Los investigadores de Apple enseñaron a la IA a practicar con aplicaciones sin necesidad de una app real

Puntos clave

• Apple ML Research publicó un método en 2025 que entrena agentes de IA para usar herramientas de software sin requerir una versión en vivo y funcional de ese software.
• La técnica utiliza un modelo de lenguaje grande, la tecnología detrás de chatbots como ChatGPT y Claude, para actuar como un entorno simulado en el que el agente de aprendizaje practica.
• Los enfoques actuales para construir agentes que llamen a API dependen de bases de datos reales llenas de datos realistas, lo que es costoso y lento de crear.
• El nuevo método requiere solo una descripción escrita de una API, sigla de interfaz de programación de aplicaciones, el conjunto de reglas que permite que un software se comunique con otro.

Imagina enseñar a alguien a usar una caja registradora sin darle nunca una real. Describes cómo funciona y un colega hace el papel de la máquina. Esto es aproximadamente lo que ha hecho Apple ML Research con la IA, excepto que el colega también es una IA.

Construir un agente que pueda usar herramientas de software actualmente requiere miles de ejemplos trabajados. Cada uno es un registro de la comunicación ida y vuelta entre el agente y una aplicación real en ejecución, completo con datos ficticios creíbles cargados. Crear esto a escala requiere un esfuerzo enorme.

El enfoque de Apple evita el problema completamente. Dada solo una especificación de API, un documento que describe lo que un software puede hacer y cómo solicitarlo, el sistema crea un entorno simulado sobre la marcha. Un segundo modelo de lenguaje grande hace el papel de la aplicación, inventando respuestas plausibles en tiempo real. El agente de aprendizaje practica contra este sustituto, sin ningún servidor real involucrado.

Esto es importante porque el cuello de botella hoy no es la IA en sí. Es la tubería de datos. Los investigadores deben construir entornos de prueba funcionales, poblarlos con datos ficticios creíbles y ejecutar miles de tareas simuladas antes de que un agente esté listo para usuarios reales. Ese proceso limita la velocidad con la que se pueden crear nuevos agentes capaces.

Nuestra cobertura del marco de pruebas de usuarios virtuales de Apple el 14 de julio mostró el mismo laboratorio pensando en el mismo problema desde un ángulo diferente: ¿cómo construyes y pruebas agentes sin exponer primero a personas reales? Este artículo responde la primera mitad de esa pregunta, el lado del entrenamiento.

Los desarrolladores solo necesitarían la documentación que ya publican los fabricantes de software, convirtiendo un esfuerzo de recopilación de datos de meses en algo mucho más rápido.

¿Qué significa esto para las personas que usan asistentes de IA?

Para usuarios ordinarios, agentes mejor entrenados significan menos errores frustrantes cuando una IA intenta reservar un vuelo o gestionar un calendario en tu nombre. Si los agentes pueden entrenarse económicamente en muchas aplicaciones diferentes, el rango de tareas que manejan de manera confiable debería crecer.

El trabajo es investigación en fase temprana, y Apple ML Research no ha anunciado un producto basado en él. El desempeño en el mundo real necesitará pruebas independientes antes de que alguien pueda decir qué tan bien se transfiere el entrenamiento simulado a aplicaciones genuinas. La idea subyacente es una solución limpia a un problema genuino y bien documentado. Lo que observaría es si otros laboratorios adoptan la generación sin entorno o si la implementación de Apple resulta ser más difícil de replicar de lo que sugiere el artículo.