Fujitsu ha desarrollado una tecnología multiagente de inteligencia artificial que revisa los resultados de su actividad y ajusta modelos y flujos de trabajo a partir de éxitos, fallos, correcciones humanas y cambios normativos. El avance apunta a reducir parte de la intervención especializada que requieren los sistemas de IA cuando cambian las reglas, los datos o las especificaciones de un proceso empresarial.
La propuesta coordina varios agentes que dividen las tareas, analizan cómo se han ejecutado y extraen conocimiento operativo. A partir de ese análisis, pueden generar modificaciones en los prompts, los criterios de evaluación, las condiciones de aprendizaje o las estrategias de búsqueda documental. El sistema comprueba la efectividad de las propuestas antes de incorporarlas al modelo o al flujo de trabajo, un control con el que la empresa pretende limitar la adopción automática de ajustes perjudiciales.
Este planteamiento aborda una dificultad habitual en proyectos empresariales de IA: mantener su rendimiento cuando se actualiza una norma interna, cambia una aplicación o entra en vigor una revisión regulatoria. Esa adaptación suele depender de profesionales capaces de localizar la documentación relevante, estimar el impacto de cada modificación y trasladar sus conclusiones a reglas técnicas. Fujitsu plantea que los agentes puedan aprender una parte de ese procedimiento mediante la experiencia acumulada durante la operación diaria.
Una mejora media de 28 puntos en las pruebas de Takane
La primera aplicación se ha centrado en la especialización automática de Takane, el modelo de lenguaje empresarial de Fujitsu. Los agentes intervienen en distintas etapas de su desarrollo, desde la selección de datos y el ajuste de las condiciones de aprendizaje hasta la evaluación y la mejora continua. En lugar de conservar todas las recomendaciones generadas, el sistema evalúa cuáles ofrecen un resultado efectivo y aplica únicamente esas modificaciones.
Fujitsu asegura que este proceso elevó en 28 puntos de media la precisión del modelo respecto a su rendimiento anterior a la especialización. Las evaluaciones internas abarcaron fabricación, sanidad, finanzas y administración pública, cuatro ámbitos con vocabulario, documentación y criterios operativos diferentes. La mejora comunicada se refiere a puntos de precisión y no a un incremento porcentual relativo.
Los resultados variaron de forma considerable entre sectores. En fabricación, la precisión pasó del 56,3% al 94,3%, una ganancia de 37 puntos. En sanidad avanzó del 88% al 99%, con 11 puntos adicionales. El salto fue de 40,9 puntos en finanzas, desde el 41,9% hasta el 82,8%, y de 24,6 puntos en administración pública, desde el 39% hasta el 63,6%.
Las cifras muestran mejoras relevantes dentro de las pruebas realizadas por la compañía, aunque proceden de evaluaciones internas y no se ha aportado una validación independiente. Tampoco se detallan en el material disponible el tamaño de los conjuntos de prueba o la metodología necesaria para comparar esos porcentajes con otros modelos. Su alcance debe entenderse, por tanto, como un resultado de investigación de Fujitsu y no como una referencia general de rendimiento para cualquier implantación.
En el ámbito sanitario, la empresa plantea que la tecnología permita convertir información no estructurada de historiales médicos y resultados de pruebas en registros homogéneos. Los agentes podrían identificar diagnósticos, fases de evolución y políticas de tratamiento conforme a las necesidades de una operación concreta. El ejemplo ilustra el tipo de especialización buscada, pero no equivale a una implantación clínica general ni acredita resultados asistenciales.
Agentes que aprenden a buscar el impacto de cada cambio
La segunda línea evaluada traslada el aprendizaje operativo a la búsqueda de especificaciones de diseño. Fujitsu ha aplicado la tecnología a documentación de su sistema de historia clínica electrónica para hospitales medianos y grandes y a soluciones empresariales dirigidas a administraciones locales. El objetivo consiste en localizar qué componentes pueden verse afectados por modificaciones legislativas, normativas o técnicas.
En este tipo de análisis, una búsqueda literal puede dejar fuera documentos relacionados que emplean otra terminología o cuya relevancia solo resulta visible al conocer la arquitectura del sistema. Los agentes aprenden de consultas anteriores, casos fallidos y correcciones realizadas por profesionales. Con esa experiencia pueden ampliar una búsqueda, revisar documentación periférica o mantener entre los resultados archivos que inicialmente parecían irrelevantes, pero pertenecen al mismo ámbito de negocio.
La tecnología pretende automatizar así una parte de la lógica que aplican los especialistas al investigar dependencias entre normas, procesos y sistemas. Fujitsu afirma que el método mejora la precisión y reduce el trabajo dedicado a diseñar y perfeccionar las búsquedas, aunque no ha comunicado métricas concretas para este segundo caso de uso. La función tiene especial interés en sistemas extensos, donde una modificación puede afectar a especificaciones distribuidas entre numerosos documentos.
La compañía también ha utilizado estos avances dentro de OneFujitsu, su iniciativa para estandarizar globalmente sistemas de TI, datos y procesos internos. Esa aplicación proporciona un entorno corporativo en el que observar cómo los agentes responden a reglas compartidas y cambios operativos, pero no sustituye la validación en organizaciones con arquitecturas, controles y requisitos distintos.
De la investigación a las plataformas empresariales
Fujitsu prevé incorporar la tecnología a Fujitsu Kozuchi y a su AI-Driven Software Development Platform. La intención es emplearla para el desarrollo y la operación autónoma de soluciones de IA específicas para cada negocio, además de acelerar el análisis de requisitos y el diseño de software. La disponibilidad comercial general de estas capacidades se plantea como una evolución futura y no como una función ya desplegada de forma amplia.
La tecnología se integra en una estrategia multiagente más extensa. El entorno Multi AI Agent Framework permite combinar agentes y herramientas mediante los protocolos A2A y MCP, además de ofrecer un entorno empresarial de bajo código. Algunas funciones propias de colaboración, supervisión, mejora autónoma y seguridad aparecen todavía como capacidades planificadas, una distinción relevante entre el trabajo de investigación evaluado y las prestaciones disponibles en producto.
La evolución posterior también ha llevado esta arquitectura fuera de los procesos de una única organización. Fujitsu publicó en octubre de 2026 una solución para coordinar agentes de diferentes empresas en cadenas de suministro y mantiene pruebas con Rohto Pharmaceutical previstas hasta marzo de 2027. En una cadena virtual, una evaluación inicial apuntó a una reducción potencial de hasta el 30% en costes de transporte, un resultado preliminar vinculado a ese escenario.
La empresa investiga además cómo ejecutar estos equipos de agentes con menos memoria y consumo energético mediante trabajos relacionados con la reconstrucción de IA generativa. El propósito es extender su funcionamiento desde la nube hacia instalaciones locales y dispositivos de edge computing, especialmente cuando los datos o procesos exigen un mayor control dentro de la organización.
Para las empresas, la consecuencia operativa será decidir qué ajustes pueden delegarse en los agentes y cuáles deben conservar revisión humana, trazabilidad y autorización previa. Si la verificación de mejoras funciona fuera de las pruebas internas, los equipos técnicos podrían dedicar menos tiempo a retocar prompts y búsquedas ante cada cambio. Su adopción dependerá de que Fujitsu convierta estos resultados en capacidades disponibles, medibles y gobernables dentro de sus plataformas.
