AI Agents on Carles Abarca

Tu código está a una sesión de agente de ser clonado — y no hay nada que puedas hacer

Fri, 03 Apr 2026 00:00:00 +0000

El 1 de abril de 2026 — y no, no fue una broma — alguien descubrió que el paquete npm de Claude Code, la herramienta de línea de comandos de Anthropic, incluía un archivo .map mal configurado. Ese archivo contenía el código fuente completo: 512,000 líneas de TypeScript repartidas en 1,900 archivos.

En cuestión de horas, el repositorio filtrado ya tenía 25,000 estrellas en GitHub. Los desarrolladores lo estaban desmontando pieza por pieza. Pero lo verdaderamente inquietante no fue la filtración en sí.

Fue lo que pasó después.

De TypeScript a Python en una tarde
#

Un investigador de la Universidad de Washington tomó el código filtrado, lo pasó por OpenAI Codex, y en pocas horas tenía una reimplementación funcional en Python. No una copia — una reescritura completa en otro lenguaje. El repositorio resultante, claw-code, alcanzó 44,500 estrellas. Ya hay una reescritura en Rust en camino.

Y aquí está el problema legal que debería quitar el sueño a cualquier CTO: una reimplementación en otro lenguaje, generada por un agente de IA, probablemente sea inmune a una reclamación DMCA. No es una copia. Es una obra derivada creada por una máquina. Los marcos legales actuales simplemente no están diseñados para esto.

Gergely Orosz, una de las voces más respetadas en ingeniería de software, lo resumió así: estamos ante una nueva realidad donde cualquier base de código cerrada está a una sesión de agente de ser funcionalmente clonada.

Léanlo otra vez. Cualquier base de código. Una sesión de agente. Clonada.

Lo que encontraron dentro
#

Los hallazgos fueron fascinantes y, en algunos casos, hilarantes. Wes Bos descubrió 187 verbos hardcodeados para el spinner de carga (incluyendo “hullaballooing” y “razzmatazzing”). Encontraron un sistema de analytics interno que marca tu prompt como negativo cada vez que le dices una grosería al agente. Y los IDs aleatorios de 4 caracteres están filtrados para excluir 25 palabras malsonantes.

Pero más allá de las anécdotas, los descubrimientos técnicos revelaron la arquitectura real de uno de los agentes de código más avanzados del mundo:

35 módulos con responsabilidades claramente separadas.
Un sistema de memoria liviano basado en punteros de ~150 caracteres, no almacenamiento masivo.
Los prompts del sistema viven en el cliente, no en el servidor.
Los comentarios del código están escritos para que los lean LLMs, no humanos.

Ese último punto merece una pausa. Anthropic ya no escribe código para que lo entiendan programadores. Escribe código para que lo entiendan otros modelos de IA. Si eso no te dice hacia dónde va la industria, nada lo hará.

La barrera de protección que ya no existe
#

Durante décadas, el código propietario fue una de las barreras de protección más confiables en tecnología. Tu competidor podía copiar tu idea, tu diseño, tu estrategia de go-to-market — pero replicar un millón de líneas de código optimizado tomaba años y cientos de ingenieros.

Eso se acabó.

No estoy exagerando. Pensemos en lo que realmente sucedió esta semana:

Un error de configuración expuso código fuente completo.
Un agente de IA lo reescribió en otro lenguaje en horas.
La comunidad open source lo mejoró y extendió en días.
El resultado es legalmente difícil de atacar.

Cada uno de estos pasos era impensable hace dos años. Juntos, representan un cambio fundamental en lo que significa “proteger” tu propiedad intelectual en software.

Y no se necesita una filtración para que esto ocurra. Los agentes de IA ya pueden:

Inferir arquitecturas a partir del comportamiento observable de una API.
Replicar funcionalidad a partir de documentación pública y ejemplos.
Generar implementaciones alternativas que logran los mismos resultados con diferente código.

El código nunca fue realmente una barrera. Era la ilusión de una barrera.

La conexión con el SaaSpocalypse
#

Si esta historia les suena familiar, es porque ya vimos el primer acto. En febrero de este año, escribí sobre el SaaSpocalypse: $300 mil millones evaporados en 48 horas cuando el mercado entendió que la lógica de negocio de un SaaS de $200/usuario/mes cabe en un archivo de texto que un agente puede leer y ejecutar.

La filtración de Claude Code agrava esa tesis de una manera que pocos han articulado todavía.

Piénsenlo: cada proveedor SaaS expone APIs públicas documentadas. Endpoints, esquemas de datos, flujos de trabajo, reglas de negocio — todo accesible para cualquier agente que sepa leer documentación. La filtración de Claude Code demostró que un agente puede tomar 512,000 líneas de código y reimplementarlas en horas. Ahora combinen eso con el hecho de que la mayoría de los SaaS exponen su lógica de negocio a través de sus propias APIs.

No necesitas robar el código fuente de Salesforce. Solo necesitas un agente que lea su documentación pública, observe el comportamiento de sus endpoints, e infiera la arquitectura subyacente. La API es el plano de construcción.

Satya Nadella lo dijo en diciembre de 2024: “Las aplicaciones SaaS son bases de datos CRUD con lógica de negocio encima. Los agentes absorberán esa lógica.” En febrero, el mercado lo entendió en abstracto. Con Claude Code, tenemos la demostración concreta: las herramientas para absorber esa lógica ya existen. Y funcionan.

El SaaSpocalypse no fue el final. Fue el trailer.

Entonces, ¿qué protege tu negocio?
#

Si el código ya no es tu ventaja competitiva — y las APIs públicas revelan tu lógica de negocio — ¿qué queda? Después de 20 años en transformación tecnológica, desde la banca en España hasta la educación en México, he visto esta misma pregunta surgir cada vez que una nueva ola tecnológica destruye las barreras anteriores:

1. Los datos, no el código. Tu modelo entrenado con datos propietarios, tus datasets curados, tu conocimiento del dominio codificado en features que un agente no puede inferir desde afuera. Un clon de Claude Code puede replicar la herramienta, pero no puede replicar los millones de conversaciones que entrenaron a Claude.

2. La velocidad de ejecución. Si tu competidor puede clonar tu código en horas, la ventaja está en ser el primero en resolver el siguiente problema. No en proteger la solución anterior.

3. La confianza y la marca. En un mundo donde cualquiera puede replicar la tecnología, la diferenciación pasa por quién confía en ti. Los clientes de Anthropic no van a migrar a claw-code por ahorrarse la suscripción. Pagan por soporte, por SLAs, por la garantía de que alguien responde cuando algo falla.

4. El ecosistema. Las integraciones, las alianzas, el efecto red. Slack no ganó porque su código fuera incopiable. Ganó porque todos ya estaban ahí.

5. La cultura de innovación continua. Si asumes que todo lo que construyes hoy será replicable mañana, tu única ventaja sostenible es la capacidad de construir lo siguiente más rápido que nadie.

Las implicaciones para la empresa
#

Para cualquier líder tecnológico que esté leyendo esto, el mensaje es claro: revisen su estrategia de propiedad intelectual hoy. No mañana. Hoy.

Algunas preguntas que deberían estar en la agenda de su próximo comité:

¿Cuánto de nuestra ventaja competitiva depende de código que un agente podría replicar?
¿Qué revela nuestra propia documentación de APIs sobre nuestra lógica de negocio?
¿Tenemos datos propietarios que sean genuinamente difíciles de reproducir?
¿Nuestra estrategia de seguridad contempla que un archivo .map mal configurado puede exponer toda nuestra base de código?
¿Estamos preparados para un mundo donde el DMCA no protege contra reimplementaciones generadas por IA?

Y quizás la más incómoda de todas: ¿Seguimos invirtiendo en construir muros, cuando deberíamos estar invirtiendo en correr más rápido?

El giro que nadie esperaba
#

Hay una ironía deliciosa en toda esta historia. Claude Code — la herramienta de Anthropic diseñada para que la IA escriba código — fue desmontada y reescrita por la IA de su competidor directo. OpenAI Codex clonó el producto estrella de Anthropic en una tarde.

Es como si Ford hubiera inventado la línea de ensamblaje y Toyota la hubiera copiado el mismo día usando robots de Ford.

Bienvenidos a la era donde las herramientas que construyes para automatizar el trabajo de otros pueden ser usadas para automatizar tu propio trabajo. Donde tu código no es tu barrera de protección. Donde tu ventaja no es lo que ya construiste, sino lo que vas a construir mañana.

La filtración de Claude Code no fue un incidente de seguridad.

Fue un aviso.

Carles Abarca es VP de Transformación Digital en el Tecnológico de Monterrey y ex-CTO de Banco Sabadell. Escribe sobre IA, transformación digital y el futuro del software en carlesabarca.com.

Los Agentes de IA ya no asisten a los científicos, hacen ciencia

Sun, 15 Mar 2026 00:00:00 +0000

En marzo de 2026, algo cambió. No fue un modelo más grande, ni un benchmark más alto. Fue algo más profundo: los agentes de IA dejaron de ser herramientas que ayudan a los científicos y empezaron a producir conocimiento científico por sí mismos.

Esta semana, tres eventos convergieron y creo que marcan un punto de inflexión que no tiene vuelta atrás. El equipo de ShipSquad lo documentó brillantemente en su análisis “AutoResearch, OpenClaw, Claude Opus 4.6: AI Agents Are Now Doing the Science”, y me inspiró a profundizar en lo que esto significa para la investigación científica como la conocemos.

Los hechos
#

Andrej Karpathy lanzó AutoResearch — un framework de 630 líneas de Python que permite a un agente de IA ejecutar cientos de experimentos de machine learning de forma autónoma en una sola GPU. Lo dejas correr por la noche. Te despiertas con un modelo mejor y un log completo de descubrimientos. En 48 horas, el agente encontró ~20 mejoras que ningún humano había identificado, reduciendo un 11% el tiempo de entrenamiento de GPT-2.

Claude Opus 4.6 de Anthropic descubrió 22 vulnerabilidades zero-day en Firefox — 14 de severidad alta — en solo dos semanas. Para contexto: esas 14 representan casi una quinta parte de todas las vulnerabilidades graves de Firefox parcheadas en todo 2025. Un modelo de IA igualó meses de investigación humana en seguridad informática.

Sakana AI presentó The AI Scientist v2 — un sistema agentic que genera hipótesis, diseña experimentos, los ejecuta, analiza resultados y escribe el paper científico completo. El resultado: el primer artículo científico generado íntegramente por IA que fue aceptado por peer-review en un workshop académico.

Tres eventos. La misma semana. La misma conclusión: los agentes de IA ya producen conocimiento original.

No es la primera vez que la IA descubre, pero sí la primera vez que lo hace sola
#

Para entender por qué este momento es diferente, hay que ver la evolución:

Era 1: La IA como microscopio (2018-2023)
#

La IA amplificaba la capacidad del investigador humano. El humano formulaba las preguntas, diseñaba los experimentos, y la IA procesaba datos a una escala imposible manualmente.

AlphaFold (2020-2024) predijo la estructura de los 200 millones de proteínas conocidas. Un problema que llevaba 50 años sin resolverse. Hassabis y Jumper ganaron el Nobel de Química 2024 por ello. Pero la pregunta — “¿podemos predecir la estructura de las proteínas?” — fue formulada por humanos.
Halicin (2020) — Investigadores del MIT usaron IA para analizar 100 millones de compuestos químicos y descubrieron un nuevo antibiótico capaz de matar bacterias multirresistentes, incluida la temida Acinetobacter baumannii. Pero el diseño del experimento fue humano.
GNoME de DeepMind (2023) descubrió 2.2 millones de nuevos cristales, incluyendo 380,000 materiales estables — multiplicando por 10 todo lo que la humanidad había encontrado en la historia de la ciencia de materiales. Pero el framework de evaluación fue diseñado por investigadores de Google.

Era 2: La IA como colega (2024-2025)
#

La IA empezó a proponer hipótesis y diseñar experimentos, pero bajo supervisión humana.

FunSearch de DeepMind (2024) usó un LLM para descubrir nuevas soluciones a problemas abiertos en matemáticas puras — la primera vez que un modelo de lenguaje hacía un descubrimiento genuino en ciencias formales.
Insilico Medicine logró que su molécula rentosertib — diseñada enteramente por IA generativa — completara un ensayo clínico Fase IIa con resultados positivos en fibrosis pulmonar idiopática. De la idea a la prueba en humanos en menos de 30 meses, cuando el proceso tradicional tarda 10-15 años.
MIT Antibiotics-AI Project (2025) pasó de descubrir antibióticos existentes a diseñar moléculas completamente nuevas usando IA generativa capaces de matar bacterias resistentes. Ya no buscan agujas en un pajar; fabrican agujas nuevas.

