Anticipar y Aprender: Liberando el Cómputo en Tiempo de Inactividad en Agentes Proactivos

Resumen

Aunque los agentes de IA demuestran capacidades notables en razonamiento y uso de herramientas, siguen siendo fundamentalmente reactivos: solo generan respuestas tras estímulos explícitos del usuario. Este paradigma ignora una oportunidad crítica: el tiempo de inactividad entre interacciones se desperdicia en gran medida, impidiendo que los agentes se preparen para futuras necesidades del usuario. Para superar esta limitación, presentamos ProAct, una arquitectura de agente proactivo que aprovecha el cómputo en tiempo de inactividad para anticipar y satisfacer necesidades probables del usuario. Al analizar el historial de diálogo en evolución junto con la memoria persistente, ProAct predice necesidades futuras y adquiere información de forma iterativa, lo que permite al agente resolver brechas de conocimiento y preparar evidencia antes de que el usuario formule una consulta. Para evaluar rigurosamente las capacidades proactivas, también introducimos ProActEval, un punto de referencia integral que comprende 200 escenarios en 40 dominios, con cadenas de necesidades predecibles y diversos perfiles cognitivos de usuario. Los resultados empíricos demuestran ventajas significativas sobre las líneas base reactivas. ProAct acelera la finalización de tareas al reducir las interacciones requeridas en un 14.8%, disminuye el esfuerzo del usuario en un 11.7% y reduce las tasas de alucinación en un 28.1% en ProActEval. Además, las evaluaciones en MemBench confirman que ProAct alcanza una precisión reflexiva de vanguardia, lo que subraya su rendimiento sostenido y robusto.

English

While AI agents demonstrate remarkable capabilities in reasoning and tool use, they remain fundamentally reactive: they compute responses only after explicit user prompts. This paradigm ignores a critical opportunity: the idle time between interactions is largely wasted, leaving agents unable to prepare for future user needs. To bridge this gap, we introduce ProAct, a proactive agent architecture that leverages idle-time compute to anticipate and fulfill likely upcoming user needs. By analyzing evolving dialogue history together with persistent memory, ProAct predicts upcoming needs and iteratively acquires information, allowing the agent to resolve knowledge gaps and prepare evidence before the user initiates a query.To rigorously evaluate proactive capabilities, we also introduce ProActEval, a comprehensive benchmark comprising 200 scenarios across 40 domains, featuring predictable need chains and diverse user cognitive profiles. Empirical results demonstrate significant advantages over reactive baselines. ProAct accelerates task completion by reducing required turns by 14.8%, decreases user effort by 11.7%, and cuts hallucination rates by 28.1% on ProActEval. Furthermore, MemBench evaluations confirm that ProAct achieves state-of-the-art reflective accuracy, underscoring its sustained and robust performance.