Microsoft presenta CORPGEN: agentes IA para gestionar múltiples tareas simultáneamente
Hecho Qué ha ocurrido
Microsoft Research ha desarrollado CORPGEN, un marco de trabajo para agentes de IA capaces de ejecutar decenas de tareas interdependientes en paralelo, como hace un trabajador del conocimiento. El sistema introduce un entorno de evaluación llamado Multi-Horizon Task Environments (MHTEs) que revela que los agentes actuales ven caer su tasa de finalización del 16,7% al 8,7% bajo cargas de multitarea. CORPGEN logra tasas de finalización 3,5 veces superiores a los sistemas base gracias a planificación jerárquica, aislamiento de memoria y aprendizaje experiencial, sin depender de un modelo base específico.
Resumen generado mediante IA a partir de Microsoft Research (original en inglés). Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Aborda un cuello de botella crítico para la productividad empresarial real: la mayoría de benchmarks evalúan agentes en tareas únicas, pero los trabajadores del conocimiento enfrentan docenas de tareas simultáneamente con dependencias complejas. Los resultados sugieren que la memoria y recuperación de información, no solo la capacidad del modelo, son clave para agentes productivos en el mundo real.
- Quién se ve afectado
- Empresas de conocimiento, departamentos administrativos y back-office que buscan automatizar gestión simultánea de proyectos, reportes y correo; también equipos de desarrollo de agentes de IA.
- Qué puede cambiar
- Si se confirma la robustez de CORPGEN, los agentes podrían pasar de ser herramientas puntuales a asistentes capaces de gestionar flujos de trabajo complejos y multihilo. Esto cambiaría el valor esperado de los agentes en producción al permitir delegar organización de tareas reales a nivel de empleado virtual.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Adopción y pruebas de CORPGEN en entornos empresariales reales; evolución de los benchmarks de evaluación de agentes hacia escenarios multitarea; impacto de la capacidad de aprendizaje experiencial en la mejora continua de agentes desplegados; si otros laboratorios adoptan MHTEs como estándar.
Recomendación Qué debería hacer una empresa
Evaluar CORPGEN como referencia en proyectos de agentes internos en los próximos 6-12 meses, especialmente para automatizar workflows multitarea (reportes, gestión de presupuestos, coordinación); revisar si los benchmarks de evaluación internos miden multitarea y no solo tareas aisladas.
Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: Microsoft Research (fuente primaria). La referencia es siempre el artículo original.
Ver fuente original ↗agentesLLMautomatización GUImemoria persistenteaprendizaje experiencial Microsoft agentes IA automatización empresarial Microsoft Research multitarea productividad
Relacionadas
DeepMind logra agentes generales capaces de aprender múltiples juegos sin reentrenamiento
DeepMind publica un preprint sobre agentes entrenados con aprendizaje por refuerzo en abierto (open-ended learning) capaces de jugar múltiples juegos sin…
Por qué importaEste avance aborda una limitación fundamental del aprendizaje por refuerzo: la incapacidad de generalizar entre tareas diferentes sin…
Un estudio concluye que los harnesses sofisticados encarecen los agentes de código sin mejorar sus resultados
Un estudio de dos investigadores de la Universidad de Shandong compara Claude Code, OpenCode y mini-SWE-agent con los mismos modelos y tareas. Las diferencias…
Por qué importaPara una empresa que elija herramientas de agentes de programación, el coste por tarea pesa más que las mejoras de rendimiento anunciadas por los…
Anthropic usa Claude para diseñar 211 proteínas contra el veneno de escorpión y 17 se unen a toxinas en laboratorio
Anthropic probó su modelo Claude para diseñar proteínas capaces de unirse a neurotoxinas del veneno de escorpión. Según el texto, se generaron más de 318.000…
Por qué importaMuestra que la IA puede acelerar la fase inicial de diseño de antivenenos, un proceso que hoy tarda meses. Para empresas de biotecnología y salud es…
Un estudio en Nature Communications evalúa protein language models para predecir la electrostática de proteínas
Un artículo publicado en Nature Communications presenta el uso de protein language models para predecir la electrostática de proteínas. El texto completo no…
Por qué importaLos modelos de lenguaje de proteínas podrían reducir el coste de caracterizar propiedades de proteínas que hoy requieren cálculos o experimentos…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.