Era 3: La IA como investigador autónomo (2026 →)
#

Y ahora, en marzo de 2026, cruzamos el umbral: la IA formula sus propias preguntas, diseña sus propios experimentos, los ejecuta, y produce papers aceptados por revisores humanos. No es ciencia ficción. Es AutoResearch, AI Scientist v2, y Claude Opus haciendo security research independiente.

La Gran Aceleración: cuando la IA investiga más rápido de lo que los humanos pueden leer
#

Pensé en hacer una predicción más prudente, con menos riesgo, pronosticando el crecimiento del porcentaje de papers científicos producidos por IA. Voy con la versión sin filtros.

Antes de 2030, los agentes de IA habrán producido más descubrimientos científicos verificables en ciencia de materiales, descubrimiento de fármacos y matemáticas computacionales que todos los investigadores humanos combinados en esas mismas disciplinas.

No es una hipérbole. Es aritmética.

Consideren los números: GNoME descubrió en semanas 380,000 materiales estables que toda la humanidad tardó siglos en acumular (apenas 48,000 hasta 2023). AutoResearch ejecuta 100 experimentos por noche — el equivalente de meses de trabajo de un doctorando. Y AI Scientist v2 puede generar un paper científico completo en horas, no en meses.

Ahora escalen eso. No un agente, sino miles. No una noche, sino cada noche. No un dominio, sino todos.

El fenómeno de la Aceleración Compuesta
#

Lo que estamos viendo no es aceleración lineal. Es aceleración compuesta: cada descubrimiento del agente alimenta el siguiente ciclo de investigación. Un agente descubre un nuevo material → otro agente simula sus propiedades → otro diseña aplicaciones → otro escribe el paper. En paralelo. 24/7. Sin vacaciones, sin ego, sin política departamental.

La ciencia humana opera a velocidad de publicación: un paper cada 6-18 meses. La ciencia agéntica operará a velocidad de computación: un descubrimiento cada minuto.

Problemas que resolveremos décadas antes de lo previsto
#

Esta aceleración no es solo cuantitativa. Hay problemas que creíamos a décadas de distancia y que los agentes de investigación podrían resolver mucho antes:

Resistencia a antibióticos — La IA ya diseña moléculas nuevas contra superbacterias. Con agentes autónomos iterando 24/7 sobre miles de variantes, podríamos tener una nueva generación completa de antibióticos antes de 2030. La OMS estimaba que para entonces las superbacterias matarían 10 millones de personas al año. Los agentes podrían adelantarse y evitarlo para el bien de la Humanidad.
Fusión nuclear — El mayor desafío es controlar el plasma. DeepMind ya usó IA para controlar la forma del plasma en el tokamak TCV. Agentes autónomos que simulen y optimicen millones de configuraciones magnéticas podrían comprimir décadas de investigación experimental en años.
Envejecimiento celular — AlphaFold resolvió la estructura de proteínas. La siguiente frontera es entender las interacciones entre proteínas, genes y procesos celulares que causan el envejecimiento. Es un problema de complejidad combinatoria masiva — exactamente el tipo de problema donde los agentes brillan.
Nuevos materiales para energía — GNoME ya abrió la puerta con 380,000 materiales estables. Agentes que exploren sistemáticamente ese espacio podrían encontrar el superconductor a temperatura ambiente, el electrolito perfecto para baterías, o el catalizador que haga viable la captura de carbono industrial.

La pregunta ya no es si la IA superará a los humanos en producción científica. Es cuándo. Y mi respuesta es: en muchos campos, ya está sucediendo. Solo que aún no hemos actualizado nuestras métricas para medirlo.

Las consecuencias que nadie quiere discutir
#

1. El fin de la “investigación por lotes”
#

Hoy, un investigador puede ejecutar quizás 5-10 experimentos por semana. AutoResearch demuestra que un agente ejecuta 100 por noche. Cuando la investigación pase de ser un proceso secuencial humano a un proceso continuo autónomo, la producción de conocimiento se multiplicará por órdenes de magnitud.

2. La democratización radical del descubrimiento
#

Karpathy demostró que una sola GPU y 630 líneas de código bastan para hacer investigación autónoma. Un estudiante de doctorado en Monterrey, Lagos o Bangalore puede ahora competir en producción de conocimiento con un laboratorio de Stanford. La barrera ya no es el presupuesto; es la capacidad de formular buenas preguntas y dirigir agentes con precisión.

3. El “Director de Orquesta” como nuevo rol científico
#

El científico del futuro no será quien pipetea en el laboratorio ni quien escribe código. Será quien “programa en Markdown” — quien redacta las instrucciones precisas que guían a escuadrones de agentes autónomos. Es exactamente lo que Karpathy demuestra con su archivo program.md: el futuro de dirigir la investigación no es escribir mejor código, sino escribir mejores programas en lenguaje natural.

Este cambio de paradigma no es nuevo. Ya lo exploré en mi artículo “El fin del desarrollador” — donde argumentaba que el arquitecto será “director de orquesta” de agentes IA. Lo mismo aplica a la ciencia: el investigador será director de orquesta de agentes de investigación.

4. La crisis de la revisión por pares
#

Si AI Scientist v2 ya genera papers aceptados en workshops, ¿cuánto tardará en producir papers aceptados en conferencias top? ¿Y cómo distinguiremos entre un paper escrito por un agente y uno escrito por un humano? El sistema de peer review, diseñado para evaluar trabajo humano, no está preparado para un mundo donde los papers son generados a velocidad industrial. Necesitaremos nuevos marcos de evaluación — y posiblemente, agentes de IA que revisen los papers de otros agentes de IA.

¿Qué significa esto para las universidades?
#

Las instituciones que más rápido integren agentes de investigación autónomos en sus laboratorios serán las que lideren la producción de conocimiento en la próxima década. No se trata de comprar GPUs más grandes. Se trata de:

Formar “directores de agentes de investigación” — científicos que sepan formular preguntas y dirigir escuadrones de IA.
Crear infraestructura de experimentación autónoma — laboratorios donde los agentes puedan ejecutar miles de experimentos sin supervisión humana continua.
Redefinir la autoría y la propiedad intelectual — si un agente de IA descubre una molécula que cura una enfermedad, ¿de quién es el descubrimiento?
Medir la producción científica de forma diferente — los indicadores actuales (papers, citas, h-index) son métricas diseñadas para velocidad humana. Necesitamos métricas que capturen la velocidad agéntica.

La carrera ya empezó. Y la ventana de oportunidad para posicionarse es ahora.

Conclusión
#

En apenas seis años, la IA pasó de predecir estructuras de proteínas a descubrir antibióticos, de diseñar materiales a escribir papers científicos, de encontrar vulnerabilidades conocidas a descubrir zero-days. La trayectoria es clara y se acelera exponencialmente.

Los agentes de IA no van a reemplazar a los científicos. Van a hacer que los científicos que no los usen sean irrelevantes. Y esa transición, a diferencia de la que vivimos en la industria del software, no tardará una década. Tardará meses.

Bienvenidos a la era de la Gran Aceleración Científica. Los que la entiendan primero, liderarán la ciencia del futuro. Los que la ignoren, la leerán en papers escritos por máquinas.

🤖 Profundiza con IA
#

¿Quieres explorar más? Haz clic en tu IA favorita con un prompt listo para profundizar:

Sobre la aceleración científica con agentes IA: ChatGPT · Perplexity · Claude

Sobre el futuro de la revisión por pares: ChatGPT · Perplexity · Claude

Sobre el impacto en universidades: ChatGPT · Perplexity · Claude

El gráfico que predice qué trabajos desaparecerán con la IA (y no son los que piensas)

Mon, 09 Mar 2026 00:00:00 +0000

Mira este gráfico con atención. No es un análisis de lo que la IA ha destruido. Es una radiografía de lo que va a destruir.

Source: Anthropic — Labor market impacts of AI (March 2026)

El área azul es lo que la IA puede hacer hoy. El área roja es lo que la IA está haciendo hoy. La diferencia entre ambas no es un margen de seguridad. Es un tsunami que aún no ha llegado a la costa.

El estudio: 2 millones de conversaciones con Claude
#

Anthropic acaba de publicar Labor market impacts of AI: A new measure and early evidence, y es el análisis más riguroso que he visto sobre el impacto real de la IA en el empleo.

¿Qué hicieron? Cruzaron tres fuentes de datos:

La base de datos O*NET, que cataloga las tareas de ~800 ocupaciones en EE.UU.
Los datos reales de uso de Claude (sí, 2 millones de conversaciones analizadas a través del Anthropic Economic Index).
Las estimaciones teóricas de Eloundou et al. (2023) sobre qué tareas puede acelerar un LLM al doble de velocidad.

El resultado es una nueva métrica: observed exposure — no lo que la IA podría hacer en teoría, sino lo que ya está haciendo en la práctica profesional. Y lo más revelador no son los números absolutos, sino la brecha entre ambos.

Los 10 trabajos más expuestos
#

El ranking no sorprende a quien lleva años en esto, pero los números son brutales:

Computer Programmers — 75% de cobertura. Tres de cada cuatro tareas de un programador ya las hace Claude.
Customer Service Representatives. El tráfico API de primera parte muestra una automatización masiva.
Data Entry Keyers — 67%. Leer documentos y meter datos. El caso de uso perfecto para automatización.

Y la lista sigue: actuarios, analistas financieros, redactores técnicos. Trabajos de oficina, de cuello blanco, de gente con carrera universitaria.

En el otro extremo, el 30% de los trabajadores tienen cero exposición. Cocineros, mecánicos de motos, socorristas, bartenders. Trabajos donde las manos, el cuerpo y el contexto físico son irreemplazables.

Irónico, ¿no? Décadas diciéndonos que la automatización venía por los trabajos manuales. Viene por los de escritorio.

La sorpresa demográfica
#

Aquí es donde el estudio rompe el relato dominante.

Los trabajadores más expuestos a la IA son:

16 puntos porcentuales más probablemente mujeres
11 puntos más probablemente blancos
Casi el doble de probabilidad de ser asiáticos
Ganan un 47% más que los no expuestos
17.4% tienen títulos de posgrado (vs. 4.5% en el grupo no expuesto)

Esto no es la narrativa del obrero de fábrica desplazado por robots. Esto son abogados, analistas, programadores, profesores universitarios. La clase profesional que se creía intocable.

Cuando digo que esto va a cambiar la estructura social, no estoy exagerando.

La brecha ES la predicción
#

Vuelve al gráfico. Mira las categorías:

Computer & Math: 94% de capacidad teórica, 33% de uso real
Legal: ~85% teórico, menos del 15% observado
Education: ~70% teórico, menos del 15% observado
Office & Admin: 90% teórico, fracción del uso real

Esa distancia entre azul y rojo no es tranquilidad. Es latencia.

Es el tiempo que tardan las empresas en adoptar, los reguladores en adaptarse, los workflows en reconfigurarse. Pero la tecnología ya está ahí. El modelo ya sabe hacerlo. Solo falta que el ecosistema lo permita.

Y cada mes que pasa, el área roja crece. Anthropic lo dice textualmente: “As capabilities advance, adoption spreads, and deployment deepens, the red area will grow to cover the blue.”

No es una predicción especulativa. Es una observación empírica con trayectoria.

Lo que cambia con los agentes de IA
#

Y aquí viene el factor que el estudio no mide del todo, porque no existía a esta escala cuando recogieron los datos.

El estudio analiza uso de LLMs — conversaciones con Claude. Interacciones de chat. Un humano pregunta, la IA responde. Es el modelo augmentation: la IA te ayuda, tú ejecutas.

Pero los agentes de IA son otra cosa. No responden — actúan. Ejecutan cadenas de tareas de forma autónoma. Navegan sistemas, toman decisiones intermedias, completan workflows enteros sin intervención humana.

Lo que nosotros estamos construyendo en el Tec de Monterrey con AgenTECs es exactamente esto. No es un chatbot que te ayuda a redactar un email. Es un agente que gestiona el proceso completo: lee el contexto, redacta, envía, hace seguimiento, escala si no hay respuesta.

Cuando los agentes lleguen a escala empresarial — y ya están llegando — el área roja del gráfico va a expandirse de forma explosiva. Porque ya no necesitas que un humano interactúe con la IA tarea por tarea. El agente cubre el puesto entero.

Pensad en la categoría Legal: 85% de capacidad teórica, <15% de uso actual. ¿Qué pasa cuando un agente puede revisar contratos, identificar cláusulas de riesgo, generar resúmenes ejecutivos y preparar borradores de respuesta — todo sin que un abogado toque el teclado? El 85% se convierte en el nuevo suelo, no en el techo.

