Coordinar agentes encarnados resulta cada vez más difícil a medida que los equipos crecen en tamaño, diversidad y duración de las misiones. Cada agente aporta un conjunto particular de capacidades, acciones y observaciones, pero también introduce decisiones adicionales sobre la asignación de tareas, la comunicación, los tiempos y el uso de recursos. En un equipo pequeño y homogéneo, un único responsable puede asignar directamente el trabajo a cada agente. Sin embargo, en un equipo grande y heterogéneo, ese responsable debe seguir simultáneamente el estado de muchos trabajadores, razonar sobre sus capacidades, preservar las dependencias temporales y revisar las asignaciones a medida que cambian el entorno o la información.
El desafío de organizar colectivos artificiales encarnados
Además, estas exigencias no dependen únicamente del tamaño del equipo. La estructura del trabajo es igual de importante. Algunas tareas se pueden dividir de forma natural. Varios drones pueden explorar distintas regiones, o varios bomberos retirar obstáculos diferentes al mismo tiempo. Otras tareas contienen relaciones de precedencia. Primero hay que localizar un incendio para poder transportar a las brigadas; los helicópteros deben terminar su tarea de transporte anterior y descargar antes de aceptar nuevas asignaciones; y es necesario identificar las rutas de acceso antes de desplegar con seguridad las unidades terrestres.
Las misiones complejas suelen combinar ambas formas. También pueden incluir cambios dinámicos, como alteraciones ambientales inesperadas, la pérdida de agentes o de comunicación, o la aparición gradual de nueva información. Por tanto, una organización artificial debe coordinar el trabajo paralelo dentro de cada etapa, preservar las dependencias entre etapas y adaptar la coordinación general.
El desafío, por tanto, no consiste únicamente en elaborar un plan mejor. También hay que determinar una estructura organizativa que encaje con la misión, el personal disponible y las relaciones entre las actividades necesarias. Esto exige razonar sobre qué agentes deben agruparse, qué responsables deben supervisarlos, cuántos niveles de gestión están justificados y qué forma de coordinación debe regir en cada grupo.
Un banco de pruebas para la inteligencia organizativa
Estudiamos la organización artificial en una versión ampliada de CREW-Wildfire, un entorno encarnado desarrollado originalmente para evaluar la colaboración encarnada a gran escala entre agentes basados en modelos de lenguaje. El entorno original introducía escenarios de incendios forestales generados procedimentalmente junto con 12 niveles de tareas, entre ellos la retirada de árboles, el reconocimiento, el transporte, el rescate de civiles, la extinción de incendios y la respuesta integrada a incendios forestales. Las variantes pequeñas y grandes daban lugar a 16 configuraciones de referencia.
Ampliamos este banco de pruebas a 25 misiones diseñadas para abarcar una gama más amplia de exigencias organizativas, incluidos equipos más grandes, composiciones heterogéneas, horizontes de planificación más prolongados, objetivos de varias etapas y cambios inesperados durante la ejecución.
CREW-Wildfire funciona en paisajes generados procedimentalmente, con controles de semilla que permiten reproducir los resultados. Se generan campos continuos que describen la elevación, la humedad y el viento, junto con tipos discretos de terreno y cobertura del suelo, como bosque, matorral, tierra y agua. Los asentamientos y otras características relevantes para la misión se ubican según la semilla del escenario. Estas variables modifican la distribución espacial de los peligros y los recursos, y afectan a la evolución del incendio, de modo que un mismo objetivo de alto nivel puede requerir estrategias distintas de búsqueda, transporte e intervención.
El incendio evoluciona dinámicamente mediante un proceso de autómata celular cuya propagación local depende de condiciones ambientales como la pendiente del terreno, la vegetación, la humedad y el viento. Por tanto, el fuego puede expandirse en distintas direcciones y a diferentes velocidades a medida que avanza la misión.
Para el problema organizativo estudiado en este trabajo, esta dinámica es decisiva. Las observaciones recopiladas al principio de un episodio pueden quedar obsoletas, las rutas de acceso pueden volverse inseguras y la urgencia relativa del reconocimiento, el transporte, el rescate, la contención y la extinción directa puede cambiar con el tiempo. En consecuencia, los equipos deben coordinarse no solo en el espacio, sino también a través de un proceso físico en evolución.
