Aditya G. Parameswaran, profesor asociado de Ciencias de la Computación y Ingeniería Eléctrica (EECS) y codirector del EPIC Data Lab en la Universidad de California, Berkeley, junto a su equipo de colaboradores, ha planteado una reevaluación crítica de la infraestructura de datos actual. La premisa central de su análisis es que el coste de la inteligencia artificial está disminuyendo a un ritmo exponencial, situando al sector tecnológico en el umbral de una era caracterizada por una inteligencia virtualmente gratuita para las tareas de conocimiento cotidiano.
Para dimensionar la magnitud de este cambio estructural, el estudio destaca que las capacidades de razonamiento de modelos comparables a GPT-4 costaban aproximadamente 30 dólares por millón de tokens a principios de 2023. En la actualidad, ese mismo volumen de procesamiento se ejecuta por menos de un dólar, y algunos proveedores especializados han logrado reducir el precio por debajo de los 0,10 dólares. Esta reducción, que oscila entre 9 y 900 veces según los benchmarks publicados, afecta tanto a los modelos frontera propietarios como a las alternativas de código abierto, con una caída mediana cercana a las 50 veces por año. Este descenso elimina, en la práctica, la barrera económica que limitaba históricamente la adopción masiva de razonamiento avanzado en flujos de trabajo empresariales.
La democratización del acceso al razonamiento avanzado implica que la inteligencia necesaria para la gran mayoría de las tareas profesionales ya está disponible y es cada vez más barata. Bajo este escenario, el cuello de botella ya no reside en la capacidad de inferencia del modelo, sino en la eficiencia de los sistemas de datos que soportan estas operaciones. El equipo de Berkeley argumenta contundentemente que los sistemas actuales no están diseñados para interactuar con agentes autónomos, sino con humanos o herramientas tradicionales de inteligencia de negocio, que operan bajo patrones de consulta lineales, predecibles y de baja frecuencia.
El primer pilar de la propuesta se centra en definir y abordar la «especulación agéntica». Los investigadores definen este concepto como un flujo de trabajo heterogéneo y de alto volumen donde un agente no realiza una única consulta aislada, sino que ejecuta una secuencia compleja de introspección del esquema, exploración columnar y formulación progresiva de consultas. En tareas analíticas complejas, como el análisis de causas raíz sobre la caída de ventas en una zona geográfica específica o el cálculo de cohortes para predecir la fuga de usuarios en el próximo trimestre, un solo requisito inicial del usuario puede derivar en miles de consultas SQL individuales debido al espacio combinatorio de joins, agregaciones y filtros necesarios para validar hipótesis.
El problema fundamental radica en que los sistemas de datos actuales tratan cada consulta de forma aislada, ignorando las correlaciones entre ellas. El estudio revela que, en benchmarks de generación de texto a SQL (text-to-SQL) donde múltiples agentes intentan resolver una misma tarea, entre el 80 y el 90 % de las subconsultas realizan un trabajo duplicado. Solo el 10 o el 20 % de los subplanes generados son realmente distintos. Aunque esta redundancia aumenta la tasa de éxito de la tarea al permitir múltiples intentos de razonamiento paralelo desde la perspectiva del agente, representa un desperdicio masivo de recursos computacionales desde la perspectiva del sistema de datos, que procesa cada petición como si fuera la primera ejecución sin memoria previa.
Para solucionar esta ineficiencia, Berkeley propone el rediseño de los motores de base de datos para que puedan reutilizar resultados entre subplanes superpuestos, basándose en conceptos avanzados de optimización de consultas múltiples y escaneos compartidos. Otra vía técnica propuesta es la implementación de la satisfacción parcial, que consiste en devolver respuestas aproximadas que sean suficientes para que el agente avance en su razonamiento, utilizando técnicas de procesamiento de consultas aproximadas (AQP). Esto evitaría que el sistema gaste ciclos de CPU en precisión decimal cuando el agente solo necesita validar una tendencia general para decidir el siguiente paso de su flujo de trabajo.
