MNEMO EVOLUTION & INTEGRATION SERVICES, S.A. está inscrita como ponente en la sesión speakers_corner_1 de ENISE, el evento organizado por INCIBE que se celebra los días 23 y 24 de octubre de 2026 en el Parc Científic i Tecnològic de la UdG. La intervención está programada para el viernes 23 de octubre, de 13:00 a 13:15 horas, con una duración de quince minutos y idioma castellano. INCIBE actualizó la programación de la cita el jueves 8 de octubre de 2026. No se ha hecho público el contenido exacto de la ponencia ni se ha confirmado ninguna relación formal entre la intervención de la empresa y los trabajos académicos publicados ese mismo mes sobre autoevolución de agentes IA.
ENISE reúne a investigadores, desarrolladores y profesionales del ecosistema tecnológico español para presentar avances en inteligencia artificial, ciberseguridad y transformación digital. La categoría de presentaciones breves del programa está diseñada para comunicar resultados preliminares o enfoques novedosos en formato condensado, lo que sugiere que la intervención de MNEMO se centrará en aspectos concretos más que en una revisión general del estado del arte.
El 3 de octubre de 2026 se publicó en arXiv el artículo Principles that Guide, Actions that Inform: Agent Evolution via Knowledge Abstraction (arXiv:2610.06964v1), firmado por Bowen Ye, Yongchao Xu, Junkai Ma, Xiang Yin y Wenzhao Li. Los autores parten de una constatación: los agentes basados en modelos de lenguaje grande han mostrado capacidades notables en entornos interactivos, pero su capacidad de evolucionar de forma continua a partir de la experiencia sigue siendo limitada. El fine-tuning permite adaptación, pero depende del acceso a los parámetros del modelo y conlleva costes computacionales elevados, lo que restringe su flexibilidad, especialmente cuando se trabaja con modelos a gran escala y de fuente cerrada. La infraestructura necesaria para volver a entrenar un modelo grande cada vez que se acumula nueva experiencia no escala a entornos de producción donde los cambios deben ser ágil y económicamente viables.
La solución que proponen, denominada SAGA (Self-evolving Agents through Experience-Grounded Abstraction), consiste en transformar progresivamente las trayectorias de interacción en descripciones episódicas, procedimientos reutilizables y principios con condiciones de aplicabilidad explícitas, manteniendo al mismo tiempo enlaces con la evidencia de ejecución. El sistema genera un bucle ejecución-abstracción en el que el conocimiento acumulado guía interacciones futuras y las nuevas experiencias actualizan continuamente una memoria jerárquica. Los principios recuperados se instancian en guía específica de tarea y se emplean para refinar acciones candidatas mediante retroalimentación correctiva y remuestreo. Las pruebas realizadas en ScienceWorld, un entorno de simulación de ciencias que evalúa la capacidad de los agentes para completar experimentos, y ALFWorld, un entorno de instrucciones de lenguaje natural en hogares simulados, mostraron mejoras en el rendimiento de las tareas. Los estudios de ablación destacaron la importancia de la instanciación contextual y la regulación de acciones para aprovechar el conocimiento a nivel de principios.
Cuatro días después, el 7 de octubre, Ravil Akhtyamov publicó The Harness as the Only Mutable Surface: Compliance-Bounded Self-Evolution of LLM Agents in Credit Pipelines, with a Measured Admission Gate (arXiv:2610.10629v1). El artículo aborda directamente el problema de la auditabilidad: un agente que se reescribe a sí mismo destruye el artefacto que un supervisor debe revisar, como un cambio nombrado, una prueba registrada o una aprobación. Akhtyamov sostiene que la autoevolución solo resulta repasable si se limita a una superficie mutable controlada, el llamado harness, que incluye el texto de instrucciones, la lógica de llamadas a herramientas y la composición de primitivas, mientras los pesos del modelo permanecen fijos. Así, cada adaptación genera un diff con una causa documentada y una prueba asociada.
El autor implementó un motor de doble bucle con un gate de admisión que escribe un registro encadenado con hash antes de cualquier despliegue. Las evaluaciones se realizaron en simulación, con un agente simulado y un proponente de búsqueda semillada, sin emplear modelos de lenguaje en el loop de propuesta de cambios. Across three families of supervisory re-interpretation at three severities, 10 seeds each, the gated loop admitted 144 of 7,449 candidate changes, none of which worsened error on held-out history, and restored the false-positive rate to the oracle level without raising missed flags in every low- and mid-severity cell. With the gate replaced by the check an unbounded system applies (fewer errors visible in recent traces), the same loops admitted 309 harmful changes and left missed flags above 10% in 49 of 90 runs: false positives fell because the screen was loosened. Evaluated on pre-shift labels, the gate rejected every candidate, so a re-interpretation must be encoded as a rule that relabels history. Parametric and scope shifts were repaired locally, a structural one only by primitive replacement; at the highest structural severity the gate's fixed tolerance blocked the correct replacement in half the seeds. El artículo, de 14 páginas y 5 tablas, incluye código, configuración y salidas por ejecución disponibles en Zenodo (doi: 10.5281/zenodo.23207546).
Ambos trabajos reflejan la misma preocupación estructural que atraviesa el despliegue de agentes IA en sectores regulados. Permitir que un sistema evolucione de forma autónoma choca con el requisito de que cada modificación sea trazable, verificable y aprobable por un supervisor humano. Antes de estos enfoques, la alternativa era abandonar la autoevolución o aceptar registros incompletos e irreplicables. El artículo de Akhtyamov es particularmente explícito al vincular sus hallazgos con el Reglamento General de Protección de Datos y las disposiciones del AI Act de la Unión Europea aplicables a los sistemas de puntuación crediticia de alto riesgo. El autor señala también que la guía estadounidense sobre riesgos de modelos, publicada en abril de 2026, excluye expresamente a los agentes de IA de su ámbito de aplicación, lo que crea un vacío regulatorio que estos enfoques de gobernanza técnica intentan cubrir provisionalmente.
