OpenEnv en la práctica: Evaluando agentes que usan herramientas en entornos del mundo real

Los agentes de IA funcionan bien en entornos de investigación controlados, pero fallan en sistemas reales con múltiples pasos, herramientas reales, información parcial y recuperación de errores. OpenEnv es un framework open-source de Meta y Hugging Face que estandariza la interacción de agentes con entornos reales mediante una API tipo gym. Turing ha contribuido con Calendar Gym, un benchmark de gestión de calendarios que incluye control de acceso, razonamiento temporal y coordinación multi-agente. Las evaluaciones revelan limitaciones clave: dificultad en razonamiento multi-paso, degradación por ambigüedad y errores en argumentos de herramientas pese a seleccionar la herramienta correcta. Estos hallazgos subrayan la necesidad de evaluaciones en condiciones realistas para mejorar la fiabilidad en producción.