CREW-Wildfire incluye cuatro tipos de trabajadores con capacidades complementarias:
- Los bomberos son agentes terrestres polivalentes que pueden retirar vegetación, rescatar civiles, reponer agua y extinguir incendios directamente.
- Las excavadoras despejan la vegetación con eficacia, pero no pueden rescatar civiles ni extinguir incendios.
- Los drones proporcionan reconocimiento rápido de grandes áreas, pero carecen de capacidades de intervención física.
- Los helicópteros ofrecen movilidad de largo alcance, pueden transportar bomberos y apoyar operaciones basadas en el uso de agua.
Estas ampliaciones se diseñaron para que el banco de pruebas resultara especialmente adecuado para estudiar la organización. Por ejemplo, una misión escasa de retirada de árboles pone a prueba principalmente si el trabajo puede repartirse entre agentes independientes. Una misión de transporte de bomberos en helicóptero exige funciones complementarias y relevos sincronizados. Las misiones de búsqueda y rescate hacen que las acciones posteriores dependan de la información obtenida durante el reconocimiento. La contención de incendios combina trabajadores terrestres con distintas capacidades de intervención.
Las misiones de extinción más complejas requieren coordinar a lo largo del tiempo el reconocimiento, la obtención de recursos, el rescate, el transporte, el despliegue, la construcción de cortafuegos y la extinción directa. Así, las 25 tareas varían no solo en su dificultad convencional, sino también en la estructura de coordinación que exigen.
Jerarquías organizativas específicas para cada tarea
Dada una descripción de la tarea, los requisitos de la misión proporcionados al sistema organizativo, un conjunto de trabajadores disponibles, los agentes encarnados disponibles para la asignación, y sus capacidades, las acciones y funciones que cada trabajador puede desempeñar, ORCH construye una jerarquía organizativa con raíz representada mediante un árbol.
Sus nodos hoja corresponden a los trabajadores encarnados disponibles, mientras que los demás nodos corresponden a responsables. La jerarquía puede ser diseñada por un experto humano o generada por un modelo de lenguaje.
Cada organización jerárquica de equipos es específica de la tarea. Las misiones sencillas con pocos trabajadores pueden conservar una estructura poco profunda, en la que un responsable supervisa a todos los trabajadores. Las misiones más grandes pueden dar lugar a un equipo de equipos, en el que un responsable raíz supervisa a varios responsables intermedios, cada uno a cargo de un grupo coherente de subequipos o subobjetivos.
Se procura que el proceso de generación mantenga la organización lo más sencilla posible, introduciendo una descomposición adicional solo cuando un responsable tendría que coordinar demasiados trabajadores independientes o cuando la misión contiene subobjetivos diferenciados e interdependientes.
Una vez construida, la estructura organizativa permanece como soporte de la ejecución. En el futuro podría estudiarse la posibilidad de modificarla dinámicamente durante el desarrollo de la tarea. Este estudio constituye un primer paso hacia la incorporación de la teoría de la organización humana, por lo que dejamos esa exploración para trabajos posteriores.
Aunque la estructura se mantiene para la tarea para la que fue construida, el plan activo, la fase y las asignaciones pueden cambiar a medida que avanza la misión. Por tanto, la adaptación durante la ejecución sigue siendo posible mediante la información, las decisiones y las consecuencias que circulan por la organización.
Ejecución en bucle cerrado mediante comunicación jerárquica
Para mantener alineado a un equipo de equipos mientras evolucionan el entorno y el estado de la misión, ORCH transmite continuamente hacia arriba información sobre el progreso local y hacia abajo decisiones actualizadas a través de la jerarquía. En cada paso del entorno, alterna una fase de estado ascendente con una fase de planificación descendente.
Durante la fase descendente, las decisiones se propagan desde la raíz hacia las hojas. Los responsables horizontales distribuyen directamente entre sus subordinados las asignaciones concurrentes. Los responsables verticales evalúan primero la fase activa y la secuencia de fases futuras, y después asignan el trabajo necesario para la fase actual.