Qué hacer (que no es entrar en pánico)
#

Llevo años insistiendo en lo mismo: esto no va de tener miedo. Va de prepararse.

Cuando escribí “El fin del desarrollador” en LinkedIn, la reacción fue predecible: “exagerado”, “los developers siempre serán necesarios”, “la IA no puede hacer X”. Los mismos argumentos que escuché sobre TECgpt cuando lo lanzamos y nos dijeron que los profesores nunca lo usarían. Hoy tenemos más de 60.000 usuarios activos.

La metáfora que uso es la del director de orquesta. El valor ya no está en tocar el violín — está en saber qué música hay que interpretar, quién toca qué, y cuándo cambiar la partitura. Los profesionales del futuro no ejecutan tareas — orquestan sistemas que las ejecutan.

Concretamente:

Upskilling masivo, ya. No cursos de “introducción a la IA” — entrenamiento real en herramientas de producción.
Redefinir roles, no eliminarlos. Un abogado que domina agentes de IA vale más, no menos. Pero un abogado que solo sabe revisar contratos manualmente tiene fecha de caducidad.
Medir exposición en tu organización. Usa el framework de Anthropic. Identifica qué tareas de cada puesto ya puede hacer un LLM. Diseña la transición antes de que te la impongan.
Crear nuevos roles que no existen aún: AI orchestrators, prompt engineers de agentes, supervisores de sistemas autónomos.

El cierre
#

El BLS proyecta que las ocupaciones más expuestas según esta métrica crecerán menos hacia 2034. Por cada 10 puntos de cobertura observada, la proyección de crecimiento cae 0.6 puntos porcentuales. No es correlación casual — los analistas del mercado laboral están viendo lo mismo.

Y sin embargo, Anthropic también encuentra que todavía no hay aumento sistemático del desempleo en las profesiones más expuestas. Aún.

Esa es la ventana. Estamos en el momento entre ver el relámpago y escuchar el trueno. El rayo ya cayó. La pregunta no es si el sonido llegará, sino si estarás preparado cuando lo haga.

Los que lean este gráfico como “la IA aún no ha afectado tanto al empleo” están confundiendo latencia con seguridad. Los que lo lean como “viene un cambio estructural del mercado laboral y hay que actuar ahora”… esos son los que seguirán dirigiendo la orquesta.

La Pinza de China en IA: Qwen 3.5 y CoPaw No Son un Aviso — Son el Plato Principal

Thu, 05 Mar 2026 00:00:00 +0000

Hay un momento en toda carrera tecnológica en el que “alcanzar” se convierte en “marcar el ritmo.” Para el ecosistema de IA de China, ese momento es ahora.

En el lapso de unas pocas semanas, Alibaba ha lanzado dos cosas que, por separado, serían significativas. Juntas, representan una visión estratégica que debería quitar el sueño a cualquier ejecutivo de IA en Occidente.

Qwen 3.5: una familia de modelos open-source que supera a GPT-5.2 en seguimiento de instrucciones y lidera el campo en benchmarks de visión. Licencia Apache 2.0. Gratis. Uso comercial permitido.

CoPaw: una plataforma open-source de agentes de IA personales — piensa en OpenClaw, pero del equipo AgentScope de Alibaba — con memoria persistente, habilidades personalizables, soporte multicanal y automatización de navegador.

Modelos e infraestructura. El cerebro y el cuerpo.

Esto no es un disparo de advertencia. Esto es una estrategia.

La Historia de Qwen 3.5: La IA de Frontera Se Vuelve Gratuita
#

Déjame darte los números primero, porque cuentan una historia.

El modelo insignia de Qwen 3.5 usa una arquitectura de Mezcla de Expertos (MoE) con 397 mil millones de parámetros totales pero solo 17 mil millones activos en cualquier momento. Lee eso de nuevo. Obtienes rendimiento de clase frontera con el costo computacional de un modelo de 17B.

Los benchmarks no son “competitivos.” Son líderes:

IFBench (seguimiento de instrucciones): 76.5 — superando el 75.4 de GPT-5.2
SWE-bench (programación): 76.4 — codo a codo con los mejores
MMMU (visión): 85.0 — líder absoluto
Ventana de contexto de 256K tokens
201 idiomas soportados
Modos de razonamiento y no-razonamiento — tú eliges el equilibrio entre profundidad y velocidad

La familia de modelos se lanzó en tres oleadas entre febrero y marzo de 2026: insignia, mediano y pequeño. Los modelos pequeños — de 0.8B a 9B parámetros — están explícitamente diseñados para despliegue en dispositivos. Tu teléfono. Tu portátil. Tu servidor edge. Sin necesidad de llamadas a API.

Deja que eso cale por un momento.

Hace un año, ejecutar algo cercano a IA de frontera localmente era una fantasía. Hoy, Alibaba te entrega modelos que compiten con los mejores del mundo, bajo la licencia open-source más permisiva disponible, optimizados para funcionar en tu hardware.

La arquitectura MoE es el desbloqueador clave aquí. Los modelos densos tradicionales te obligan a elegir: o ejecutas un modelo masivo con cómputo masivo, o ejecutas un modelo pequeño con capacidad limitada. MoE rompe esa disyuntiva. Qwen 3.5 tiene el conocimiento de un modelo de 397B pero el costo de inferencia de uno de 17B. Es, en términos prácticos, la democratización de la IA de frontera.

Y es Apache 2.0. No “más o menos abierto.” No “puedes mirar pero no tocar.” Completamente abierto. Haz fork. Haz fine-tuning. Envíalo en tu producto. A Alibaba no le importa. O más bien — les importa mucho, pero su juego no son los ingresos por licencias.

CoPaw: La Capa de Agentes que le Faltaba a China
#

Los modelos sin infraestructura son papers académicos. La infraestructura sin modelos es fontanería vacía. Lo interesante es hacer ambas cosas.

CoPaw (copaw.bot) se lanzó en marzo de 2026 desde el equipo AgentScope de Alibaba. Si conoces OpenClaw — y si lees mi blog, probablemente sí — CoPaw es la respuesta de China. Una plataforma open-source de agentes de IA personales que convierte modelos de lenguaje en trabajadores digitales persistentes y capaces.

La lista de funcionalidades parece como si alguien hubiera estudiado cada plataforma de agentes del mercado y construido una síntesis:

ReMe: memoria persistente entre sesiones. Tu agente recuerda contexto, preferencias, interacciones pasadas. No es un truco — esto es lo que separa un chatbot de un asistente real.
Habilidades personalizadas: construye e importa capacidades. Desde clawhub.ai, skills.sh, o GitHub.
Multi-canal: DingTalk, Feishu, iMessage, Discord, QQ. Tu agente vive donde tú trabajas.
Programación cron: tareas automatizadas con horario. Revisa mi correo cada mañana. Resume mis feeds a las 6 PM. Lo básico, bien hecho.
Automatización de navegador: tu agente puede navegar la web, rellenar formularios, extraer datos. Las manos que acompañan al cerebro.
Integración MCP Server: el estándar emergente para uso de herramientas. CoPaw lo habla nativamente.

¿Es perfecto? No. Faltan WhatsApp y Telegram — una brecha significativa para usuarios occidentales y latinoamericanos. La orquestación multi-agente aún no está. La integración con OpenRouter no existe. Estas son limitaciones reales.

Pero lo que importa es esto: CoPaw no es un prototipo. Es una plataforma. Y es open-source, lo que significa que la comunidad puede llenar esos vacíos más rápido que cualquier hoja de ruta corporativa.

He estado ejecutando mi infraestructura de agentes personales sobre OpenClaw durante meses — es literalmente lo que alimenta a JarvisX, mi asistente de IA. Así que entiendo este espacio íntimamente. CoPaw no es un clon. Es una evolución paralela, construida desde un conjunto diferente de suposiciones (ecosistema de mensajería chino, framework AgentScope, diferente modelo de privacidad) que llega a conclusiones notablemente similares sobre lo que una plataforma de agentes de IA necesita ser.

Esa convergencia es la señal. Cuando dos equipos en lados opuestos del mundo, trabajando independientemente, construyen esencialmente lo mismo — eso no es coincidencia. Es la forma del futuro volviéndose obvia.

El Terremoto Empezó en Enero de 2025
#

Nada de esto ocurre en el vacío. Déjame conectar los puntos.

Enero 2025: DeepSeek lanza R1, un modelo open-source de razonamiento que sacude a la industria. La reacción de Silicon Valley va de la descalificación al pánico, para asentarse en un respeto a regañadientes. La narrativa de “China no puede hacer IA” muere de la noche a la mañana.

A lo largo de 2025: los laboratorios chinos iteran a un ritmo que hace que los ciclos de lanzamiento occidentales parezcan glaciales. Qwen, DeepSeek, Yi, GLM — cada generación cerrando más la brecha. La arquitectura MoE se convierte en el enfoque estándar, impulsada por la realidad práctica de que los laboratorios chinos enfrentan restricciones de cómputo por los controles de exportación de EE.UU. y tienen que ser más eficientes, no menos.

Aquí está la ironía que debería mantener despiertos a los legisladores: los controles de exportación diseñados para frenar el desarrollo de IA de China pueden haber acelerado su innovación en eficiencia. Cuando no puedes comprar las GPUs más grandes, aprendes a hacer más con menos. Y “más con menos” resulta ser exactamente lo que el mercado quiere.

Febrero-marzo 2026: Qwen 3.5 llega, no como un modelo único sino como una jugada de ecosistema. Insignia para la nube, mediano para el data center, pequeño para el dispositivo. Y simultáneamente, CoPaw se lanza para proporcionar la capa de agentes. Modelos más infraestructura más ecosistema.

Esto no es “China alcanzando.” Esto es China ejecutando una estrategia de IA full-stack mientras gran parte de Occidente todavía debate si cobrar $200/mes o $2,000/mes por acceso a API.

La Estrategia de Alibaba: La Visión de OpenAI al Precio del Open-Source
#

Déjame ser explícito sobre lo que está haciendo Alibaba, porque creo que la mayoría de observadores occidentales lo están malinterpretando.

La visión de OpenAI siempre ha sido: construir los mejores modelos, luego construir la infraestructura para desplegarlos, luego construir el ecosistema de aplicaciones encima. Integración vertical. El “Apple de la IA.”

La visión de Alibaba es la misma — excepto que open-source.

¿Mejores modelos? Qwen 3.5 es demostrablemente competitivo con la frontera. ¿Infraestructura? CoPaw proporciona la capa de agentes. AgentScope proporciona el framework. ¿Ecosistema? Apache 2.0 significa que cualquiera puede construir sobre ello.

La diferencia está en el modelo de negocio. OpenAI cobra por acceso. Alibaba regala la tecnología y monetiza la nube (Alibaba Cloud), el comercio (plataformas de Alibaba) y los servicios enterprise construidos encima. La IA en sí es el producto que venden a pérdida. O más bien, es el foso alrededor de todo lo demás.

Esto no es caridad. Es estrategia. Y es devastadoramente efectiva.

Si eres un CTO de empresa hoy — y yo lo he sido, en Banco Sabadell, así que conozco el cálculo — la pregunta sobre tu escritorio es incómoda: ¿Por qué estoy pagando por modelos de IA propietarios cuando las alternativas open-source los igualan o superan en benchmarks?

Las respuestas solían ser: fiabilidad, soporte, seguridad, compliance. Esas son reales. Pero se están erosionando rápido. Qwen 3.5 no es un proyecto de garaje. Está respaldado por una de las mayores empresas tecnológicas del planeta. Tiene documentación de nivel enterprise. Funciona en producción a escala de Alibaba.

El foso se está quedando poco profundo.

Qué Significa Esto para Occidente
#

No escribo esto como animador de China ni como agorero de Occidente. Lo escribo como alguien que ha pasado más de 20 años en tecnología empresarial y actualmente lidera la transformación digital en una de las mayores universidades de América Latina.

Esto es lo que creo que significa:

Para las empresas de IA (OpenAI, Anthropic, Google): La ventaja del “mejor modelo” ahora se mide en meses, no años. Si Qwen 3.5 puede igualar a GPT-5.2 hoy, Qwen 4 probablemente igualará lo que venga después. La ventaja sostenible debe venir del ecosistema, la confianza y la integración — no solo de la calidad del modelo. La carrera hacia precios más bajos en modelos se acelera.

Para las empresas: Tu estrategia de IA no puede depender de un solo proveedor. El enfoque multi-modelo y multi-proveedor ya no es un nice-to-have — es gestión de riesgos. Y si no estás evaluando modelos open-source para tus casos de uso, estás dejando dinero y opcionalidad sobre la mesa.