La propuesta de SAGA ofrece una vía distinta pero complementaria: en lugar de restringir la evolución mediante gates, busca que el agente extraiga de sus experiencias pasadas principios abstractos y reutilizables que guíen decisiones futuras sin necesidad de modificar los parámetros internos. Ambos enfoques comparten la premisa de que la evolución autónoma no puede operar en un vacío de supervisión. Para los desarrolladores que desplieguen agentes en entornos financieros, sanitarios o jurídicos, la implicación práctica es clara: cualquier mecanismo de autoadaptación debe generar un rastro auditable que sobreviva a auditorías retrospectivas, y la arquitectura del sistema debe separar explícitamente lo que puede cambiar de lo que debe permanecer fijo.
Paralelamente, el Lincoln Laboratory lleva a cabo una encuesta continua sobre los últimos sistemas de aceleradores de IA con el objetivo de mantener la pertinencia tecnológica para su personal y patrocinadores. Aunque no existe información suficiente para establecer un vínculo directo entre esta iniciativa y los artículos o el evento de ENISE, la línea de trabajo del laboratorio responde a la misma dinámica de actualización acelerada que caracteriza al sector: la evolución del software de agentes IA exige hardware cada vez más especializado, y la capacidad de supervisar esos cambios depende también de contar con infraestructura que refleje el estado del arte. Los aceleradores de inferencia y entrenamiento determinan no solo la velocidad a la que un agente puede procesar experiencias, sino también el coste de mantener modelos de referencia para validación comparativa, un requisito implícito en ambos artículos.
El panorama anterior a estas propuestas se caracterizaba por una dicotomía estrecha: o bien se congelaba el modelo y se descartaba cualquier adaptación posterior al entrenamiento, o bien se permitía la auto-modificación sin mecanismos formales de registro, lo que hacía imposible reconstruir qué cambios se produjeron, cuándo y con qué efecto. Las empresas que operaban en sectores regulados tendían a inclinarse por la primera opción por prudencia regulatoria, sacrificando capacidad de adaptación a cambio de auditabilidad. La aparición de frameworks como SAGA y del enfoque del harness representa un intento de romper esa disyuntiva, demostrando que es posible combinar evolución continua con trazabilidad suficiente para los supervisores.
En el caso concreto de SAGA, la aportación clave radica en la capa de abstracción entre la experiencia cruda y la memoria a largo plazo del agente. En lugar de almacenar trayectorias completas que consumen tokens y reducen la eficiencia, el sistema extrae principios que pueden reutilizarse en contextos distintos. Esto tiene implicaciones directas sobre el coste operativo: un agente que aprende de sus errores sin necesidad de reentrenamiento periódico reduce drásticamente los requisitos de infraestructura GPU, un factor determinante cuando se despliegan cientos de instancias en producción. Las evaluaciones en ScienceWorld y ALFWorld, aunque realizadas en entornos de simulación, proporcionan métricas de rendimiento comparativo que servirán de referencia para futuros trabajos que validen el enfoque en escenarios reales.
El artículo de Akhtyamov aporta una contribución aún más orientada a la supervisión humana. Su gate de admisión funciona como un filtro que compara cada cambio propuesto contra un historial de ejecución previo, rechazando propuestas que deterioren el rendimiento medido. Los datos del experimento son contundentes: de 7.449 candidatos, solo se admitieron 144, y ninguno empeoró el error en el conjunto de retención. Este ratio de rechazo del 98 por ciento ilustra la extrema rigidez del mecanismo, que prioriza la seguridad sobre la tasa de adaptación. La comparación con el escenario sin gate, donde se admitieron 309 cambios perjudiciales y las omisiones superaron el 10 por ciento en 49 de cada 90 ejecuciones, subraya que la ausencia de supervisión automatizada genera riesgo medible y cuantificable.
Está confirmado que MNEMO EVOLUTION & INTEGRATION SERVICES, S.A. actuará como ponente en ENISE el 23 de octubre de 2026 de 13:00 a 13:15 horas, en la sesión speakers_corner_1. Está confirmado que los dos artículos de arXiv fueron enviados respectivamente el 3 y el 7 de octubre de 2026, y que las evaluaciones experimentales de SAGA se realizaron en ScienceWorld y ALFWorld, mientras que los resultados de Akhtyamov provienen de simulaciones con un agente simulado y un proponente de búsqueda semillada, bajo tres familias de reinterpretación supervisoria en tres niveles de severidad con diez semillas cada una. Está confirmado que el artículo de Akhtyamov publica código y datos en Zenodo con doi asignado. Está confirmado que el Lincoln Laboratory mantiene una encuesta activa sobre aceleradores de IA. Lo que no se dispone es de información sobre el contenido concreto de la ponencia de MNEMO, sobre si existe una relación institucional entre la empresa y los autores de los artículos, sobre el estado de revisión por pares de ambos trabajos —ambos son preprints de versión 1—, sobre el impacto específico de los enfoques propuestos en entornos de producción reales, y sobre el estado actual de los mecanismos de gate propuestos por Akhtyamov fuera del entorno de simulación. Tampoco se ha facilitado ningún detalle adicional sobre la participación del Lincoln Laboratory en la feria.