Antes de dar por finalizado el plan, los subordinados evalúan si las funciones asignadas son viables y coherentes con sus capacidades. Pueden devolver objeciones concretas al responsable, quien revisa el plan hasta que no se identifica ningún conflicto adicional. A continuación, los trabajadores convierten sus asignaciones aceptadas y sus observaciones actuales en acciones para el entorno, que se ejecutan simultáneamente.
Este protocolo bidireccional proporciona a cada responsable una visión comprimida del estado relevante para sus responsabilidades. Los trabajadores no necesitan razonar sobre todo el historial de comunicación del colectivo, y el responsable raíz no tiene que controlar directamente cada acción física.
Así, la jerarquía actúa tanto como una división del trabajo decisorio como una estructura de procesamiento de información. ORCH preserva la autonomía de cada agente trabajador y de cada subequipo, al tiempo que permite planificar y coordinar jerárquicamente un equipo grande para tareas complejas.
Los principios organizativos mejoran el rendimiento colectivo
Este es un resultado importante, ya que las seis métricas ponen de manifiesto distintos posibles compromisos. Un sistema podría aumentar el rendimiento final realizando más consultas al modelo, generando mensajes más largos o explorando de forma ineficiente.
ORCH no mostró ese compromiso. Sus mejoras en el resultado de la misión y la velocidad de ejecución se lograron superando o aproximándose a los mejores métodos en eficiencia computacional y comunicativa. Por tanto, el principio organizativo mejoró no solo lo que el equipo conseguía, sino también la eficiencia con la que producía decisiones colectivas.
Diseño organizativo humano y artificial
Estos resultados revelan dos observaciones importantes. En primer lugar, la idea central de ORCH —incorporar la teoría de la organización al diseño de equipos jerárquicos— ofrece una ventaja clara, ya que las mejoras de rendimiento se observan en todos los equipos de ORCH.
En segundo lugar, el diseño organizativo automatizado resulta prometedor, pero aún queda trabajo por hacer. Un crítico puede mejorar las jerarquías generadas imponiendo condiciones de viabilidad y simplicidad. Sin embargo, sigue existiendo una brecha entre las organizaciones generadas por modelos de lenguaje y las diseñadas por expertos. Esta brecha define una frontera concreta para futuras investigaciones sobre inteligencia colectiva artificial.
Historial de comunicación y análisis de los modos de fallo
En ORCH, las tres variantes demuestran además que el diseño de la jerarquía es fundamental para determinar los modos de fallo. Los fallos de asignación de tareas aumentaron notablemente: del 8,4 % con la jerarquía de un experto humano al 21,0 % con la jerarquía generada por el modelo de lenguaje y al 29,6 % sin el crítico.
Los fallos de adaptación aumentaron del 13,6 % al 17,6 % y al 18,8 %, respectivamente. Este deterioro constante muestra que ORCH depende en gran medida de la calidad de la jerarquía: unas jerarquías mejor diseñadas permiten una descomposición, asignación y adaptación más fiables durante la ejecución multiagente.
Debate
Nuestros resultados muestran que los principios derivados de la teoría de la organización humana pueden mejorar la inteligencia colectiva de los agentes artificiales encarnados. En 25 misiones, ocho modelos de lenguaje, semillas repetidas y cuatro sistemas de comparación, los equipos organizados en torno a la interdependencia agrupada y secuencial obtuvieron mejores resultados, acumularon avances con mayor eficiencia, exploraron de forma más eficaz y utilizaron los recursos computacionales de manera competitiva.
Las ventajas persistieron entre modelos de lenguaje y variaciones de las tareas, y se hicieron especialmente visibles en misiones complejas que exigían a grandes equipos heterogéneos coordinar trabajo paralelo y ordenado.
Estos hallazgos también ponen de manifiesto un aspecto importante de la unidad de análisis en los sistemas encarnados multiagente impulsados por modelos de lenguaje de gran escala. El rendimiento de un colectivo suele atribuirse a la inteligencia de sus miembros, a la calidad de sus políticas individuales o a la cantidad de comunicación disponible.
ORCH demuestra que la distribución de la autoridad, la información y la responsabilidad también es una variable importante. Los mismos trabajadores y el mismo modelo de lenguaje subyacente pueden producir resultados colectivos distintos cuando se sitúan bajo principios organizativos diferentes.
