sino también facilitar su auditoría y depuración.
No obstante, la propia naturaleza del mecanismo plantea interrogantes. Al depender de un LLM para proponer ediciones, el sistema hereda las limitaciones y sesgos de ese modelo. Además, la promesa de grafos que se corrigen a sí mismos invita a preguntas sobre los límites de la autonomía de estos agentes: ¿cuándo debe intervenir un supervisor humano? ¿Qué sucede cuando el sesgo del grafo evoluciona en una dirección no deseada?
Por ahora, la investigación se encuentra en fase de preprint y ha sido publicada en arXiv dentro de la categoría de Ciencias de la Computación, específicamente Inteligencia Artificial. Su evolución dependerá de la revisión por pares, de la replicación independiente de los resultados y de su adopción por parte de la comunidad de desarrolladores de agentes.
En definitiva, los Grafos Procedimentales representan un paso concreto hacia agentes de IA que no solo ejecutan, sino que aprenden de sus propios errores y reorganizan su conocimiento de procedimiento de manera autónoma, abriendo una vía prometedora —aunque todavía temprana— para sistemas agenticos más fiables y adaptables.