Planificación

En inteligencia artificial, la planificación automática (automated planning) es la rama que, dado un estado inicial del mundo, una meta que se desea alcanzar y un repertorio de acciones disponibles, busca una secuencia de acciones —un plan— capaz de transformar el estado inicial en otro donde la meta se cumpla. No basta con saber qué queremos: hay que hallar el camino de pasos concretos que conduce hasta allí.

Lo que la distingue de la mera búsqueda (véase la entrada correspondiente) es que las acciones no se enumeran a mano, sino que se describen de forma declarativa: cada una declara qué debe ser cierto para poder ejecutarse y cómo altera el mundo. De esa descripción el planificador deriva por sí mismo el espacio de posibilidades. La referencia canónica sigue siendo el manual de Stuart Russell y Peter Norvig, «Artificial Intelligence: A Modern Approach».

Los ingredientes: estados, acciones y los lenguajes STRIPS y PDDL

Un problema de planificación se arma con tres piezas. El estado describe cómo está el mundo en un instante; la meta, la condición que queremos que se cumpla; y cada acción se define por sus precondiciones —lo que debe ser cierto para aplicarla— y sus efectos —lo que pasa a ser cierto o falso tras aplicarla—.

Este modelo cristalizó en 1971 con STRIPS, el planificador de Richard Fikes y Nils Nilsson en el Stanford Research Institute, que representaba cada acción con una lista de adición y una de borrado. De aquella idea desciende PDDL (Planning Domain Definition Language), el lenguaje estándar que Drew McDermott y sus colaboradores propusieron en 1998 para la Competición Internacional de Planificación y que desde entonces permite comparar planificadores sobre problemas comunes.

Cómo se resuelve: búsqueda heurística y sus retos

Con el problema así descrito, planificar se convierte en buscar dentro de un espacio de estados: explorar qué acciones aplicar y en qué orden hasta dar con una secuencia que alcance la meta. El obstáculo es la explosión combinatoria, porque el número de estados crece de forma desbordante y una búsqueda ciega resulta inviable.

Lo que hizo práctica la planificación moderna fue guiar esa búsqueda con heurísticas derivadas automáticamente del propio problema. Blai Bonet y Héctor Geffner mostraron cómo estimar la distancia a la meta resolviendo una versión relajada del problema —por ejemplo, ignorando los efectos que borran hechos ya logrados—. Quedan abiertos los entornos con incertidumbre o solo parcialmente observables, donde el agente no conoce con certeza el estado del mundo: la planificación conformante y bajo incertidumbre sigue siendo mucho más costosa que el caso clásico.

De la planificación clásica a los agentes con LLM

Durante décadas la planificación fue simbólica y ajena al aprendizaje. Hacia 2026 el péndulo regresa: los agentes basados en grandes modelos de lenguaje incorporan una forma de planificación al descomponer un objetivo en pasos intermedios. Esa flexibilidad reaviva una vieja aspiración —combinar la robustez de los planificadores simbólicos con la amplitud de los modelos neuronales—, por ejemplo dejando que el modelo traduzca el problema a PDDL y que un planificador clásico garantice un plan correcto. Es un terreno aún en construcción; para su tratamiento detallado remitimos a la entrada sobre agentes.