Para el movimiento open-source: Este es vuestro momento. Las mayores empresas tecnológicas de China están invirtiendo miles de millones en IA open-source, no porque sean altruistas, sino porque sirve a sus intereses estratégicos. El resultado es el mismo: los bienes comunes se enriquecen. Los defensores del open-source occidental deberían tomar nota de cómo alinear la estrategia corporativa con el beneficio comunitario.

Para los desarrolladores: Aprende a ejecutar modelos locales. Entiende las arquitecturas MoE. Familiarízate con frameworks de agentes — tanto OpenClaw como CoPaw. Los desarrolladores que prosperen en 2027 serán los que puedan desplegar y orquestar agentes de IA a través de múltiples modelos y plataformas, no los atados a una sola API.

Para los legisladores: La estrategia de controles de exportación necesita un replanteamiento fundamental. Restringir el cómputo no ha prevenido el desarrollo de IA de frontera en China — lo ha redirigido hacia innovaciones en eficiencia que pueden ser en última instancia más valiosas que el escalado por fuerza bruta. El caballo ya salió del establo, y el establo está en llamas.

La Paradoja de la Democratización
#

Esta es la pregunta que me quita el sueño: si la IA de frontera es gratuita y abierta, ¿cuál es el foso?

No para Alibaba — su foso es su ecosistema. No para OpenAI — su foso es su marca y relaciones enterprise. Me refiero a todos los demás. A las miles de empresas SaaS, startups de IA y consultoras tecnológicas que han construido su propuesta de valor alrededor del acceso a capacidades de IA.

Cuando Qwen 3.5 es gratis, cuando CoPaw es gratis, cuando todo el stack desde el modelo hasta el agente y el despliegue es open-source y con licencia comercial — ¿qué exactamente estás vendiendo?

La respuesta, creo, es la misma que siempre ha sido en tecnología: experiencia en el dominio, calidad de integración, confianza y velocidad de ejecución. Las herramientas se comoditizan. El oficio no.

Pero ese es un negocio mucho más difícil que “tenemos acceso a IA y tú no.” Y provocará un sacudón que hará que el SaaSpocalipsis parezca un ensayo.

Lo Que Estoy Haciendo al Respecto
#

Nunca escribo sobre cosas que no esté dispuesto a actuar. Así que esto es lo que significa para mi trabajo:

En el Tec de Monterrey, estamos evaluando activamente modelos open-source para aplicaciones educativas donde la soberanía de datos importa — y con una universidad latinoamericana que atiende estudiantes en múltiples países, importa mucho. El soporte multilingüe de Qwen 3.5 (201 idiomas, con fuerte cobertura del español) lo convierte en un candidato serio.

Personalmente, ejecuto mi infraestructura de agentes sobre OpenClaw. El lanzamiento de CoPaw no es una amenaza — es una validación. El patrón de plataforma de agentes es la abstracción correcta. Y la competencia impulsa la mejora. Espero plenamente que OpenClaw y CoPaw se polinicen mutuamente con funcionalidades, especialmente dado que CoPaw ya puede importar habilidades desde clawhub.ai.

El futuro que veo es heterogéneo. No “IA occidental vs. IA china” sino un ecosistema global donde los mejores modelos y herramientas ganan independientemente de su origen. Donde una empresa en Ciudad de México ejecuta Qwen para unas tareas, Claude para otras y Gemini para una tercera — todo orquestado por infraestructura de agentes a la que no le importa la nacionalidad del modelo.

Eso no es una declaración geopolítica. Es una realidad de ingeniería.

La Conclusión
#

Alibaba ha ejecutado una maniobra de pinza de manual: modelos de clase mundial por un lado, infraestructura de agentes por el otro. Qwen 3.5 te da el cerebro. CoPaw te da el cuerpo. Ambos son gratuitos. Ambos son abiertos. Ambos están listos para producción.

Occidente todavía lidera en muchas dimensiones — investigación en seguridad, alineación, confianza enterprise, marcos regulatorios. Eso importa. Pero ¿la brecha de capacidad bruta? Se está cerrando tan rápido que para cuando termines de leer este artículo, puede haberse cerrado un poco más.

Si eres un líder tecnológico y no estás prestando atención a lo que sale de China, no estás prestando atención.

Y en esta industria, no prestar atención es como te conviertes en el próximo caso de estudio de $300 mil millones.

Mi agente de IA tiene 2 semanas. 72.000 líneas de código. 5 proyectos en producción.

Wed, 25 Feb 2026 00:00:00 +0000

No he escrito una línea de código en semanas. Y sin embargo, mis repositorios siguen creciendo.

72.563 líneas añadidas. 43 commits. 5 proyectos desplegados en producción.

Todo en 14 días. No escribí nada de eso. Lo hizo mi agente de IA.

Una aclaración primero
#

Quiero ser claro: mi trabajo como VP de Transformación Digital en el Tecnológico de Monterrey no es escribir código. Lidero equipos que lo hacen a escala, para una de las universidades más grandes de América Latina.

Pero llevo escribiendo código 40 años. Desde ensamblador hasta C, Fortran, Visual Basic, Pascal, COBOL, C++, Java, JavaScript, TypeScript, Rust, Python — los he tocado todos. Primero porque era mi trabajo. Después porque se convirtió en un hábito que nunca quise romper.

¿Por qué? Porque estar cerca del código me mantiene cerca de la realidad. Me ayuda a tomar mejores decisiones. Me permite tener conversaciones reales con mis equipos técnicos — no como un directivo que lee reportes, sino como alguien que entiende lo que están construyendo.

Los proyectos que voy a describir son personales. Algunos son pruebas de concepto que luego evolucionan en iniciativas institucionales — como TECgpt Desktop, que empezó como un experimento en mi laptop antes de convertirse en una herramienta oficial de la universidad. Otros son simplemente cosas que quiero construir.

Esto importa para lo que viene.

Mi aprendiz digital
#

Se llama JarvisX. Corre en un Mac Mini en mi oficina. Lleva “vivo” exactamente dos semanas.

Pero aquí está la clave: yo decido la arquitectura. Yo elijo el stack tecnológico. Yo defino la estructura, los patrones, las convenciones. JarvisX ejecuta — brillantemente, incansablemente y de forma autónoma — pero la visión técnica es mía.

No está reemplazando mi criterio. Lo está amplificando.

Cuando digo “construye esta funcionalidad”, ya he decidido cómo debe construirse. JarvisX se encarga de la implementación: escribe el código, despliega a producción, abre un navegador para verificar que se ve bien y hace commit de los cambios. Todo sin pedirme que apruebe cada paso.

Los números
#

En dos semanas, JarvisX ha:

Añadido 72.563 líneas de código en múltiples repositorios
Hecho 43 commits
Entregado 5 proyectos completos en producción
Configurado despliegues, sistemas de autenticación e infraestructura cloud
Validado su propio trabajo visualmente — tomando capturas de pantalla, iterando hasta que queda bien

Seré honesto: no todas las 72.000 líneas son código artesanal. Algunas son frameworks, temas y archivos de datos. Pero cada commit, cada despliegue, cada decisión de diseño fue autónoma.

Cómo llegó este artículo aquí
#

¿Quieren ver cómo es trabajar con un agente de IA en la práctica? Esta es la conversación que publicó este mismo artículo:

Yo: JarvisX, dejé un artículo nuevo para mi blog en nuestra carpeta compartida de Dropbox.

JarvisX: ¡Leído! Veo que está en inglés. ¿Quieres que genere la versión en español?

Yo: Sí. Ya confío en tus traducciones, así que no necesito revisarla. Sube ambas versiones directamente.

JarvisX: ¡Gracias por la confianza! Subiendo ahora. ¿Le pongo una imagen destacada?

Yo: Sí. Algo que evoque a un director de orquesta rodeado de agentes de IA.

JarvisX: Entendido. ¿Quieres revisarla antes?

Yo: No. Solo súbela.

Eso es todo. Sin ir y venir. Sin micromanagement. Solo confianza construida en dos semanas de trabajo juntos.

Para cuando estés leyendo esto, JarvisX ya tradujo el artículo, generó la imagen y desplegó ambas versiones en producción. No revisé su trabajo. No necesitaba hacerlo.

La verdadera lección
#

Hace un año, escribí un artículo llamado El fin del desarrollador. Mi tesis: el rol del desarrollador junior desaparecería. El futuro pertenecería a los “directores de orquesta” que conducen agentes de IA en lugar de escribir código ellos mismos.

Ahora estoy viviendo esa predicción.

Pero esto es lo que he aprendido: No puedes dirigir lo que no entiendes.

El “nuevo desarrollador” — el que orquesta agentes de IA — todavía necesita conocimiento técnico profundo. No para escribir cada línea, sino para:

Definir arquitecturas que tengan sentido
Reconocer buen código cuando el agente lo produce
Detectar errores antes de que lleguen a producción
Tomar decisiones de compromiso que requieren experiencia para evaluar

Mis 40 años programando no se volvieron obsoletos cuando empecé a trabajar con JarvisX. Se volvieron esenciales. Puedo dirigirlo eficazmente precisamente porque sé cómo se ve el buen código.

Qué significa esto
#

Si eres un desarrollador senior o arquitecto, este es tu momento. Tu experiencia es más valiosa que nunca — no para escribir código, sino para dirigir a quienes lo hacen.

Si eres un desarrollador junior, el camino no es competir con la IA escribiendo código. Es acelerar tu aprendizaje para poder dirigir la IA cuanto antes. Usa estas herramientas para aprender más rápido, no para evitar aprender.

Si eres CIO o CTO, deja de preguntar “¿cómo adoptamos agentes de IA?” Empieza a preguntar “¿nuestra gente tiene la profundidad técnica para dirigirlos bien?”

La conclusión
#

72.000 líneas. 5 proyectos. 2 semanas. Cero líneas escritas por mí.

Pero ¿cada decisión de arquitectura? Mía. ¿Cada elección tecnológica? Mía. ¿Cada estándar de calidad? Mío.

El futuro del desarrollo de software no se trata de escribir menos código. Se trata de dirigir más — con la sabiduría que solo la experiencia puede dar.

Carles Abarca es VP de Transformación Digital en el Tecnológico de Monterrey y ex-CTO de Banco Sabadell. Lleva 40 años escribiendo código y planea no parar nunca — aunque ya no sea él quien lo teclea.

La Guía del CIO para Agentes de IA: Antes de Comprar, Haz Estas 5 Preguntas

Mon, 23 Feb 2026 00:00:00 +0000

El mercado de agentes de IA alcanzará los $236 mil millones para 2034. Todos los vendors quieren tu presupuesto. Así es como separar el hype del valor real.

Todos los vendors de software empresarial ahora venden “agentes de IA”. Salesforce tiene Agentforce. ServiceNow adquirió Moveworks por $2.85 mil millones. Microsoft promete una “empresa agéntica” a través de Copilot. Startups como Sierra han alcanzado $100 millones de ARR en menos de dos años.

La presión para actuar es real. El 89% de los CIOs consideran los agentes de IA como prioridad estratégica. El 51% de las grandes empresas ya han desplegado IA agéntica. Tu consejo está haciendo preguntas. Tus competidores se están moviendo.

Pero aquí está lo que nadie te dice: la mayoría de las compras de agentes de IA no entregan el valor esperado. No porque la tecnología no funcione — sino porque las organizaciones compran la solución equivocada para su situación específica.

Después de dos décadas liderando transformación tecnológica en un importante banco europeo y ahora impulsando la innovación digital en una de las universidades más grandes de América Latina, he desarrollado un framework para evaluar agentes de IA que atraviesa el hype de los vendors. Antes de firmar ese contrato, hazte estas cinco preguntas.

El Panorama de Agentes de IA en 2026
#

Primero, entendamos qué estás comprando. El mercado tiene tres categorías distintas:

1. Agentes Embebidos de Vendors SaaS

Tus vendors actuales están añadiendo agentes a sus plataformas:

Salesforce Agentforce: $0.10 por acción o $125-550/usuario/mes
ServiceNow AI Agents: Orquestación completa con AI Control Tower
Microsoft Copilot Studio: Incluido con M365, más add-ons
Zendesk AI Agents: $1.50 por resolución autónoma

El pitch: “Ya usas nuestra plataforma. Ahora es más inteligente.”

2. Startups de Agentes Especializadas

Empresas construyendo agentes desde cero:

Sierra (Bret Taylor, ex-Salesforce): Valoración de $10B, enfocada en servicio al cliente
Adept: Automatización de workflows
Imbue, Reflection AI: Enfoques basados en investigación

El pitch: “No estamos limitados por arquitectura legacy.”