El análisis sugiere abandonar definitivamente el modelo tradicional de envío de consultas SQL individuales en favor de lotes de consultas con diferentes niveles de precisión requerida. En lugar de obligar al agente a enumerar manualmente cada paso del espacio de búsqueda, los sistemas de datos podrían integrar primitivas de nivel superior, similares a las macros de Jinja utilizadas en herramientas modernas de transformación de datos como DBT. Estas primitivas permitirían interacciones basadas en bucles automatizados, trasladando la carga de la iteración desde el razonamiento lento del agente hacia la ejecución optimizada del motor de base de datos.
Además, se plantea una transformación radical en el rol del sistema de datos: dejar de ser un ejecutor pasivo para convertirse en un componente proactivo. Dado que el sistema posee un conocimiento profundo y estructurado de las características de los datos que el agente no tiene a priori, podría orientar al agente hacia direcciones más eficientes o proporcionar estimaciones de latencia antes de ejecutar una consulta costosa. Esta interacción es viable porque los agentes modernos pueden procesar cualquier forma de retroalimentación textual, eliminando la necesidad estricta de que el sistema devuelva únicamente un resultado tabular SQL. El sistema podría incluso preparar vistas materializadas o virtuales y entregarlas al agente como parte del contexto, optimizando el coste computacional total de la tarea.
El segundo eje crítico de la propuesta se refiere a la creación de sistemas de datos específicos para la gestión del estado y la memoria de los agentes. Se entiende por tales sistemas la infraestructura necesaria para que miles de agentes gestionen estados en tareas de larga duración, coordinen acciones distribuidas y gestionen fallos de manera resiliente. Este sustrato es independiente de la pila de inferencia que proporciona la inteligencia bruta, la cual ya está abstraída mediante APIs de proveedores como OpenAI y Anthropic, o marcos de servicio para modelos de pesos abiertos.
Actualmente, la gestión de la memoria de los agentes se basa mayoritariamente en archivos de markdown no estructurados que se recuperan mediante búsqueda de texto plano o embeddings vectoriales. Si bien este enfoque funciona para tareas sencillas y contextos reducidos, los investigadores advierten que no es escalable cuando los agentes asumen la mayor parte del trabajo de conocimiento complejo. El uso de ventanas de contexto limitadas y la latencia asociada a la recuperación de fragmentos de archivos hace que este método sea ineficiente en bases de código extensas o bases de datos corporativas masivas, donde serializar toda la información relevante en el contexto del prompt es técnicamente inviable.
Para superar estas limitaciones arquitectónicas, se propone el uso de memoria estructurada. A diferencia de los grafos de conocimiento, que carecen de mecanismos de búsqueda estructurada eficiente y sufren limitaciones similares a los archivos de texto plano, la memoria estructurada organiza la información a través de diversos atributos o facetas metadatos. Por ejemplo, un agente encargado de depurar un test fallido podría recuperar únicamente los recuerdos etiquetados con el módulo específico, el lenguaje de programación, el marco de testing y el modo de fallo concreto, en lugar de depender de una similitud semántica general que podría devolver fragmentos irrelevantes o ruidosos.
Un punto crítico identificado en la investigación es la naturaleza de la información almacenada en la memoria. Recuperar trazas brutas de agentes que cometieron errores previos puede inducir a que otros agentes repitan el mismo fallo, perpetuando ciclos de error. Por ello, el sistema debe priorizar la memoria correctiva, donde se almacenen instrucciones explícitas y normalizadas sobre cómo evitar errores previos en operaciones específicas. En el caso de agentes de datos, estas dimensiones incluirían las tablas afectadas, el tipo de operación realizada y las instrucciones correctivas en lenguaje natural, permitiendo que el sistema actúe como un repositorio activo de lecciones aprendidas.
