Stanford University

Al 7 de octubre de 2025, investigadores de «Stanford University», «SambaNova Systems» y «UC Berkeley» publicaron ACE (Agentic Context Engineering) en arXiv. El trabajo apunta a dos fallos en la forma en que los modelos de lenguaje adaptan su contexto: el sesgo de brevedad, en el que la compresión elimina matices, y el colapso de contexto, en el que la calidad del contexto se degrada a lo largo de rondas sucesivas de adaptación.

El framework reparte el trabajo entre tres agentes. El Generator produce trayectorias de razonamiento detalladas, el Reflector extrae de ellas patrones de éxito y fracaso, y el Curator incorpora esos hallazgos al contexto de forma incremental. Las mejoras reportadas son: 10.6% en benchmarks estándar de agentes, 8.6% en razonamiento financiero complejo, y una reducción media del 86.9% en la latencia de adaptación. No se requieren etiquetas de referencia (ground-truth): el sistema lee sus propias ejecuciones. El paper lo presenta como una alternativa al fine-tuning, que ajusta lo que se le muestra al modelo en lugar de sus pesos.

Tres semanas antes, «AI in the SDLC: Cutting Through the Hype» de Edgar Kussberg citaba otro resultado de «Stanford University»: los desarrolladores que usan asistentes de IA tenían más probabilidades de introducir vulnerabilidades de seguridad, y también más probabilidades de considerar ese código seguro. El argumento más amplio de Kussberg es que el aumento en la adopción de IA se correlaciona con una caída en la estabilidad de las entregas, y que los desarrolladores que se sienten más productivos suelen aceptar sugerencias sin revisarlas de cerca.

Una misma institución aporta tanto la maquinaria para modelos que se refinan a partir de sus propias trazas como la evidencia de que los revisores humanos pierden precisión al evaluar código escrito por un modelo. Queda sin responder quién audita un contexto que se cura a sí mismo.