Lo más difícil de enseñar a un sistema de búsqueda es la contención. La mayoría de los agentes de IA, cuando se les pide encontrar información, siguen extrayendo contexto hasta alcanzar un límite de tokens o un tiempo de espera. Databricks decidió entrenar uno que se detiene cuando realmente ha terminado.
El resultado es KARL, un agente de generación aumentada por recuperación construido sobre aprendizaje por refuerzo que iguala el rendimiento de Claude Opus 4.6, con un costo 33 % menor y una latencia 47 % más baja.
Enseñar a un agente a detenerse
La idea central detrás de KARL es que la ineficiencia en la búsqueda generalmente es un problema de timing. Los sistemas tradicionales de RAG recuperan más contexto del necesario, procesan información redundante y consumen recursos computacionales para hacerlo. KARL utiliza aprendizaje por refuerzo para reconocer cuándo la recuperación adicional ya no aporta valor, y detiene la búsqueda en lugar de continuar por defecto.
Databricks combina esto con compresión de contexto, una técnica que permite al agente condensar lo que ya ha recuperado antes de decidir si obtener más.
Lo que Agent Bricks aporta a la imagen
KARL se encuentra dentro de un marco más amplio llamado Agent Bricks, que Databricks lanzó en septiembre de 2026 como una plataforma para construir agentes específicos de dominio y autooptimizados. La idea es que las empresas no necesiten ajustar manualmente cada modelo que desplieguen. Agent Bricks realiza automáticamente esa optimización, ajustando el comportamiento del agente para adaptarse a tipos de tareas específicas definidas en lenguaje natural.
Desde su lanzamiento, más de 100,000 agentes se han desarrollado en la plataforma. El marco admite proveedores principales de modelos, incluidos Claude y variantes de GPT, con gobernanza gestionada a través de Unity Catalog de Databricks.
Databricks también ha incorporado una función de reordenamiento en su producto AI Search. El reordenamiento es el proceso de tomar un conjunto inicial de documentos recuperados y volver a puntuarlos según su relevancia antes de pasarlos al modelo de lenguaje. Los mejoras en precisión en benchmarks empresariales han promediado 15 puntos porcentuales.
Precisión en la frontera sin precios frontera
Los números de referencia que Databricks cita internamente muestran mejoras en la precisión de aproximadamente 32% a más del 90% en ciertos tipos de tareas al utilizar técnicas especializadas de agentes, como pensamiento paralelo y diseños de múltiples LLM.
Al emparejar a Claude Opus 4.6 en tareas de recuperación y razonamiento, mientras reduce su costo en un tercio, Databricks se posiciona en un lugar interesante en el mercado empresarial. La empresa no vende un modelo base. Vende la infraestructura que hace que los modelos base sean utilizables a escala.