Este artículo aborda el reto de equilibrar la maximización de la utilidad con la utilización de recursos, incluyendo el movimiento externo y la computación interna, en el desarrollo de la inteligencia artificial. Si bien esta compensación se ha estudiado en entornos completamente observables, nuestra comprensión de la eficiencia de recursos en entornos parcialmente observables sigue siendo limitada. Para abordar este reto, desarrollamos una variante del marco POMDP que trata la información obtenida mediante inferencia como un recurso a optimizar, junto con el rendimiento y el esfuerzo de la tarea. Al resolver este problema en un entorno descrito por la dinámica lineal-gaussiana, descubrimos los principios fundamentales de la eficiencia de recursos. Encontramos una transición de fase en la inferencia desde un enfoque óptimo bayesiano a uno que estratégicamente deja cierta incertidumbre sin resolver. Este comportamiento frugal genera un conjunto estructurado de estrategias efectivas, lo que facilita la adaptación a objetivos y restricciones posteriores que se pasaron por alto en el proceso de optimización original. Demostramos la aplicabilidad del marco y la generalidad de los principios derivados utilizando dos tareas no lineales. En resumen, esta investigación sienta las bases para un nuevo tipo de computación racional que puede ser utilizada tanto por cerebros como por máquinas para un control efectivo y eficiente en el uso de recursos bajo incertidumbre.
