El premio al mejor artículo de AAMAS 2026 fue para "Developing Guidelines for Human-LLM Agent Teams: A Multi-Stakeholder Lens", de Mireia Yurrita, Davide Dell’Anna, Pradeep K. Murukannaiah, Catholijn M Jonker y Pinar Yolum. El galardón se entregó en la 25.ª Conferencia Internacional sobre Agentes Autónomos y Sistemas Multiagente, celebrada del 25 al 29 de mayo en Pafos, Chipre.
La conferencia concedió premios en tres categorías: mejor artículo, mejor artículo estudiantil y mejor artículo de ideas innovadoras (blue sky). Cada una tuvo un ganador y una lista de nominados. La categoría de mejor artículo de AAMAS 2026 fue la que tuvo la lista más larga, con diez artículos nominados además del ganador.
La categoría de mejor artículo
El artículo ganador aborda equipos que combinan personas con agentes basados en grandes modelos de lenguaje (LLM). Su título apunta a un enfoque con múltiples partes interesadas para redactar pautas para este tipo de equipos. La fuente solo indica el título y los autores, por lo que aquí no se describen el método ni los resultados del trabajo.
Diez artículos fueron nominados en la misma categoría. Varios tratan directamente de sistemas físicos o con cuerpo (embodied). UNCAP, de Neel P. Bhatt, Po-han Li, Kushagra Gupta, Rohan Siva, Daniel Milan, Alexander Todd Hogue, Sandeep P. Chinchali, David Fridovich-Keil, Zhangyang Wang y Ufuk Topcu, propone una planificación neurosimbólica guiada por la incertidumbre que usa comunicación en lenguaje natural para vehículos autónomos cooperativos.
Longyin Cui fue nominado por "Ratio-Based Signaling for Source-Victim Separation in Swarm Fault Detection". MeCo, de Baiqing Wang, Helei Cui, Bo Zhang, Xiaolong Zheng, Bin Guo y Zhiwen Yu, se centra en la colaboración multirrobot impulsada por LLM mediante la memorización de tareas similares.
El resto de los nominados se acerca más a la teoría y a la planificación aplicada. Manuel Eberl y Patrick Lederer fueron nominados por "The Impossibility of Strategyproof Rank Aggregation". Seongmin Kim, Giseung Park, Woojun Kim, Jiwon Jeon, Seungyul Han y Youngchul Sung fueron nominados por la estimación generalizada de la ventaja por agente en la optimización de políticas multiagente.
Maoyuan Li, Zhongsheng Wang, Haoyuan Li y Jiamou Liu fueron nominados por R-Debater, un sistema de generación de debates con recuperación aumentada (RAG) basado en memoria argumentativa. Benedict Russell, Chin-wing Leung y Paolo Turrini fueron nominados por un trabajo sobre el aprendizaje de la selección de socios en dilemas sociales opcionales sin información previa.
Nicolas Schwind, Gauvain Bourgne y Katsumi Inoue fueron nominados por caracterizar consensos en redes de flujo de creencias. Nimrod Talmon y Ehud Shapiro fueron nominados por "Grassroots Federation: Fair Democratic Governance at Scale". Yohai Trabelsi, Guojun Xiong, Fentabil Getnet, Stéphane Verguet y Milind Tambe fueron nominados por usar LLM para incorporar conocimiento experto a la planificación algorítmica de la ubicación de centros de salud en Etiopía.
Premios estudiantil y blue sky
El Premio Pragnesh Jay Modi al Mejor Artículo Estudiantil fue para "Planning Ahead with RSA: Efficient Signalling in Dynamic Environments by Projecting User Awareness across Future Timesteps". Sus autores son Anwesha Das, John Duff, Jörg Hoffmann y Vera Demberg.
Se nominaron cinco artículos estudiantiles. Patrick Becker, Alexander Fries, Matthias Greger y Erel Segal-Halevi presentaron un trabajo sobre el cálculo eficiente de equilibrios en juegos de agregación de presupuestos. Grant Douglas, Stephen Franklin, Claudia Szabo y Mingyu Guo presentaron "Building Large-Scale Drone Defenses from Small-Team Strategies".