Este sistema de gestión de estado es fundamental para operar enjambres de agentes coordinados. La coordinación y el consenso entre múltiples entidades autónomas requieren una capa de persistencia robusta que permita la recuperación selectiva y precisa de la experiencia previa, evitando la saturación del contexto del modelo y reduciendo la redundancia en la ejecución de tareas complejas. Sin este sustrato, el despliegue industrial de miles de agentes resultaría inevitablemente en un caos de ejecuciones redundantes y errores cíclicos que anularían las ventajas de coste.
El tercer componente esencial es la síntesis autónoma de sistemas de datos. El equipo de Berkeley observa que los agentes están adquiriendo la capacidad de sintetizar sistemas de datos completos para cargas de trabajo específicas. Esto permitiría pasar de sistemas genéricos, diseñados para soportar cualquier tipo de consulta posible, a sistemas personalizados construidos desde cero para cada tarea nueva, optimizando el almacenamiento y el indexado según la necesidad exacta del problema inmediato.
La capacidad de generar automáticamente la arquitectura de datos, definir los esquemas relacionales y optimizar el almacenamiento abre la puerta a una eficiencia sin precedentes. Sin embargo, este avance introduce un desafío crítico de seguridad y fiabilidad: la verificación. Es extremadamente complejo asegurar que un sistema de datos sintetizado por una IA se comporte exactamente como se espera y no introduzca sesgos o errores lógicos en la recuperación de la información, ya que el sistema generado es, por definición, una caja negra creada por otro modelo.
La investigación se orienta ahora a determinar qué mecanismos de validación formal son necesarios para confiar en estos sistemas generados autónomamente. La intersección de estas tres dimensiones —optimización de especulación, memoria estructurada y síntesis autónoma— forja un futuro donde la infraestructura de datos no es una entidad estática, sino un ecosistema fluido que se adapta, recuerda y se construye a sí mismo en respuesta a las necesidades cambiantes de los agentes que lo operan.
La transición hacia sistemas de datos optimizados para agentes cambia la prioridad estratégica del desarrollo de software. Hasta ahora, el enfoque estaba en optimizar la interfaz humano-máquina y la velocidad de respuesta de las consultas para un usuario final interactuando directamente. Con la llegada de la inteligencia de bajo coste, el foco se desplaza hacia la optimización de la interacción máquina-máquina y la gestión inteligente de la redundancia inherente a la especulación agéntica. Esto implica que el diseño de bases de datos ya no puede ignorar el patrón de acceso de los agentes, que es radicalmente distinto al comportamiento humano.
Para los desarrolladores y empresas, esto significa que un sistema que es altamente eficiente para un analista de datos humano puede resultar extremadamente ineficiente para un enjambre de agentes que realiza miles de microconsultas para validar una hipótesis estadística. La adopción de memorias estructuradas y la capacidad de proporcionar retroalimentación proactiva se convierten en ventajas competitivas decisivas para cualquier infraestructura de datos que pretenda soportar flujos de trabajo autónomos a escala industrial.
En cuanto al estado actual del conocimiento técnico, se ha confirmado que la tendencia de precios de la inferencia es irreversible y que la capacidad de razonamiento de los modelos actuales ya es suficiente para la mayoría de las tareas de oficina y análisis básico. Sin embargo, persiste una incertidumbre significativa sobre la velocidad de adopción de estos cambios arquitectónicos propuestos. La implementación real de memorias estructuradas y la transición hacia sistemas proactivos dependen de que surjan marcos de trabajo estandarizados que faciliten estas capacidades y de que los proveedores de infraestructura de datos acepten modificar sus núcleos para soportar nativamente la especulación agéntica.
Comparado con el estado anterior del sector, donde la base de datos era un almacén pasivo de información que respondía a peticiones explícitas y únicas, el modelo propuesto por Berkeley convierte la capa de datos en un socio activo del proceso de razonamiento. Mientras que antes el objetivo principal era minimizar el tiempo de respuesta de una consulta SQL individual, el nuevo objetivo es minimizar el coste computacional total de una tarea de conocimiento completa, permitiendo que el sistema de datos gestione la redundancia y la memoria correctiva de forma autónoma.