3. Proveedores de Modelos Fundacionales

Las empresas construyendo la IA misma:

Anthropic: Claude con Computer Use y MCP (Model Context Protocol)
OpenAI: GPT-4 con Operator
Google: Gemini con Agentspace

El pitch: “Construye agentes personalizados sobre nuestra infraestructura.”

Cada categoría tiene trade-offs. Tu trabajo es entender qué trade-offs importan para tu organización.

Pregunta 1: ¿Qué Problema Estás Realmente Resolviendo?
#

Esto suena obvio. No lo es.

“Necesitamos agentes de IA” no es una declaración de problema. Tampoco lo es “necesitamos reducir costos” o “necesitamos ser más innovadores.”

Una declaración de problema adecuada se ve así:

“Nuestro equipo de servicio al cliente maneja 50,000 tickets al mes. El 60% son reinicios de contraseña y consultas de estado de pedidos. El tiempo promedio de atención es de 8 minutos. Necesitamos reducirlo a menos de 2 minutos para consultas rutinarias.”
“Nuestro equipo de compliance revisa manualmente 10,000 transacciones diarias para detección de lavado de dinero. La tasa de falsos positivos es del 95%. Necesitamos reducir los falsos positivos manteniendo la cobertura regulatoria.”

¿Notas la diferencia? Proceso específico. Línea base medible. Objetivo claro.

La trampa: Los vendors felizmente te venderán una “plataforma de agentes de propósito general” que teóricamente puede hacer cualquier cosa. En la práctica, estas plataformas no hacen nada bien. Comienza con un caso de uso de alto valor y bien definido. Prueba que funciona. Luego expande.

Bandera roja: Si no puedes articular el proceso específico, las métricas actuales y la mejora objetivo, no estás listo para comprar.

Pregunta 2: ¿Construir, Comprar o Extender?
#

Tienes tres caminos. Permíteme ilustrar cada uno con escenarios reales.

EXTENDER: Añadir Capacidades de Agentes a Tus Plataformas Existentes
#

Qué significa: Ya usas Salesforce, ServiceNow o Microsoft 365. Activas sus funciones de agentes incorporadas.

Ejemplo real — Retailer Global con Salesforce: Una empresa de retail con 200 representantes de servicio al cliente ya usaba Service Cloud. Activaron Agentforce Service Agent en tres semanas. Configuración, no desarrollo. El agente ahora maneja el 40% de las consultas entrantes (estado de pedidos, políticas de devolución, horarios de tienda) sin intervención humana. Costo: $0.10 por acción del agente. Sin nueva relación con vendor. Sin proyecto de integración.

Ejemplo real — Aseguradora con ServiceNow: Una aseguradora usando ServiceNow ITSM habilitó AI Agents para categorización y enrutamiento de incidentes. El agente lee tickets entrantes, identifica el sistema afectado, asigna prioridad y enruta al equipo correcto. Implementación: 6 semanas. Resultado: 60% de reducción en tickets mal enrutados, 25% tiempos de resolución más rápidos.

Cuándo Extender:

Ya estás pagando por la plataforma
Tu caso de uso es común (servicio al cliente, helpdesk de TI, consultas de RRHH)
Necesitas resultados en semanas, no meses
No tienes talento de ingeniería de IA

La limitación: Estás restringido a lo que tu vendor ofrece. Si Salesforce Agentforce no soporta tu workflow específico, estás atrapado esperando su roadmap.

COMPRAR: Adquirir una Solución de Agentes Especializada
#

Qué significa: Traes una startup o vendor especializado que hace una cosa excepcionalmente bien.

Ejemplo real — Marca E-commerce con Sierra: Una marca direct-to-consumer con $500M de ingresos no estaba satisfecha con su chatbot existente. Desplegaron Sierra para servicio al cliente. Los agentes de Sierra manejan conversaciones complejas: procesando devoluciones mientras sugieren alternativas, gestionando modificaciones de suscripciones, resolviendo disputas de facturación. Los agentes acceden a su backend de Shopify, procesador de pagos y sistemas de envío. Implementación: 4 meses. Resultado: 70% de conversaciones resueltas sin escalación humana. Satisfacción del cliente aumentó 15 puntos.

Ejemplo real — TI Empresarial con Moveworks (ahora ServiceNow): Antes de la adquisición, las empresas compraban Moveworks específicamente para automatización de helpdesk de TI. El agente podía reiniciar contraseñas, aprovisionar software, solucionar problemas de VPN y responder preguntas de políticas — todo a través de conversación natural en Slack o Teams. Entendía contexto: “No puedo acceder al servidor” disparaba workflows diferentes que “Necesito instalar Photoshop.”

Cuándo Comprar:

Los agentes de tu vendor actual no son suficientemente buenos para un caso de uso estratégico
Una startup tiene tracción probada en tu dominio específico
Puedes permitirte 3-6 meses de implementación
El caso de uso es lo suficientemente importante para justificar una nueva relación con vendor

El riesgo: Viabilidad de la startup. ¿Qué pasa si Sierra es adquirida? ¿Si la startup pivotea? Dependes de una empresa que puede no existir en cinco años. Mitiga esto asegurando portabilidad de datos y evitando personalizaciones profundas que te amarren.

CONSTRUIR: Crear Agentes Personalizados Usando Modelos Fundacionales
#

Qué significa: Usas las APIs de Claude, GPT-4 o Gemini para construir agentes adaptados a tus procesos únicos.

Ejemplo real — Agente de Análisis de Deals de un Banco de Inversión: Un banco de inversión tier-1 construyó un agente personalizado para analistas de M&A. El agente ingiere documentos de la SEC, transcripciones de earnings, artículos de noticias e investigación interna. Los analistas hacen preguntas en lenguaje natural: “¿Cuáles son los riesgos clave en la estructura de deuda de Acme Corp?” o “Compara el perfil de margen de estos tres objetivos de adquisición.” El agente sintetiza información que a un analista le tomaría horas compilar manualmente. Construido sobre Claude con RAG personalizado (retrieval-augmented generation) sobre bases de datos propietarias. Desarrollo: 8 meses. Equipo: 6 ingenieros, 2 especialistas en ML. El output es ventaja competitiva propietaria — ningún vendor ofrece esto.

Ejemplo real — Agente de Ensayos Clínicos de una Farmacéutica: Una empresa farmacéutica construyó un agente para monitorear datos de ensayos clínicos en tiempo real. El agente identifica patrones de eventos adversos, señala desviaciones del protocolo y genera reportes listos para reguladores. Este no es un caso de uso que ningún vendor sirva — el conocimiento del dominio es demasiado especializado, los requisitos regulatorios demasiado específicos. Construido sobre GPT-4 con fine-tuning extensivo y guardrails de seguridad personalizados. Desarrollo: 12 meses.

Ejemplo real — Ecosistema Académico Personalizado de Universidad (TecGPT): En el Tecnológico de Monterrey, construimos TecGPT — nuestro ecosistema de IA académico, integrado con nuestro LMS, asistiendo tanto a profesores como a estudiantes, y alineado con nuestra normativa académica. Ningún vendor podía ofrecer lo que necesitábamos out-of-the-box.

Cuándo Construir:

Tu proceso es genuinamente único y define ventaja competitiva
No existe solución de vendor para tu dominio
Tienes talento de ingeniería de IA/ML (o puedes adquirirlo)
Puedes invertir 6-12 meses antes de ver valor en producción
El valor a largo plazo justifica el costo de mantenimiento continuo

El reality check: Construir es caro. Un agente personalizado no es un proyecto de una sola vez — es un producto continuo. Necesitas ingenieros para mantenerlo, mejorarlo y adaptarlo conforme los modelos fundacionales evolucionan. Presupuesta 2-3 FTEs indefinidamente, no solo la construcción inicial.

La Matriz de Decisión
#

Factor	Extender	Comprar	Construir
Tiempo a valor	Semanas	3-6 meses	6-12 meses
Personalización	Baja	Media	Ilimitada
Riesgo de vendor	Bajo	Alto	Medio
Talento requerido	Admins	Integradores	Ingenieros + ML
Costo total (3 años)	$$	$$$	$-$$$$
Ventaja competitiva	Ninguna	Baja	Alta

Mi Recomendación
#

Comienza con Extender para tu primer despliegue de agentes. Incluso si no es perfecto, aprenderás qué funciona, qué necesitan realmente los usuarios y dónde están las brechas. Ese aprendizaje es invaluable antes de comprometerte con Comprar o Construir.

Muévete a Comprar cuando hayas probado el valor de los agentes y necesites capacidades que tu vendor de plataforma no ofrece. Elige startups con tracción fuerte, enfoque claro en casos de uso y clientes empresariales que puedan servir como referencias.

Construye solo cuando hayas agotado las opciones de Extender y Comprar, o cuando el proceso sea tan único que genuinamente diferencie tu negocio. Si estás construyendo agentes para procesos commodity (servicio al cliente, helpdesk de TI), estás desperdiciando talento de ingeniería que podría crear ventaja competitiva real.

Pregunta 3: ¿Cómo Medirás el Éxito?
#

Antes del despliegue, define:

Métricas de eficiencia:

Tiempo ahorrado por tarea
Tareas manejadas sin intervención humana
Reducción de tasa de errores

Métricas de calidad:

Satisfacción del cliente (para agentes de cara al cliente)
Precisión de compliance (para procesos regulatorios)
Calidad de decisión (medida contra línea base de experto humano)

Métricas de negocio:

Costo por transacción
Impacto en ingresos (si aplica)
Satisfacción del empleado (los agentes deben ayudar a los trabajadores, no amenazarlos)

La regla de los 90 días: Si no puedes demostrar mejora medible dentro de 90 días, algo está mal. Ya sea que el caso de uso fue mal elegido, la implementación fue defectuosa, o el vendor sobre-vendió capacidades. No extiendas pilotos indefinidamente esperando resultados.

Métrica oculta: Adopción. El agente más sofisticado no vale nada si tu equipo no lo usa. Rastrea uso real, no solo disponibilidad.

Pregunta 4: ¿Cuál es Tu Estrategia de Human-in-the-Loop?
#

En 2026, ninguna organización responsable despliega agentes totalmente autónomos para decisiones consecuentes. La pregunta es dónde colocar la supervisión humana.

El espectro:

Iniciado por humano: Humano inicia tarea, agente asiste, humano aprueba resultado
Iniciado por agente con aprobación: Agente identifica oportunidad, propone acción, humano aprueba
Ejecutado por agente con auditoría: Agente actúa autónomamente, humano revisa después del hecho
Totalmente autónomo: Agente actúa sin supervisión (apropiado solo para acciones de bajo riesgo y reversibles)

Mi framework para elegir:

Nivel de Riesgo	Reversibilidad	Enfoque Recomendado
Bajo	Fácil de revertir	Totalmente autónomo
Bajo	Difícil de revertir	Ejecutado por agente con auditoría
Alto	Fácil de revertir	Iniciado por agente con aprobación
Alto	Difícil de revertir	Solo iniciado por humano

Ejemplos:

Reinicio de contraseña → Totalmente autónomo (bajo riesgo, reversible)
Reembolso de cliente menor a $50 → Ejecutado por agente con auditoría
Decisión de crédito → Iniciado por agente con aprobación
Presentación regulatoria → Solo iniciado por humano

La realidad regulatoria: Servicios financieros, salud y otras industrias reguladas requerirán supervisión humana para la mayoría de las decisiones consecuentes en el futuro previsible. Planifica para esto. Agentes que “recomiendan y explican” son más valiosos que agentes que “deciden y actúan” en estos contextos.

Pregunta 5: ¿Cuál es Tu Estrategia de Datos?
#

Los agentes de IA son tan buenos como los datos a los que pueden acceder. Antes de comprar, audita:

Disponibilidad de datos:

¿Puede el agente acceder a todos los sistemas necesarios para el caso de uso?
¿Hay APIs disponibles, o necesitarás integraciones personalizadas?
¿Cuál es la latencia? Agentes que esperan 30 segundos por búsquedas de datos frustran a los usuarios.

Calidad de datos:

¿Tus datos son precisos y actualizados?
¿Hay problemas conocidos de calidad de datos que causarán errores del agente?
¿Quién es responsable de la higiene de datos?

Gobernanza de datos:

¿A qué datos puede acceder el agente? ¿Qué está fuera de límites?
¿Cómo previenes que los agentes expongan información sensible?
¿Qué trail de auditoría existe para el acceso a datos del agente?

El impuesto de integración: La mayoría de las empresas subestiman el esfuerzo de integración por 3-5x. Si el vendor dice “integramos con todo,” pide referencias de clientes ejecutando tu combinación específica de sistemas. Las afirmaciones genéricas no significan nada.

MCP y el futuro: El Model Context Protocol (MCP) de Anthropic está emergiendo como estándar para comunicación agente-a-sistema. Considera si tu plataforma elegida soporta estándares abiertos o te encierra en integraciones propietarias.

