La automatización de tareas web mediante agentes inteligentes es uno de los retos más importantes en el campo de la inteligencia artificial. Aunque los modelos de lenguaje de gran escala (LLMs) han demostrado una capacidad notable para interpretar solicitudes complejas de usuarios, su funcionamiento interno suele ser opaco. Esta opacidad dificulta entender por qué un agente falla en una tarea o cómo estructura su plan de acción, lo que limita su confiabilidad y escalabilidad en entornos reales.

Un equipo de investigadores ha abordado este problema proponiendo un marco formal que trata las tareas web como procesos de toma de decisiones secuenciales. La clave de su propuesta es una taxonomía que conecta las arquitecturas modernas de agentes con paradigmas clásicos de planificación. Así, los agentes que operan paso a paso se asimilan a la búsqueda en anchura (BFS), los que exploran alternativas en forma de árbol a la búsqueda del mejor árbol (Best-First Tree Search), y los que planifican todo de antemano a la búsqueda en profundidad (DFS). Esta analogía permite diagnosticar de forma sistemática fallos como la deriva de contexto o la descomposición incoherente de tareas.

Para evaluar estos comportamientos, los autores introducen cinco métricas novedosas que miden la calidad de las trayectorias de los agentes más allá de la simple tasa de éxito. Estas métricas capturan aspectos como la precisión en la selección de elementos y la coherencia del plan, ofreciendo una visión más matizada del rendimiento. El análisis se apoya en un nuevo conjunto de datos con 794 trayectorias etiquetadas por humanos, extraídas del benchmark WebArena, lo que garantiza una evaluación robusta y reproducible.

La validación experimental compara un agente básico de tipo paso a paso con una implementación innovadora de planificación total de antemano. Los resultados muestran que, aunque el primero se alinea mejor con las trayectorias consideradas óptimas por humanos (éxito del 38%), el segundo destaca en medidas técnicas como la precisión de elementos (89%). Esta divergencia subraya la importancia de contar con métricas específicas para elegir la arquitectura más adecuada según las restricciones de cada aplicación.

Este marco no solo aporta claridad sobre el funcionamiento interno de los agentes web, sino que también establece una base metodológica para su diseño y evaluación. En un contexto donde la confianza y la transparencia son clave para la adopción de sistemas autónomos, herramientas que permitan diagnosticar y optimizar su comportamiento son fundamentales. La propuesta abre la puerta a futuras investigaciones sobre cómo combinar diferentes paradigmas de planificación para lograr agentes más robustos y adaptables en entornos web complejos.