Murakkab: el sistema que optimiza flujos de trabajo multi-paso en IA

¿Qué ha ocurrido?

Un equipo de investigadores del MIT y Microsoft ha desarrollado Murakkab, un sistema inteligente que automatiza el diseño y la optimización de agentic workflows (flujos de trabajo basados en agentes de IA). Estos flujos encadenan múltiples modelos y herramientas externas para realizar tareas complejas, como analizar un vídeo y responder preguntas sobre él. El sistema, presentado en el USENIX OSDI 2026, permite a los desarrolladores describir en lenguaje natural lo que quieren que haga el flujo, sin necesidad de especificar detalles técnicos. Murakkab selecciona automáticamente los mejores modelos, herramientas, configuración hardware y asignación de recursos en la nube, ajustándose en tiempo real a las prioridades del usuario (coste mínimo o máxima velocidad).

El artículo original del MIT News detalla que los agentic workflows se están volviendo “extremadamente complejos” y se están convirtiendo rápidamente en la columna vertebral de lo que hacen los proveedores cloud. Sin embargo, la forma en que estos sistemas altamente fragmentados se diseñan e implementan a menudo genera ineficiencias que conducen a desperdicio de cómputo, energía y costes. Murakkab aborda este problema directamente, actuando como un orquestador inteligente que optimiza cada aspecto del flujo.

Contexto histórico y comparaciones

La optimización de flujos de trabajo no es nueva: desde los sistemas de gestión de procesos de negocio (BPM) hasta los orquestadores de microservicios como Kubernetes, la industria ha buscado automatizar la asignación de recursos. Sin embargo, Murakkab representa un salto cualitativo al operar en el dominio de los agentes de IA, donde la diversidad de modelos (desde GPT-4 hasta modelos específicos de visión) y herramientas (APIs, bases de datos, motores de búsqueda) multiplica la complejidad. A diferencia de enfoques anteriores como AutoML, que optimizan modelos individuales, Murakkab optimiza cadenas completas de modelos y herramientas, considerando tanto la latencia como el coste energético.

Históricamente, la sobreasignación de recursos ha sido un problema crónico en cloud computing. Un estudio de 2020 de la Uptime Institute encontró que el 30% de los servidores estaban infrautilizados. Con la llegada de la IA generativa, el consumo energético se ha disparado: según la Agencia Internacional de la Energía, el entrenamiento de un modelo como GPT-3 consumió aproximadamente 1.300 MWh, equivalente al consumo anual de 130 hogares estadounidenses. Murakkab ataca este problema en la fase de inferencia, que representa la mayor parte del consumo operativo de los proveedores cloud.

¿Por qué es importante?

Los flujos de trabajo multi-agente se están convirtiendo en la columna vertebral de los servicios cloud. Sin embargo, su fragmentación y complejidad generan ineficiencias: los desarrolladores suelen sobredimensionar recursos, desperdiciando energía y dinero. Murakkab aborda este problema reduciendo el número de unidades computacionales necesarias, lo que se traduce en un ahorro significativo de energía y costes sin sacrificar rendimiento. Según Gohar Chaudhry, autor principal del estudio, “es muy fácil sobredimensionar recursos, malgastando energía y dinero. Permitir que un proveedor cloud optimice estos flujos de forma inteligente es un beneficio para todos”. En un momento en que el consumo energético de la IA es una preocupación creciente, esta optimización es clave para la sostenibilidad.

El impacto potencial es enorme. Según un informe de Goldman Sachs de 2024, se espera que la demanda de electricidad de los centros de datos se duplique para 2030, impulsada en gran parte por la IA. Murakkab podría ayudar a mitigar este crecimiento al reducir el consumo por tarea. Además, al disminuir los costes operativos, los proveedores cloud podrían trasladar esos ahorros a los clientes, democratizando el acceso a la IA avanzada.

¿Cómo funciona?

Murakkab actúa como un orquestador inteligente. A partir de una descripción en lenguaje natural, el sistema explora el espacio de configuraciones posibles –modelos, herramientas, hardware– y selecciona la combinación óptima. Además, durante la ejecución, ajusta dinámicamente la asignación de recursos según la prioridad del usuario. Esto elimina la necesidad de que los desarrolladores hardcodeen todas las decisiones técnicas, facilitando la adaptación a nuevos modelos o cambios en las cargas de trabajo. En pruebas con varios flujos de trabajo reales, Murakkab redujo el número de unidades computacionales necesarias en hasta un 50%, con una disminución proporcional del consumo energético y los costes, manteniendo la misma precisión y velocidad.

El paper presentado en OSDI 2026 describe que Murakkab utiliza un enfoque de búsqueda basado en aprendizaje por refuerzo para explorar el espacio de configuraciones. A diferencia de métodos heurísticos, este enfoque se adapta a las características específicas de cada flujo, logrando una optimización más fina. Los experimentos incluyeron flujos típicos como análisis de video con preguntas, procesamiento de documentos y chatbots multicapa, mostrando consistentemente reducciones de recursos del 30-50%.

Consecuencias para el sector

Este avance tiene implicaciones directas para proveedores cloud, desarrolladores de IA y usuarios finales:

• Para los proveedores cloud (AWS, Azure, Google Cloud): permite ofrecer servicios de IA más eficientes y ecológicos, reduciendo su huella de carbono y sus costes operativos. Azure, como coautor del estudio, podría integrar Murakkab en su plataforma, obteniendo una ventaja competitiva frente a AWS y Google Cloud, que aún no han anunciado sistemas similares.
• Para los desarrolladores: simplifica el diseño de flujos complejos, acelera el time-to-market y reduce la necesidad de expertos en optimización. Esto es especialmente valioso para startups que carecen de recursos para ajustar manualmente cada configuración.
• Para los usuarios: aplicaciones más rápidas y baratas, con menor impacto ambiental. Por ejemplo, un servicio de análisis de video podría reducir sus costes en un 40%, haciendo que sea asequible para pequeñas empresas.

Además, Murakkab podría allanar el camino hacia una IA más sostenible, alineada con los objetivos de eficiencia energética globales. En un contexto donde empresas como Google y Microsoft se han comprometido a ser carbono negativas para 2030, herramientas como esta son esenciales para cumplir dichos objetivos sin sacrificar la innovación.

Lo que deben saber los lectores

Murakkab no es un producto comercial, sino un prototipo de investigación. Sin embargo, la participación de Microsoft Azure sugiere que podría integrarse en servicios cloud en el futuro. Los desarrolladores deberían estar atentos a herramientas similares que automaticen la optimización de flujos multi-agente, ya que se convertirán en un estándar para reducir costes y consumo energético. Es importante señalar que el sistema aún no ha sido probado en entornos de producción a gran escala, y su rendimiento podría variar en condiciones reales. Además, la dependencia de un orquestador centralizado introduce un punto único de fallo, aunque los autores afirman que el diseño es robusto.

“Agentic workflows are getting very complicated and quickly becoming the backbone of what cloud providers are doing. Energy usage is a huge concern, so we need to be very careful about how efficient these workflows are.” — Gohar Chaudhry, MIT

En resumen, Murakkab demuestra que es posible lograr eficiencia sin comprometer rendimiento, un equilibrio crítico para el futuro de la IA en la nube. A medida que los agentic workflows se vuelven omnipresentes, la optimización automatizada será un diferenciador clave para los proveedores cloud. Los próximos pasos incluyen pruebas en entornos reales y posiblemente la integración con plataformas como Azure Machine Learning. Los desarrolladores harían bien en familiarizarse con estos conceptos, ya que la tendencia hacia la automatización de la optimización es imparable.