Microsoft Research ha publicado Orchard, un framework de código abierto diseñado para facilitar y abaratar el entrenamiento de agentes de IA autónomos. El framework se publicó el lunes 4 de agosto de 2026, ampliando la investigación inicial que la empresa dio a conocer en marzo. El lanzamiento llega en un momento en que la IA agentiva —sistemas capaces de planificar de forma autónoma, navegar por la web, escribir código y utilizar herramientas— se ha convertido en una de las áreas más activas de competencia en la industria, donde grandes laboratorios y startups compiten por desarrollar agentes capaces de manejar tareas reales de múltiples pasos.

Orchard es capaz de entrenar y evaluar agentes de IA en múltiples dominios, incluidos programación, navegación web y uso de herramientas. Su objetivo es reducir la complejidad al eliminar la necesidad de que los investigadores construyan de forma independiente infraestructuras de sandbox, pipelines de datos y sistemas de evaluación para cada modelo o caso de uso individual, una barrera que históricamente ha mantenido la investigación agentiva de vanguardia fuera del alcance de muchos equipos académicos e independientes que carecen de los recursos de ingeniería de las grandes empresas tecnológicas.

En una publicación de blog, Microsoft reconoció los desafíos que enfrenta la comunidad investigativa: "Si bien existe entusiasmo en torno a las capacidades de la IA agentiva, la comunidad de investigación enfrenta un cuello de botella persistente. La construcción de sistemas agentivos de vanguardia a menudo requiere infraestructura propietaria… que la mayoría de los investigadores y profesionales no pueden acceder ni reproducir."

En el centro del framework se encuentra Orchard Env, que Microsoft describe como un "entorno Kubernetes ligero que proporciona componentes aislados reutilizables". Estos componentes pueden utilizarse para ejecutar y construir agentes a escala, desde la recopilación de datos de entrenamiento hasta los despliegues de aprendizaje por refuerzo y la evaluación, sin requerir que los equipos reconstruyan la arquitectura subyacente cada vez. Al basarse en Kubernetes, una plataforma estándar de la industria para la orquestación de contenedores, Orchard está diseñado para poder desplegarse en una variedad de infraestructuras, desde clústeres locales hasta los principales proveedores de nube.

Para demostrar el enfoque del framework, Microsoft publicó tres recetas de entrenamiento específicas por dominio —Orchard-SWE, Orchard-GUI y Orchard-Claw— junto con los datos de entrenamiento y los métodos de evaluación asociados utilizados para desarrollarlas. Orchard-SWE entrena agentes de ingeniería de software, Orchard-GUI se centra en la navegación por el navegador y Orchard-Claw aborda tareas cotidianas de productividad. Microsoft informó que los modelos entrenados con cada receta produjeron resultados competitivos en benchmarks establecidos.

La empresa destacó las implicaciones más amplias del diseño abierto del framework. "Al hacer que la infraestructura subyacente sea abierta, ligera y reutilizable, Orchard reduce el costo de la investigación en IA agentiva", señaló Microsoft. "Los equipos ya no necesitan construir entornos aislados personalizados desde cero ni depender de servicios en la nube propietarios." El enfoque de código abierto se alinea con una tendencia más amplia de la industria en la que grandes laboratorios de IA —incluidos Meta con sus modelos Llama y Google con varios frameworks de investigación— han publicado herramientas y pesos de modelos de forma pública para acelerar el progreso impulsado por la comunidad.

Microsoft también esbozó su perspectiva sobre futuras direcciones de desarrollo. "Mirando hacia el futuro, consideramos que la reutilización de la experiencia de entrenamiento es una dirección prometedora hacia el aprendizaje acumulativo de agentes. En lugar de descartar las trayectorias una vez que finaliza una ejecución de entrenamiento, las tratamos como activos persistentes —por ejemplo, destilándolas en modelos de valor reutilizables." Este concepto de aprendizaje acumulativo —donde los agentes construyen sobre la experiencia previa en lugar de comenzar cada ejecución de entrenamiento desde cero— refleja objetivos de larga data en la investigación de aprendizaje por refuerzo, donde la eficiencia de muestreo y la transferencia de conocimiento siguen siendo desafíos abiertos.

El framework Orchard, junto con su publicación de investigación asociada, está disponible como un lanzamiento de código abierto por parte de Microsoft Research.