El Framework de Decisión
#

Después de responder estas cinco preguntas, deberías poder completar esta declaración:

“Desplegaremos [tipo específico de agente] para resolver [problema específico] en [proceso específico]. Esperamos lograr [mejora métrica específica] dentro de [plazo]. Nuestro modelo de supervisión humana es [enfoque]. Hemos confirmado acceso a datos a [sistemas] y definido políticas de gobernanza para [tipos de datos sensibles].”

Si no puedes completar esta declaración con confianza, no estás listo para comprar.

Mis Recomendaciones para 2026
#

Para la mayoría de las empresas: Comienza con las capacidades de agentes de tu vendor existente. Salesforce Agentforce, ServiceNow AI Agents o Microsoft Copilot Studio manejarán el 80% de los casos de uso comunes. La integración ya está hecha. Los frameworks de gobernanza existen. El riesgo es manejable.

Para servicio al cliente: Sierra tiene tracción probada. Si la experiencia del cliente es estratégica y los agentes de tu vendor actual no cumplen, evalúa Sierra seriamente. Sus $100M de ARR en 21 meses señalan entrega de valor real.

Para procesos únicos: Construye sobre Anthropic Claude u OpenAI, pero solo si tienes el talento de ingeniería para mantener soluciones personalizadas. Los modelos fundacionales son extraordinarios. La ingeniería requerida para productizarlos no es trivial.

Para todos: Empieza pequeño. Un caso de uso. Prueba de valor en 90 días. Luego expande. Los vendors quieren que compres plataformas. Tú deberías comprar soluciones a problemas específicos.

La Conclusión
#

El mercado de agentes de IA es real. El valor es real. Pero también lo es el hype.

El 62% de las empresas que invierten en IA agéntica esperan más del 100% de ROI. Algunas lo lograrán. Muchas no — no porque la tecnología falló, sino porque compraron la solución equivocada para el problema equivocado con el enfoque de implementación equivocado.

No seas una estadística. Haz las cinco preguntas. Completa el framework de decisión. Entonces — y solo entonces — firma el contrato.

Los agentes están listos. Asegúrate de que tú también lo estés.

La Banca Nunca Volverá a Ser la Misma: Una Visión Desde Dentro Sobre los Agentes de IA

Sun, 22 Feb 2026 00:00:00 +0000

La Banca Nunca Volverá a Ser la Misma: Una Visión Desde Dentro Sobre los Agentes de IA
#

Lideré la transformación digital de un banco europeo de €200B. Los agentes de IA cambiarán todo lo que creía saber.

Entre 2001 y 2023, pasé más de dos décadas en Banco Sabadell, una de las instituciones financieras más grandes de España, ascendiendo desde roles tecnológicos hasta CIO y finalmente CTO. Supervisé la integración tecnológica de TSB en el Reino Unido, navegué una de las crisis de TI bancarias más públicas de la historia reciente, y lideré una transformación digital multianual que tocó cada rincón de una organización de 25,000 empleados.

En aquel entonces, creíamos que las APIs revolucionarían la banca. Estábamos pensando demasiado pequeño.

La revolución de los agentes de IA hará que nuestra transformación de APIs parezca un ejercicio de calentamiento.

Por Qué la Banca Es Perfecta para los Agentes de IA
#

Los bancos son únicos. Operan en un entorno que parece hostil a la automatización — regulación pesada, aversión al riesgo, sistemas legacy — pero que en realidad es ideal para los agentes de IA.

Procesos repetitivos con reglas claras. Verificación KYC. Monitoreo de transacciones. Resolución de disputas. Reportes de cumplimiento. Estos procesos siguen reglas explícitas que los humanos aplican miles de veces al día. Reglas que pueden ser codificadas, ejecutadas y auditadas por agentes.

Datos estructurados en todas partes. A diferencia de las industrias creativas, la banca funciona con datos estructurados: transacciones, contratos, saldos, tasas. Esto es exactamente lo que los agentes procesan con excelencia.

La regulación como ventaja. Esto suena contraintuitivo. Pero considera: los agentes pueden seguir reglas de manera más consistente que los humanos. No se cansan. No toman atajos. No olvidan pasos. En un mundo donde las fallas de cumplimiento cuestan miles de millones, los agentes que demostrablemente siguen cada regulación se convierten en activos, no en riesgos.

La economía lo exige. Los bancos europeos operan con márgenes muy ajustados. Ratios de costo-ingreso por encima del 60% son comunes. Las matemáticas son brutales: reducir costos operativos o morir. Los agentes ofrecen un camino que no requiere otra ronda de despidos — ofrecen un camino para hacer más con las mismas personas.

El Mapa de Transformación con Agentes
#

Así es como veo a los agentes de IA transformando las operaciones bancarias centrales:

Función	Hoy	Con Agentes
KYC/Onboarding	3-5 días, múltiples traspasos	15 minutos, agente + aprobación humana final
Detección de Fraude	Alertas generan colas → humanos investigan	Agente investiga, escala solo preocupaciones genuinas
Servicio al Cliente	Chatbots limitados, transferencias frustrantes	Agente con contexto completo, maneja 80% de extremo a extremo
Monitoreo de Cumplimiento	Ejércitos de revisores muestreando transacciones	Monitoreo continuo por agentes, humanos manejan excepciones
Decisiones de Crédito	Score + juicio humano + comité	Análisis de agente + recomendación + aprobación humana
Reportes Regulatorios	Recopilación manual de datos, infierno de conciliación	Agente ensambla, valida, humanos verifican y envían

El patrón es consistente: los agentes manejan el volumen, los humanos manejan el juicio. La proporción cambia de 90% trabajo humano / 10% supervisión a 10% trabajo humano / 90% supervisión.

Los Verdaderos Desafíos (Desde Adentro)
#

Estaría mintiendo si dijera que esta transformación será fácil. Habiendo vivido dentro de un gran banco, sé que los obstáculos son formidables.

Los sistemas legacy no van a ninguna parte. COBOL todavía ejecuta sistemas críticos en la mayoría de los grandes bancos. Los mainframes procesan millones de transacciones diariamente. Estos sistemas funcionan. Están pagados. Ningún CEO aprobará eliminarlos por un experimento de IA. La estrategia ganadora no es el reemplazo — es una capa de agentes que se interface con sistemas legacy a través de APIs existentes y screen scraping donde sea necesario.

Los reguladores son conservadores — pero están evolucionando. Los reguladores bancarios se mueven lentamente por diseño. Recuerdan 2008. Pero no son ciegos al potencial de la IA. La clave es involucrarlos temprano, demostrar auditabilidad, y enmarcar a los agentes como herramientas de reducción de riesgo, no de introducción de riesgo.

La cultura resiste el cambio. Los bancos son instituciones aversas al riesgo llenas de personas aversas al riesgo. “Siempre lo hemos hecho así” no es un cliché — es una creencia profundamente arraigada. La gestión del cambio importa más que la selección de tecnología.

La brecha de talento es real. Los banqueros no entienden IA. Los ingenieros de IA no entienden banca. Encontrar personas que hablen ambos idiomas es casi imposible. Construir ese puente — a través de capacitación, contratación y alianzas — es esencial.

Los silos de datos persisten. Los datos de clientes que necesitas para agentes inteligentes están dispersos en docenas de sistemas que no se comunican entre sí. Los proyectos de unificación de datos han fallado durante décadas. Los agentes no resolverán esto mágicamente — pero pueden trabajar alrededor de ello mejor que los enfoques de integración tradicionales.

Lo Que Haría Diferente Hoy
#

Si estuviera de vuelta en esa silla de CTO hoy, sabiendo lo que sé sobre agentes de IA, esto es lo que cambiaría:

Dejar de comprar SaaS “potenciado por IA”. Cada proveedor ahora afirma capacidades de IA. La mayoría son wrappers alrededor de los mismos modelos fundacionales con personalización limitada. En su lugar: construir una capa de agentes sobre tus sistemas existentes. Posee la inteligencia, alquila la infraestructura.

Empezar con back-office, no con cara al cliente. Los reguladores escudriñan la IA orientada al cliente. Las operaciones de back-office tienen más libertad. Demuestra valor internamente — conciliación, reportes, investigación interna de fraude — luego expande a puntos de contacto con clientes con evidencia y confianza.

Adoptar un modelo de aprobación híbrido. Durante los próximos 3-5 años, el patrón ganador es: el agente propone, el humano aprueba. Esto satisface a los reguladores, construye confianza, y crea datos de entrenamiento para automatización completa futura. No intentes eliminar humanos demasiado rápido.

Invertir en observabilidad. Los agentes deben ser auditables. Cada decisión, cada acceso a datos, cada recomendación debe ser registrada y explicable. Esto no es opcional — es la base de la aceptación regulatoria.

Predicciones para 2027-2030
#

Basado en lo que estoy viendo en el mercado y mi experiencia dentro de la banca:

50% de reducción en personal de back-office. No a través de despidos, sino a través de attrition y reubicación. El trabajo no desaparecerá — se transformará. Los bancos necesitarán menos procesadores y más supervisores de agentes.

Surgirán bancos “agent-first”. Nuevos entrantes — probablemente de Asia y América Latina — construirán bancos diseñados alrededor de agentes desde el primer día. Operarán con 1/10 del personal de los bancos tradicionales. Esta es la verdadera amenaza competitiva.

Los reguladores crearán certificación de agentes de IA. Así como tenemos auditorías de software hoy, tendremos auditorías de agentes. Los bancos que logren la certificación temprano tendrán una ventaja competitiva.

Las M&A se acelerarán. La inversión requerida para construir capacidades de agentes favorece la escala. Los bancos más pequeños que no puedan pagar la transformación se fusionarán o serán adquiridos. La industria se consolidará aún más.

Surgirá el rol de “banquero de IA”. Una nueva categoría de trabajo: profesionales que entienden tanto las operaciones bancarias como la orquestación de agentes de IA. Serán el talento más buscado en servicios financieros.

La Elección por Delante
#

Cada ejecutivo bancario enfrenta la misma pregunta hoy: invertir fuertemente en agentes de IA ahora, o esperar y ver.

Esperar se siente seguro. No lo es.

Los bancos que se muevan primero reducirán costos, mejorarán el cumplimiento, y — crucialmente — atraerán el talento necesario para seguir mejorando. Los bancos que esperen se encontrarán compitiendo contra instituciones que operan a la mitad de su estructura de costos.

He visto la banca transformarse antes — de sucursales a cajeros automáticos, de papel a digital, de monolitos a APIs. Cada ola recompensó a los que se movieron temprano y castigó a los rezagados.

Esta ola será más rápida y más decisiva.

La pregunta no es si tu banco usará agentes de IA. La pregunta es si serás tú quien los despliegue — o el que sea reemplazado por un banco que sí lo hizo.

Carles Abarca es VP de Transformación Digital en el Tecnológico de Monterrey. Pasó 22 años en Banco Sabadell, incluyendo roles como CIO y CTO, liderando la transformación digital del banco y la integración tecnológica de TSB. Escribe sobre IA, transformación digital y el futuro de la tecnología empresarial en carlesabarca.com.

La Agent Economy: de vender software a vender empleados artificiales

Wed, 18 Feb 2026 00:00:00 +0000

El SaaSpocalypse de febrero no fue un accidente. Fue un aviso. El mercado vio lo que muchos CIOs todavía no quieren ver: la lógica de negocio que justifica licencias de miles de millones cabe en un archivo de texto que un agente de IA puede ejecutar.

Pero la pregunta interesante no es qué se destruye. Es qué emerge.

De SaaS a SaS
#

El consenso de la industria ya tiene nombre para esta transición: SaS — Services-as-Software. El término, popularizado por Foundation Capital en su tesis sobre la oportunidad de $4,6 billones en IA agéntica, invierte la fórmula que ha dominado el software empresarial durante dos décadas. SaaS vendía software como servicio. SaS vende servicios como software — agentes autónomos que entregan resultados, no interfaces.

Es la diferencia entre vender un bisturí y vender la cirugía.

Otros lo llaman WaaS — Workers-as-a-Service. O directamente lo que es: la Agent Economy. Una economía donde las empresas no contratan licencias de software. Contratan empleados artificiales. Empleados que no negocian salario, no piden vacaciones y escalan sin límite.

El mapa de la reconversión
#

Si la tesis es correcta, la pregunta no es si los grandes SaaS se reconvertirán, sino cuándo y cómo. Aquí van mis predicciones concretas:

SAP dejará de vender licencias FI/CO para gestionar contabilidad. En su lugar ofrecerá un agente contable que, a partir de eventos de negocio — una factura emitida, un pago recibido, un cierre de período — mantendrá al día la contabilidad en SAP de forma autónoma. Los humanos dejarán de interactuar con el UI de SAP. El agente interactuará con el API de SAP. El controller financiero pasará de operar el sistema a supervisar al agente.