Jessica Lally, Milad Kazemi y Nicola Paoletti fueron nominados por la inferencia contrafactual robusta en procesos de decisión de Markov. Yue Zhang, Zhe Chen, Daniel Harabor, Pierre Le Bodic y Peter J. Stuckey fueron nominados por la asignación de tareas basada en flujos en problemas de recogida y entrega multiagente en línea a gran escala. Siyue Ren, Wanli Fu, Xinkun Zou, Chen Shen, Yi Cai, Chu Chen, Zhen Wang y Shuyue Hu fueron nominados por un trabajo sobre la reputación como remedio al colapso de la cooperación en sistemas multiagente basados en LLM.
El Premio Blue Sky Ideas fue para Florent Delgrange por "Foundation World Models for Agents that Learn, Verify, and Adapt Reliably Beyond Static Environments". Se nominaron dos artículos. Uno es "Guiding Sociotechnical Systems toward Value-Norm Equilibrium", de Nirav Ajmeri, Marina De Vos, Davide Dell’Anna, Pradeep K. Murukannaiah, Vivek Nallur, Luis Gustavo Nardin y Munindar P. Singh. El otro es "The Dynamic Turn in Strategy Logics", de Rustam Galimullin, Maksim Gladyshev, Munyque Mittelmann y Nima Motamed.
Qué muestran las listas
En las tres categorías, los modelos de lenguaje aparecen en el artículo ganador y en varios de los nominados. Están presentes en pautas para equipos, generación de debates, colaboración multirrobot, planificación de centros de salud y cooperación entre agentes basados en LLM. Dell’Anna y Murukannaiah figuran como autores tanto del ganador al mejor artículo como de un nominado en la categoría blue sky.
Los temas clásicos de los sistemas multiagente también siguen bien representados. La agregación de rankings, los equilibrios en agregación de presupuestos, las redes de creencias, las lógicas de estrategia y la inferencia contrafactual en procesos de decisión de Markov figuran en las listas. El trabajo reconocido no se limita a una sola familia de métodos.
Análisis: lo que los premios dicen y lo que no
El patrón más claro es que el máximo galardón fue para un artículo sobre cómo deben trabajar juntos las personas y los agentes LLM, y no para un algoritmo nuevo. Eso sugiere que el comité de programa considera el diseño de equipos y las inquietudes de las partes interesadas como un problema abierto central ahora que los agentes basados en modelos de lenguaje participan en el trabajo compartido. Esta lectura se apoya en un solo título y su lista de autores, así que conviene tomarla con cautela.
Para los lectores de robótica, el material relevante está en las listas de nominados. UNCAP, el artículo sobre detección de fallos en enjambres, MeCo, el de defensa con drones y el de asignación en recogida y entrega tienen que ver con la coordinación de muchas máquinas. Dos de ellos, UNCAP y MeCo, emplean lenguaje natural o LLM como parte de la coordinación. Eso sitúa la coordinación de vehículos y robots mediante lenguaje entre los trabajos que los revisores de AAMAS valoraron muy bien, aunque ninguno ganó su categoría.
Varias cosas siguen sin demostrarse con la información disponible. La fuente ofrece títulos y autores, pero no resultados, benchmarks ni detalles de despliegue. No es posible decir qué tan bien funciona ningún método nominado, si se probó en robots físicos o cómo se compara con sistemas anteriores. Una nominación o un premio indica la valoración de pares en una conferencia; no demuestra que un método funcione fuera del entorno en el que se evaluó.
El artículo sobre pautas también plantea una pregunta que las listas no pueden responder. Las pautas para equipos de personas y LLM solo son útiles si los equipos las adoptan y si cambian los resultados. El material disponible no indica si el artículo ganador aporta evidencia en ese sentido. Quienes quieran valorar el trabajo deberían leer los artículos directamente.