Enseñar a un modelo a reconocer una señal de stop es fácil porque todo el mundo está de acuerdo en qué es. Enseñarle a reconocer comida sana, arte inspirador o publicidad engañosa es más difícil, porque quien da las instrucciones a menudo no sabe dónde está su propio límite hasta que ve un ejemplo complicado. Agile Deliberation, de Google Research, presentado en CVPR 2026 y publicado ahora como código abierto, gira en torno a ese problema, y importa a quien redacta normas de contenido o selecciona imágenes a gran escala.
El método tiene dos etapas. Primero el usuario divide una idea amplia en lo que incluye y lo que excluye; para la comida sana, el ejemplo incluye ensaladas, bowls de cereales y proteínas magras, y excluye alimentos procesados e ingredientes crudos sin preparar. Después el sistema busca imágenes que quedan en el límite de esa definición escrita, como un batido de fruta que es a la vez fruta cruda y rico en azúcar. El usuario decide cada caso y un bucle automático reescribe el prompt del clasificador para ajustarlo, de modo que la definición y el clasificador cambian juntos.
El estudio abarcó 18 sesiones en directo de 90 minutos cada una, con dos conceptos: comida sana y una tarea de moderación sobre imágenes de juegos tipo clickbait que prometen recompensas económicas o digitales engañosas. Agile Deliberation se comparó con un único prompt escrito, un sistema anterior de Google que descompone el concepto sin preguntar al usuario y un proceso manual de hojas de cálculo, búsquedas a ciegas y prompts editados a mano. El blog indica que sus clasificadores superaron a los tres, con las mayores mejoras en las imágenes más difíciles, y que la edición manual a menudo no mejoró la precisión o la empeoró. El esfuerzo y el estrés bajaron de forma significativa, y todos los participantes lo prefirieron a los métodos manuales.
El hallazgo sobre la edición manual es el práctico. Muchos equipos escriben hoy prompts largos para que modelos de visión y lenguaje clasifiquen imágenes y luego los parchean fallo a fallo, con el temor de que cada arreglo rompa otra cosa. Agile Deliberation formaliza lo que ya hacen los buenos moderadores, poner a prueba una norma con casos incómodos, y deja que la herramienta busque esos casos en lugar de la persona. El código, con un notebook de demostración para el ejemplo de comida sana, está en el repositorio google-research de Google.
Las pruebas flojean en algunos puntos. El blog no da cifras de precisión, solo gráficos y descripciones, y no dice cuántas personas distintas participaron ni quiénes eran, más allá de algunos expertos. Dos conceptos son una prueba estrecha para un método pensado para cualquier categoría subjetiva. Los modelos subyacentes no se nombran, así que no está claro cuánto dependen los resultados de los sistemas propios de Google. El artículo tiene el detalle, pero hasta que otros lo prueben con sus propias normas, es un flujo de trabajo prometedor y no uno consolidado.