La planificación multi‑paso sigue siendo uno de los mayores retos para los agentes basados en modelos de lenguaje (LLM). En los últimos años, enfoques como LATS y ReAct han demostrado que los LLM pueden guiar búsquedas estructuradas, pero lo hacen generando múltiples inferencias durante el proceso, lo que eleva el coste computacional y introduce aleatoriedad en los resultados.

GATS (Graph‑Augmented Tree Search) propone una alternativa que elimina por completo las llamadas al LLM durante la fase de planificación. La solución combina una búsqueda sistemática basada en UCB1 con un modelo de mundo estratificado de tres capas: (L1) coincidencia exacta de acciones simbólicas, (L2) estadísticas extraídas de historiales de ejecución y (L3) predicciones del LLM solo cuando la acción es desconocida. Esta arquitectura permite explorar el espacio de soluciones de forma guiada y reproducible.

En pruebas con tareas sintéticas que incluyen caminos ramificados y callejones sin salida, GATS alcanza una tasa de éxito del 100 %, frente al 92 % de LATS y al 64 % de ReAct. Además, durante la planificación no se realizan llamadas al modelo de lenguaje, mientras que LATS necesita en promedio 37 invocaciones por tarea, lo que reduce drásticamente el consumo de recursos y la variabilidad entre ejecuciones. Este rendimiento se mantiene incluso cuando se incrementa el número de ramas a más de diez, lo que evidencia la escalabilidad del algoritmo.

Un stress test más amplio, que abarca 12 escenarios desafiantes —desde flujos de trabajo de programación hasta navegación web y tareas de largo plazo— confirma la robustez de GATS. En este conjunto, el método mantiene un 100 % de éxito, mientras que LATS cae al 88,9 % y ReAct se desploma hasta el 23,9 %. La determinidad del algoritmo garantiza que cada ejecución produzca el mismo plan, eliminando la varianza que suele plagiar a los enfoques basados en muestreo.

Estos resultados tienen implicaciones profundas para la comunidad tecnológica. Al separar la generación de planes de la inferencia del LLM, GATS abre la puerta a sistemas agentes que pueden operar en entornos con restricciones de tiempo o de coste, como dispositivos embebidos o aplicaciones de misión crítica. Además, la capacidad de producir planes reproducibles facilita la auditoría y la depuración, dos aspectos esenciales en entornos empresariales y regulatorios. Asimismo, la reducción de llamadas al LLM se traduce en menores consumos de energía, un factor crítico para la sostenibilidad de los grandes modelos.

En conclusión, GATS demuestra que la combinación de búsqueda sistemática y modelos de mundo aprendidos puede superar ampliamente a la exploración guiada por LLM en tareas de planificación compleja. Este avance sugiere que la futura inteligencia artificial agente se basará menos en la generación continua de texto y más en la explotación eficiente de estructuras de decisión pre‑calculadas, marcando un paso decisivo hacia agentes más fiables y escalables.