Salesforce dejará de vender CRM por usuario. Ofrecerá un agente comercial que cualifica leads, actualiza oportunidades, programa seguimientos y genera forecasts. Los vendedores dejarán de rellenar campos en Salesforce. El agente extraerá la información de emails, llamadas y reuniones, y mantendrá el pipeline actualizado. El rol del sales manager pasará de perseguir a su equipo para que actualice el CRM a revisar las decisiones del agente.

ServiceNow dejará de vender tickets de soporte por seat. Ofrecerá un agente de operaciones que diagnostica incidencias, ejecuta runbooks, escala cuando es necesario y cierra tickets sin intervención humana. El 80% del soporte L1 y L2 será invisible para los humanos.

Workday dejará de vender módulos de HR por empleado. Ofrecerá un agente de gestión de personas que procesa nóminas, gestiona ausencias, genera reportes de compliance y ejecuta onboarding completo — desde provisionar accesos hasta programar la agenda de la primera semana.

HubSpot dejará de vender un marketing suite. Ofrecerá un agente de growth que genera contenido, optimiza campañas, segmenta audiencias y ajusta presupuestos en tiempo real basándose en conversiones. El CMO no operará herramientas. Dirigirá una orquesta de agentes.

Atlassian dejará de vender Jira por desarrollador. Ofrecerá un agente de delivery que descompone épicas en tareas, asigna trabajo según capacidad, detecta bloqueos y genera reportes de progreso. El engineering manager pasará de gestionar un tablero a gestionar una estrategia.

El patrón
#

En todos los casos, el patrón es el mismo: el humano deja de ser operador del software y pasa a ser supervisor del agente. El valor no está en la interfaz. Está en la inteligencia.

Y el modelo de negocio se transforma con él. Ya no cobras por seat — porque no hay seats. Cobras por outcome. Por factura procesada. Por lead cualificado. Por incidencia resuelta. Por nómina ejecutada.

Las empresas que entiendan esto primero capturarán el mercado. Las que sigan vendiendo interfaces con un copilot pegado encima descubrirán que un archivo markdown y un agente con acceso a sus APIs hacen el mismo trabajo por una fracción del coste.

La Agent Economy no viene. Ya está aquí. La pregunta es si estás contratando agentes o todavía comprando licencias.

El SaaSpocalypse: $300.000 millones evaporados en 48 horas

Tue, 17 Feb 2026 00:00:00 +0000

$300.000 millones evaporados en 48 horas. Bienvenidos al SaaSpocalypse.

En octubre de 2024 escribí sobre la próxima ola de la IA: los agentes. En mayo de 2025 escribí sobre el fin del desarrollador tal como lo conocemos. Ambos artículos compartían una tesis: la IA no viene a asistir. Viene a ejecutar.

La primera semana de febrero nos ha dado la razón de la forma más brutal posible.

Anthropic lanzó unos plugins para su herramienta Cowork — básicamente archivos markdown que codifican expertise legal, financiera y de ventas. Nada revolucionario en apariencia. Pero el mercado entendió algo que muchos CIOs todavía no han procesado: si la lógica de negocio de Thomson Reuters cabe en un archivo de texto que un agente de IA puede leer y ejecutar, su software de $200/usuario/mes tiene un problema existencial.

Thomson Reuters perdió el 57% desde máximos. ServiceNow el 48%. Salesforce el 43%. El índice S&P de software tuvo su peor mes desde octubre de 2008.

Pero lo interesante no es la caída. Es la tesis detrás.

Satya Nadella lo dijo en diciembre de 2024: “Las aplicaciones SaaS son bases de datos CRUD con lógica de negocio encima. Los agentes absorberán esa lógica.” Foundation Capital le puso número: $4,6 billones de oportunidad. Lo llamaron “Service as Software” — la inversión del modelo SaaS. Ya no vendes herramientas para que humanos resuelvan problemas. Vendes resultados. El agente hace el trabajo.

Un cliente de Palantir lo resumió mejor que cualquier analista: “Todo software de terceros debe justificar su existencia. Y hasta ahora, no ha podido.”

Esto no significa que Salesforce o SAP desaparezcan mañana. Los costes de switching son reales. Las integraciones profundas protegen. Pero el modelo de pricing por seat tiene los días contados. IDC predice que para 2028 será obsoleto. Y las empresas que no transicionen a modelos basados en outcomes van a descubrir que su moat era más estrecho de lo que pensaban.

Llevo más de 20 años liderando transformación tecnológica en banca y educación. He visto ciclos de pánico antes — cloud, mobile, blockchain. Pero esta vez es diferente. No es una nueva capa que se añade al stack. Es una capa que absorbe las demás.

La pregunta para cada CIO hoy no es “cómo integro IA en mi software.” Es “cuánto de mi software puede reemplazar un agente con un archivo markdown y acceso a mis APIs.”

Si la respuesta te incomoda, probablemente ya llegas tarde.

El fin del desarrollador: El futuro del desarrollo de Software con Agentes de IA

Tue, 20 May 2025 00:00:00 +0000

El Fin del Desarrollador Junior: El Futuro del Desarrollo de Software con Agentes de IA

En un mundo donde la inteligencia artificial avanza a pasos agigantados, una verdad incómoda se asoma en el horizonte de la industria tecnológica: el rol del desarrollador junior podría estar en vías de extinción. No se trata de ciencia ficción sino de una realidad emergente que ya está transformando la forma en que construimos software.

La revolución silenciosa de los Agentes de IA
#

Hoy, la IA ya no es solo un asistente que completa código. Los agentes de IA están evolucionando hacia entidades autónomas capaces de percibir el entorno de desarrollo, tomar decisiones complejas y ejecutar tareas completas de programación con mínima supervisión humana. Ya no hablamos de simples herramientas, sino de colaboradores digitales que están reconfigurando toda la cadena de desarrollo.

Del asistente al Agente Autónomo
#

Los asistentes de código basados en IA como GitHub Copilot o Codeium ya han transformado la productividad de los desarrolladores. Sin embargo, lo que viene es mucho más disruptivo: agentes especializados que trabajan en conjunto para manejar todo el ciclo de vida del desarrollo.

¿Qué significa esto? Mientras que hoy un junior desarrollador aún puede solicitar a una IA que genere código estándar o explique sistemas complejos, mañana un arquitecto técnico podrá instruir a un equipo completo de agentes que:

Desarrollen código complejo basado en requerimientos de alto nivel
Realicen pruebas exhaustivas y resolución de bugs
Optimicen el rendimiento sin intervención manual
Gestionen despliegues y actualicen documentación

La predicción que ya está sucediendo
#

Mark Zuckerberg lo expresó sin ambigüedades: “Para 2025, la IA será capaz de funcionar como un ingeniero de nivel medio, escribiendo código y potencialmente reemplazando a los desarrolladores de software”. No estamos hablando de un futuro lejano, sino de una realidad que ya está emergiendo.

Según Gartner, hasta 2027 la IA generativa requerirá que el 80% de la fuerza laboral de ingeniería actualice sus habilidades, creando nuevos roles y eliminando otros. La pregunta ya no es si ocurrirá, sino cuándo alcanzará el punto de inflexión que transforme todo el ecosistema.

La Orquestación: El nuevo paradigma
#

El concepto clave aquí es la orquestación de agentes de IA: un proceso por el cual múltiples agentes especializados trabajan en conjunto dentro de un sistema unificado. Cada agente se enfoca en una tarea específica -diseño de UI, desarrollo backend, pruebas, seguridad- mientras una entidad central (humana o IA) dirige la sinfonía.

El Arquitecto como Director de Orquesta
#

En este nuevo paradigma, el arquitecto técnico se convierte en el verdadero protagonista. Su rol evoluciona de diseñador de soluciones a director estratégico de un equipo de agentes de IA, definiendo:

La visión y requisitos del sistema
Las restricciones técnicas y de negocio
Los estándares de arquitectura y calidad
La resolución de problemas complejos que requieren juicio humano

Esta transformación ya está ocurriendo. Según investigaciones de ServiceNow/Pearson, para 2027 el 18.7% de las tareas de arquitectos técnicos serán al menos parcialmente aumentadas por IA. Los arquitectos se centrarán menos en guiar la implementación de código y más en dirigir y supervisar el trabajo autónomo de los agentes.

La crisis de experiencia
#

Aquí surge el dilema fundamental: si los agentes de IA pueden manejar las tareas tradicionalmente asignadas a desarrolladores junior, ¿cómo adquirirán experiencia los nuevos profesionales?

Una de las mayores preocupaciones es precisamente cómo los desarrolladores junior pueden crecer hacia roles de nivel medio y senior si la IA maneja la mayor parte de la codificación rutinaria. Tradicionalmente, los desarrolladores han aprendido haciendo-escribiendo, depurando y refactorizando código del mundo real. Sin esa experiencia práctica, existe el riesgo de que los desarrolladores no comprendan completamente las complejidades del desarrollo de software.

Un Futuro sin Juniors Tradicionales
#

Mi tesis es que el rol del desarrollador, tal como lo conocemos, desaparecerá. En su lugar, veremos:

Ingenieros de prompts y orquestación: Profesionales especializados en dirigir y extraer el máximo valor de los agentes de IA.
Especialistas en verificación y revisión: Expertos en evaluar el código generado por IA, identificar casos límite y probar su fiabilidad.
Diseñadores de sistemas de alto nivel: Profesionales enfocados en arquitectura y diseño de sistemas, donde el pensamiento de nivel superior sigue siendo principalmente humano.

Las empresas ya están contratando menos ingenieros junior debido a las mejoras de productividad impulsadas por la IA. Esta tendencia solo se acelerará cuando los agentes de IA maduren.

Adaptarse o quedarse atrás
#

Para los profesionales actuales, el mensaje es claro: la carrera del desarrollador está evolucionando, no desapareciendo. El futuro pertenece no a quienes resisten la IA ni a quienes dependen de ella exclusivamente, sino a quienes aprenden a trabajar simbióticamente con estas herramientas.

Los desarrolladores más exitosos serán aquellos que:

Dominen la ingeniería de prompts para guiar a los agentes de IA
Desarrollen habilidades de evaluación y verificación agudas
Se enfoquen en áreas donde la creatividad y el pensamiento sistémico humano son insustituibles
Comprendan profundamente la orquestación y colaboración entre múltiples agentes de IA

¿Estamos preparados para este cambio?
#

Si mi tesis es correcta, enfrentamos una transformación radical en cómo educamos a los futuros desarrolladores y estructuramos los equipos técnicos. Las universidades, bootcamps y empresas necesitarán repensar completamente sus programas de formación y contratación.

La pregunta no es si los agentes de IA revolucionarán el desarrollo de software-ya lo están haciendo-sino cuán rápido nos adaptaremos como industria a un mundo donde los humanos diseñan y dirigen, mientras los agentes de IA construyen e implementan.

Año III de la IA: la era de la IA Agéntica

Wed, 11 Dec 2024 00:00:00 +0000

Y ahora a por los retos de 2025, el Año III de la nueva era de la IA: el año de la Agentic AI.

Año I - 2023: la irrupción de ChatGPT, el año del prompting en el que la IA era conversación textual. Lanzamos nuestro TecGPT.

Año II - 2024: la IA se vuelve multimodal y aprende a generar contenidos de imagen, sonido, música, voz y vídeo. Lanzamos nuestro SkillStudio e incorporamos la multimodalidad a nuestra plataforma.

Año III - 2025: la IA permite generar agentes autónomos que toman acciones por nosotros, el año de Agentic AI. Lanzaremos AgentStudio con la contribución imprescindible de Manuel Terán y su increíble equipo.

La próxima ola de la IA: los Agentes

Tue, 15 Oct 2024 00:00:00 +0000

La conversación sobre IA ha estado dominada por chatbots y copilots — herramientas que asisten a los humanos para hacer su trabajo más rápido. Esa era está terminando. La próxima ola son los agentes, y la distinción importa más de lo que la mayoría cree.

De asistentes a actores autónomos
#

Un chatbot responde a prompts. Un agente persigue objetivos.

La diferencia no es incremental. Es arquitectónica. Un agente de IA es una entidad autónoma que recibe un objetivo, lo descompone en subtareas, planifica una estrategia de ejecución, utiliza herramientas y APIs para actuar sobre el mundo, observa resultados, ajusta su enfoque e itera hasta cumplir el objetivo. Sin un humano en el bucle en cada paso. Sin ciclo de prompt-respuesta-prompt.

