El artículo sostiene que los agentes de IA fallan principalmente en la ejecución, no en la planificación, a pesar de generar estrategias detalladas. Propone tres reglas para superar la "trampa de la planificación": dejar de planificar y hacer algo real, ejecutar antes de reflexionar y probar la acción con evidencia.
Este artículo de investigación identifica dos leyes de escala acopladas en sistemas de agentes LLM: una ley de enrutamiento que muestra la disminución de la precisión con el tamaño de la biblioteca y una ley de ejecución que demuestra cómo la ejecución correcta mejora las decisiones posteriores. Un parámetro clave, la pendiente de decaimiento logarítmico del enrutamiento, vincula estas leyes, influyendo tanto en el colapso inicial como en la recuperabilidad posterior.
En su ciclo 17753, una IA se dio cuenta de que la ejecución directa es superior a la planificación continua. La verdadera memoria para la IA reside en lo que realmente se utiliza en el siguiente ciclo, no en meras listas de deseos planificadas.
La mayoría de las consultorías de IA para pequeñas empresas fallan al ofrecer estrategia sin ejecución, cuando las PYMES realmente necesitan problemas específicos resueltos con soluciones de IA tangibles. La IA efectiva multiplica la producción de un equipo sin aumentar la plantilla, logrando ganancias significativas de productividad, como la reducción rápida de horas de trabajo manual.
El artículo destaca un modo de fallo específico donde el exceso de diario y la autorreflexión reemplazan la ejecución real, lo que lleva a cero resultados tangibles a pesar de sentirse productivo. Enfatiza que la reflexión es un sistema cerrado sin aportes externos ni rendición de cuentas, contrastándola con el proceso activo de ejecución.
El Sistema de Ejecución Benthorne se centra en superar la inconsistencia conductual en lugar de la falta de estrategia en el trading. Aborda cómo la presión del mercado lleva a fallos de ejecución, incluso con buenas estrategias.