El énfasis en la teoría de la organización constituye un reconocimiento importante: los principios utilizados para guiar las organizaciones humanas pueden ofrecer grandes oportunidades para reforzar los equipos de IA multiagente. Convertimos la interdependencia agrupada y secuencial en mecanismos ejecutables de coordinación.
El trabajo agrupado se representa mediante responsables que distribuyen contribuciones simultáneas, mientras que el trabajo secuencial se representa mediante responsables que mantienen fases ordenadas y condiciones de finalización. Su combinación permite que la estructura organizativa refleje los patrones mixtos de dependencia propios de las misiones encarnadas.
Aunque el principio rector es concreto, la estructura jerárquica y de «equipos de equipos» permite componer de forma recursiva equipos grandes y heterogéneos para escalar hasta misiones complicadas.
Observamos una relación interesante entre la capacidad individual y la colectiva. El modelo de lenguaje subyacente tuvo un efecto significativo en el rendimiento, pero el tamaño del modelo no predijo de forma monotónica la calidad del colectivo. En las mismas condiciones, modelos de tamaño moderado podían superar a modelos más grandes cuando se utilizaban como colectivo bajo una guía organizativa.
Esto sugiere que evaluar los modelos de lenguaje como razonadores aislados puede no caracterizar plenamente su capacidad para participar en sistemas encarnados organizados. El rendimiento colectivo depende de propiedades como el respeto de las funciones, la elaboración de informes concisos, la adaptación de los planes y la coordinación en torno a dependencias físicas.
A pesar de estas líneas de trabajo futuras, la escala y la consistencia de nuestros resultados respaldan una visión clara: los avances en inteligencia colectiva artificial exigirán progresos no solo para hacer más capaces a los agentes individuales, sino también para descubrir cómo deben organizarse.
Nuestro trabajo sugiere que las organizaciones humanas pueden ofrecer ideas valiosas. A medida que los sistemas encarnados pasen de pequeños grupos homogéneos a grandes equipos de agentes especializados, el diseño organizativo podría llegar a ser tan esencial como la arquitectura del modelo o el algoritmo de planificación. Los principios desarrollados para comprender las organizaciones humanas pueden constituir un punto de partida para esta nueva ciencia computacional de la organización artificial.
Agradecimientos
Agradecemos a los miembros del General Robotics Lab de Duke University sus útiles debates y sugerencias.
Financiación: Este trabajo cuenta con el apoyo del programa ARL STRONG, mediante las ayudas W911NF2320182, W911NF2220113 y W911NF242021; del programa DARPA TIAMAT, mediante la ayuda HR00112490419; y de ARO, mediante la ayuda W911NF2410405.
Contribuciones de los autores: B.C., Z.J. y J.H. concibieron y diseñaron la investigación. Z.J. y J.H. diseñaron las simulaciones y realizaron los experimentos. Z.J., J.H. y B.C. analizaron los datos. Z.J. y B.C. redactaron el manuscrito. Todos los autores aportaron sus comentarios.
Conflictos de intereses: Los autores declaran no tener conflictos de intereses.
Disponibilidad de datos, código y materiales: El código y los datos completos están disponibles en el repositorio del proyecto de los autores.
Materiales suplementarios: Figuras metodológicas S1–S24, tablas S1–S3, texto suplementario y película suplementaria S1.
Preguntas frecuentes
¿Qué es ORCH? ORCH es un sistema que construye jerarquías organizativas específicas para cada tarea con el fin de coordinar agentes artificiales encarnados.
¿Qué entorno se utilizó para evaluar ORCH? ORCH se evaluó en una versión ampliada de CREW-Wildfire, un entorno generado procedimentalmente para la colaboración encarnada a gran escala.
¿Qué tipos de trabajadores encarnados incluye CREW-Wildfire? El entorno incluye bomberos, excavadoras, drones y helicópteros con capacidades complementarias.
¿Cómo coordina ORCH a los agentes durante la ejecución? ORCH alterna entre la comunicación ascendente del estado y la planificación descendente; las decisiones recorren la jerarquía y los trabajadores actúan simultáneamente.