Pensadlo así: un copilot te ayuda a escribir un email. Un agente gestiona toda tu bandeja de entrada — triando, respondiendo, escalando, programando seguimientos — mientras tú te concentras en las decisiones que realmente requieren tu criterio.

Por qué ahora
#

Tres fuerzas convergentes hacen viables a los agentes hoy de formas que no lo eran hace dos años:

Capacidad de razonamiento. Los grandes modelos de lenguaje han cruzado un umbral en su capacidad para descomponer problemas complejos, mantener contexto a lo largo de cadenas largas de acción y recuperarse de errores. Esto no va de generar mejor texto. Va de planificación y ejecución.

Uso de herramientas. Los LLMs modernos pueden llamar APIs de forma fiable, consultar bases de datos, navegar por la web, ejecutar código e interactuar con sistemas externos. El agente no está atrapado en una caja de texto. Opera en el entorno digital real.

Economía de costes. Los costes de inferencia han caído en órdenes de magnitud. Ejecutar un agente que hace docenas de llamadas a APIs para completar una tarea compleja es ahora económicamente viable a escala empresarial.

Qué significa esto para las empresas
#

Las implicaciones para la tecnología empresarial son profundas:

La automatización de flujos de trabajo pasa de basada en reglas a basada en objetivos. En lugar de codificar cada paso de un proceso, defines el resultado. El agente encuentra el camino. Esto hace la automatización accesible para usuarios de negocio, no solo para desarrolladores.

El valor del software se desplaza. Si un agente puede navegar una interfaz, llamar APIs y ejecutar lógica de negocio, el valor de la capa de software entre el usuario y los datos queda fundamentalmente cuestionado. El middleware, las herramientas de workflow y las plataformas de integración enfrentan una presión existencial.

Emergen nuevas superficies de seguridad. Los agentes autónomos con acceso a APIs introducen vectores de ataque para los que los modelos de seguridad tradicionales no fueron diseñados. La identidad, la autorización y las pistas de auditoría necesitan repensarse para actores no humanos que toman decisiones.

La estructura organizativa se adapta. Cuando los agentes manejan la ejecución, el rol humano se desplaza hacia la supervisión, la estrategia y la gestión de excepciones. Esto no va de eliminar empleos — va de redefinir lo que hacen los humanos en el trabajo del conocimiento.

El camino por delante
#

Estamos en las primeras fases. Los agentes actuales son frágiles en casos límite, caros de orquestar a escala y difíciles de depurar cuando fallan. Pero la trayectoria es clara. Las empresas que están construyendo infraestructura de agentes hoy — frameworks de orquestación, ecosistemas de herramientas, pipelines de evaluación — están construyendo las plataformas de la próxima década.

La pregunta para cada líder tecnológico no es si los agentes van a transformar su industria. Es si serán ellos quienes los desplieguen o quienes sean disrumpidos por ellos.

La ventana para el posicionamiento estratégico está abierta. No permanecerá abierta mucho tiempo.

Adios al Prompt Engineering

Tue, 30 Apr 2024 00:00:00 +0000

A medida que vamos entendiendo las posibilidades que nos ofrecen la ola de avances tecnologicos relacionados con la IA, aparecen nuevas formas de relacionarnos con estas tecnologias. Nuestras interacciones con la inteligencia artificial generativa estan transformandose, marcando el fin de la era del “prompt engineering” – una “era” efimera en la que algunos postulaban que dominar el arte del “prompting” seria clave para beneficiarse de esta nueva tecnologia. Yo no me sume a la tendencia que postulaba que los “ingenieros de prompts” iban a protagonizar la adopcion de la IA, y aqui hay algunas razones para anticipar la progresiva desaparicion del efimero “arte del prompt engineering”:

De la interaccion a la colaboracion
#

El modelo tradicional de interactuar con modelos de lenguaje grandes mediante comandos especificos esta evolucionando. El futuro apunta hacia interfaces con agentes autonomos y dirigidos por objetivos. Este cambio promete una mayor alineacion con las intenciones humanas y un significativo aumento en la autonomia de toma de decisiones de la IA.

Colaboracion mejorada
#

Estos agentes de IA avanzados estan disenados para entender y anticipar necesidades, haciendolos socios perfectos en diversos entornos profesionales. Ya sea optimizando procesos de decision o ofreciendo percepciones predictivas, la IA esta avanzando hacia un papel mas proactivo, eliminando la necesidad de ingenieria de comandos detallada y repetitiva.

Aplicaciones en el mundo real
#

Imagina una IA que no solo responda a comandos, sino que tambien inicie acciones que se alineen con objetivos establecidos en campos como el servicio al cliente, la salud y las finanzas. Esta capacidad proactiva podria redefinir la eficiencia y la efectividad en diversas industrias. Progresivamente veremos aparecer agentes autonomos especializados en determinadas tareas en lugar de interactuar con modelos generales de proposito multiple.

AI Agents on Carles Abarca

Tu código está a una sesión de agente de ser clonado — y no hay nada que puedas hacer

De TypeScript a Python en una tarde #

Lo que encontraron dentro #

La barrera de protección que ya no existe #

La conexión con el SaaSpocalypse #

Entonces, ¿qué protege tu negocio? #

Las implicaciones para la empresa #

El giro que nadie esperaba #

Los Agentes de IA ya no asisten a los científicos, hacen ciencia

Los hechos #

No es la primera vez que la IA descubre, pero sí la primera vez que lo hace sola #

Era 1: La IA como microscopio (2018-2023) #

Era 2: La IA como colega (2024-2025) #

Era 3: La IA como investigador autónomo (2026 →) #

La Gran Aceleración: cuando la IA investiga más rápido de lo que los humanos pueden leer #

El fenómeno de la Aceleración Compuesta #

Problemas que resolveremos décadas antes de lo previsto #

Las consecuencias que nadie quiere discutir #

1. El fin de la “investigación por lotes” #

2. La democratización radical del descubrimiento #

3. El “Director de Orquesta” como nuevo rol científico #

4. La crisis de la revisión por pares #

¿Qué significa esto para las universidades? #

Conclusión #

🤖 Profundiza con IA #

El gráfico que predice qué trabajos desaparecerán con la IA (y no son los que piensas)

El estudio: 2 millones de conversaciones con Claude #

Los 10 trabajos más expuestos #

La sorpresa demográfica #

La brecha ES la predicción #

Lo que cambia con los agentes de IA #

Qué hacer (que no es entrar en pánico) #

El cierre #

La Pinza de China en IA: Qwen 3.5 y CoPaw No Son un Aviso — Son el Plato Principal

La Historia de Qwen 3.5: La IA de Frontera Se Vuelve Gratuita #

CoPaw: La Capa de Agentes que le Faltaba a China #

El Terremoto Empezó en Enero de 2025 #

La Estrategia de Alibaba: La Visión de OpenAI al Precio del Open-Source #

Qué Significa Esto para Occidente #

La Paradoja de la Democratización #

Lo Que Estoy Haciendo al Respecto #

La Conclusión #

Mi agente de IA tiene 2 semanas. 72.000 líneas de código. 5 proyectos en producción.

Una aclaración primero #

Mi aprendiz digital #

Los números #

Cómo llegó este artículo aquí #

La verdadera lección #

Qué significa esto #

La conclusión #

La Guía del CIO para Agentes de IA: Antes de Comprar, Haz Estas 5 Preguntas

El Panorama de Agentes de IA en 2026 #

Pregunta 1: ¿Qué Problema Estás Realmente Resolviendo? #

Pregunta 2: ¿Construir, Comprar o Extender? #

EXTENDER: Añadir Capacidades de Agentes a Tus Plataformas Existentes #

COMPRAR: Adquirir una Solución de Agentes Especializada #

CONSTRUIR: Crear Agentes Personalizados Usando Modelos Fundacionales #

La Matriz de Decisión #

Mi Recomendación #

Pregunta 3: ¿Cómo Medirás el Éxito? #

Pregunta 4: ¿Cuál es Tu Estrategia de Human-in-the-Loop? #

Pregunta 5: ¿Cuál es Tu Estrategia de Datos? #

El Framework de Decisión #

Mis Recomendaciones para 2026 #

La Conclusión #

La Banca Nunca Volverá a Ser la Misma: Una Visión Desde Dentro Sobre los Agentes de IA

La Banca Nunca Volverá a Ser la Misma: Una Visión Desde Dentro Sobre los Agentes de IA #

Por Qué la Banca Es Perfecta para los Agentes de IA #

El Mapa de Transformación con Agentes #

Los Verdaderos Desafíos (Desde Adentro) #

Lo Que Haría Diferente Hoy #

Predicciones para 2027-2030 #

La Elección por Delante #

La Agent Economy: de vender software a vender empleados artificiales

De SaaS a SaS #

El mapa de la reconversión #

El patrón #

El SaaSpocalypse: $300.000 millones evaporados en 48 horas

El fin del desarrollador: El futuro del desarrollo de Software con Agentes de IA

De TypeScript a Python en una tarde
#

Lo que encontraron dentro
#

La barrera de protección que ya no existe
#

La conexión con el SaaSpocalypse
#

Entonces, ¿qué protege tu negocio?
#

Las implicaciones para la empresa
#

El giro que nadie esperaba
#

Los hechos
#

No es la primera vez que la IA descubre, pero sí la primera vez que lo hace sola
#

Era 1: La IA como microscopio (2018-2023)
#

Era 2: La IA como colega (2024-2025)
#

Era 3: La IA como investigador autónomo (2026 →)
#

La Gran Aceleración: cuando la IA investiga más rápido de lo que los humanos pueden leer
#

El fenómeno de la Aceleración Compuesta
#

Problemas que resolveremos décadas antes de lo previsto
#

Las consecuencias que nadie quiere discutir
#

1. El fin de la “investigación por lotes”
#

2. La democratización radical del descubrimiento
#

3. El “Director de Orquesta” como nuevo rol científico
#

4. La crisis de la revisión por pares
#

¿Qué significa esto para las universidades?
#

Conclusión
#

🤖 Profundiza con IA
#

El estudio: 2 millones de conversaciones con Claude
#

Los 10 trabajos más expuestos
#

La sorpresa demográfica
#

La brecha ES la predicción
#

Lo que cambia con los agentes de IA
#

Qué hacer (que no es entrar en pánico)
#

El cierre
#

La Historia de Qwen 3.5: La IA de Frontera Se Vuelve Gratuita
#

CoPaw: La Capa de Agentes que le Faltaba a China
#

El Terremoto Empezó en Enero de 2025
#

La Estrategia de Alibaba: La Visión de OpenAI al Precio del Open-Source
#

Qué Significa Esto para Occidente
#

La Paradoja de la Democratización
#

Lo Que Estoy Haciendo al Respecto
#

La Conclusión
#

Una aclaración primero
#

Mi aprendiz digital
#

Los números
#

Cómo llegó este artículo aquí
#

La verdadera lección
#

Qué significa esto
#

La conclusión
#

El Panorama de Agentes de IA en 2026
#

Pregunta 1: ¿Qué Problema Estás Realmente Resolviendo?
#

Pregunta 2: ¿Construir, Comprar o Extender?
#

EXTENDER: Añadir Capacidades de Agentes a Tus Plataformas Existentes
#

COMPRAR: Adquirir una Solución de Agentes Especializada
#

CONSTRUIR: Crear Agentes Personalizados Usando Modelos Fundacionales
#

La Matriz de Decisión
#

Mi Recomendación
#

Pregunta 3: ¿Cómo Medirás el Éxito?
#

Pregunta 4: ¿Cuál es Tu Estrategia de Human-in-the-Loop?
#

Pregunta 5: ¿Cuál es Tu Estrategia de Datos?
#

El Framework de Decisión
#

Mis Recomendaciones para 2026
#

La Conclusión
#

La Banca Nunca Volverá a Ser la Misma: Una Visión Desde Dentro Sobre los Agentes de IA
#

Por Qué la Banca Es Perfecta para los Agentes de IA
#

El Mapa de Transformación con Agentes
#

Los Verdaderos Desafíos (Desde Adentro)
#

Lo Que Haría Diferente Hoy
#

Predicciones para 2027-2030
#

La Elección por Delante
#

De SaaS a SaS
#

El mapa de la reconversión
#

El patrón
#

La revolución silenciosa de los Agentes de IA
#

Del asistente al Agente Autónomo
#

La predicción que ya está sucediendo
#

La Orquestación: El nuevo paradigma
#

El Arquitecto como Director de Orquesta
#

La crisis de experiencia
#

Un Futuro sin Juniors Tradicionales
#

Adaptarse o quedarse atrás
#

¿Estamos preparados para este cambio?
#

De asistentes a actores autónomos
#

Por qué ahora
#