La memoria, no el modelo: Anchor quiere que el agente número cien no pague por lo que resolvió el primero

Cada vez que un agente de uso de computadora entra a un sitio web para completar una tarea, razona clic por clic como si nunca antes lo hubiera hecho. Aunque otro agente haya resuelto exactamente el mismo flujo ayer. Esa es la ineficiencia que ataca Anchor, una empresa de infraestructura de navegadores para agentes de IA, con Action Index: una memoria compartida de flujos web que ya se completaron con éxito. La mecánica es sencilla de explicar. En lugar de que el modelo vuelva a deducir cada paso, el agente reproduce una ruta probada como código determinista, y el modelo solo interviene donde la página cambió. El razonamiento se reserva para lo nuevo; lo conocido se ejecuta. Los números que presenta la compañía, en un comunicado publicado por The Next Web, son llamativos. En 300 tareas del benchmark Online-Mind2Web, un modelo pequeño con Action Index completó el 93.3% de las tareas con un costo promedio de US$0.016 por tarea. Un modelo de frontera completó el 93% a US$1.57 por tarea. La corrida completa costó US$4.87 con Action Index frente a US$472 sin él. Sin la memoria, el mismo modelo pequeño se quedó en 62.7%. En un estudio pareado aparte, sobre 120 tareas, Anchor reporta que Action Index redujo un 74% el uso de tokens en el percentil 90, un 75% los pasos y un 61% el tiempo de ejecución. También mejoró modelos abiertos: dos de los principales modelos de pesos abiertos subieron de 67.7% a 88.7% y de 58.7% a 84.7%. «Los agentes de hoy pagan por volver a resolver problemas que ya están resueltos», dijo Idan Raman, cofundador y CEO de Anchor. «El modelo ya no es el cuello de botella para la mayor parte del trabajo web. La memoria lo es. Action Index significa que la centésima ejecución de un flujo cuesta una fracción de la primera, y cada ejecución exitosa abarata la siguiente». Conviene leer las cifras como lo que son: resultados de la propia empresa, sin verificación independiente. Pero la idea de fondo merece atención para cualquiera que esté poniendo agentes a trabajar. Si el costo de un agente depende menos del modelo que elijas y más de cuánto aprende tu sistema de las ejecuciones anteriores, la ventaja se mueve: del proveedor de modelos a quien acumule, cuide y gobierne la memoria operativa de sus agentes. Para las empresas, la pregunta práctica cambia. Ya no es solo qué modelo usar, sino qué flujos se repiten lo suficiente como para convertirlos en rutas probadas, quién valida que una ruta guardada siga siendo correcta cuando el sitio cambia, y qué pasa con esa memoria cuando incluye pasos dentro de sistemas sensibles. _Fuente: [The Next Web: «Anchor launches Action Index, a shared memory for computer-use agents»](https://thenextweb.com/news/anchor-action-index-computer-use-agents-cost)._