Investigadores de Apple enseñaron a la IA a practicar usando 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 donde el agente que aprende practica.
• Los enfoques actuales para construir agentes que llamen APIs, software que puede operar aplicaciones y servicios en tu nombre, dependen de bases de datos reales llenas de datos realistas, lo que es lento y costoso de crear.
• El nuevo método solo necesita una descripción escrita de una API, sigla de interfaz de programación de aplicaciones, el conjunto de reglas que permite que una pieza de software se comunique con otra.

Imagina enseñar a alguien a usar una caja registradora sin nunca darle una real. Describes cómo funciona, y un colega juega el papel de la máquina, respondiendo como lo haría la cosa real. Eso es aproximadamente lo que Apple ML Research ha hecho con la IA, pero el colega también es una IA.

Construir un agente de IA que pueda usar herramientas de software, reservar un vuelo, consultar una base de datos, enviar un mensaje en tu nombre, actualmente requiere miles de ejemplos resueltos. Cada ejemplo es un intercambio grabado entre el agente y una aplicación real en funcionamiento, completa con clientes ficticios realistas, pedidos e historial cargado. Crear esos datos a escala requiere un esfuerzo enorme.

El enfoque de Apple evita el problema por completo. Con nada más que una especificación de API, un documento que describe qué puede hacer un software y cómo pedirle que lo haga, el sistema crea un entorno simulado sobre la marcha. Un segundo modelo de lenguaje grande juega el papel de la aplicación, inventando respuestas plausibles en tiempo real. El agente que aprende practica contra este sustituto, desarrollando habilidades sin un solo servidor real implicado.

Esto importa porque el cuello de botella hoy no es la IA en sí. Es el flujo de datos. Los investigadores deben construir entornos de prueba funcionales, rellenarlos con datos ficticios creíbles, y ejecutar miles de tareas simuladas antes de que un agente esté listo para ayudar a un usuario real. Ese proceso limita la rapidez con que se pueden crear nuevos agentes capaces.

El método sin entorno podría cambiar la economía de ese proceso. Los desarrolladores solo necesitarían la documentación que los fabricantes de software ya publican, 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, buscar o gestionar algo en tu nombre. Si los agentes pueden entrenarse económicamente en muchas aplicaciones diferentes, la gama de tareas que manejan de manera confiable debería crecer.

El trabajo es investigación en etapa temprana, y Apple ML Research no ha anunciado un producto construido sobre él. El rendimiento en el mundo real necesitará pruebas independientes antes de que alguien pueda decir cuán bien se transfiere el entrenamiento simulado a aplicaciones genuinas. Pero la idea subyacente, usar una IA para enseñar a otra sin necesidad de un entorno en vivo, es una solución clara para un problema genuino y bien documentado en el campo.