1008 | Agentes, privacidad y la nueva ola de IA

Clara Vega: Hola y bienvenidos, soy Clara Vega.

Mateo Ruiz: Y yo Mateo Ruiz. Hoy tenemos un programa cargado, pero hay un hilo que lo une todo: estamos viendo una generación de herramientas que ya no solo responden, sino que ejecutan. Y para eso hacen falta modelos potentes, datos en cantidad y una nueva forma de medir la visibilidad.

Clara Vega: Exacto. Empezamos por los cimientos: los modelos abiertos y la IA privada, porque son el combustible de casi todo lo demás que veremos hoy.

Mateo Ruiz: Vamos allá. La noticia grande es Mistral Large 4. Es un modelo MoE, es decir, una mezcla de expertos, con un billón de parámetros en total, pero solo activa 49 mil millones en cada pasada. Ese es el truco de la arquitectura: tienes la capacidad de un modelo gigante con el coste de cómputo de uno mucho más pequeño.

Clara Vega: Y el contexto es de un millón de tokens. Para que nos hagamos una idea, eso te permite meter documentos enormes, bases de código completas, historiales largos... todo en una sola ventana.

Mateo Ruiz: Y el dato que lo hace importante: según la propia descripción, es el modelo open-weight más potente de Europa y Estados Unidos. Fíjate en el matiz: open-weight, no código abierto al uso. Los pesos se publicarán a finales de octubre.

Clara Vega: Ahí está la letra pequeña, ¿no? Ahora mismo lo que sabemos son cifras del fabricante. Todavía no sabemos cómo rinde en la práctica una vez que los pesos estén fuera y la comunidad pueda ponerlo a prueba de verdad.

Mateo Ruiz: Totalmente. Es una promesa con fecha. Y en paralelo a ese gran modelo abierto, hay todo un ecosistema construyéndose alrededor. Un ejemplo es Vresk, que es un workspace pensado específicamente para modelos abiertos.

Clara Vega: ¿Y cómo funciona? La idea es que tú trabajas en un espacio de trabajo y el sistema elige automáticamente qué modelo usar para cada tarea. No tienes que ser tú el experto en qué modelo conviene para resumir, para programar o para escribir.

Mateo Ruiz: Dos detalles que me parecen clave para quien esté comparando opciones. Primero, dicen que tus chats no se usan para entrenar modelos, que es la preocupación número uno de mucha gente. Y segundo, el precio: 20 dólares al mes.

Clara Vega: Y luego está la pieza de la soberanía, que es Rool. Aquí el enfoque es distinto: es una máquina de IA privada situada en la Unión Europea, concretamente en Finlandia. Modelos propios, y con la garantía expresa de que no usan tus datos para entrenar.

Mateo Ruiz: Para empresas europeas con datos sensibles, ese argumento de "está dentro de la UE, es mío y no alimenta a nadie" puede pesar más que un benchmark. Y tiene un tier gratuito, así que se puede probar sin compromiso.

Clara Vega: Bueno, pues con estos modelos y esta infraestructura como base, pasemos a lo que de verdad cambia la vida diaria: agentes que ejecutan tareas por ti. Y aquí el tono de la industria ha cambiado.

Mateo Ruiz: Sí, porque ya no hablamos de asistentes que te contestan preguntas. Empecemos por el ejemplo más ambicioso conceptualmente: Wabi. Se presenta como el "sistema operativo para la era agéntica".

Clara Vega: ¿Y qué significa eso en la práctica? Wabi es un mensajero, pero con una idea detrás: los grupos organizan viajes y gestionan cuentas compartidas, y es el agente quien hace el trabajo. Tú no abres cinco apps para organizar un viaje con amigos; el agente se encarga dentro de la conversación.

Mateo Ruiz: Es una redefinición de lo que es un mensajero. Deja de ser solo un canal donde escribes y pasa a ser un lugar donde las cosas se hacen. Ahora, eso es la propuesta del maker, habrá que ver en la práctica hasta dónde llega esa autonomía.

Clara Vega: Claro, tratemos estas descripciones como lo que son: afirmaciones. Pero la dirección es inconfundible, y hay otros ejemplos que la confirman desde ángulos muy distintos. Uno de los más concretos es Ana, de Vertice.

Mateo Ruiz: Ana es un agente de negociación para compras de software. Y aquí sí hay números que dan contexto de por dónde ha aprendido: está entrenada con 75.000 millones de dólares de gasto, 32.000 vendedores y más de dos millones de puntos de precio.

Clara Vega: El resultado que reclaman: un 18% de ahorro medio en las negociaciones. Es el caso de uso empresarial más clásico: tú como empresa compras licencias de software, y alguien negocia por ti con datos que ningún humano podría mantener al día.

Mateo Ruiz: Y nota importante: los correos solo salen tras aprobación humana. Es decir, el agente trabaja, pero las comunicaciones externas las autoriza una persona.

Clara Vega: Y ese patrón lo vamos a ver repetirse. Otro caso: Manus 2.0, su editor de vídeo. El agente crea vídeos completos: hace la investigación, elige los planos, pone música, genera gráficos con código...

Mateo Ruiz: Pero fíjate en el detalle final del producto: el editor devuelve el corte final al usuario. O sea, la IA hace el montaje completo, pero la última palabra, el corte definitivo, vuelve a manos de la persona.

Clara Vega: Eso es exactamente el patrón. Y si queremos el ejemplo donde la supervisión humana es todavía más crítica, está Rhem: un robot de mesa pensado para personas mayores.

Mateo Ruiz: Rhem monitoriza constantes vitales, observa patrones de conversación y da recordatorios. Y encima tiene agentes de IA que reservan citas y hacen llamadas.

Clara Vega: Aquí la combinación de salud, personas mayores y agentes que actúan en el mundo real... la supervisión deja de ser un detalle de diseño y se vuelve requisito ético absoluto.

Mateo Ruiz: Y para completar el cuadro, hay agentes más nicho pero igual de reveladores. ParakeetAI 2.0, por ejemplo, para entrevistas de trabajo: tiene una question bank construida con entrevistas reales, hace mock interviews con IA y, lo más llamativo, te da respuestas en vivo durante la entrevista real.

Clara Vega: En el terreno profesional también: el Supademo AI Demo Agent, donde el comprador interactúa 24/7 con un agente que sabe presentar la demo, a 0,99 dólares por sesión de 15 minutos. Y DevAlly Agent, que graba user journeys en lenguaje natural y comprueba cada paso contra WCAG, proponiendo correcciones de accesibilidad.

Mateo Ruiz: Así que la tendencia es clara: de asistentes que responden a agentes que actúan. Y cuando actúan en contextos serios, siempre con un humano aprobando. Ahora bien, estos agentes también están entrando en el día a día de desarrolladores y diseñadores. Ese es nuestro siguiente bloque.

Clara Vega: Sí, y aquí el tema dominante son las herramientas nativas, las que están construidas directamente para una plataforma en lugar de ser un envoltorio web. Empecemos por el diseño: Figma Agent.

Mateo Ruiz: Lo interesante de Figma Agent es que trabaja directamente con componentes y archivos reales sobre el canvas. No es un chat que te sugiere cosas: hace ediciones en lote sobre tu archivo real. Y tiene un sistema de "Skills" que invocas con la barra "/".

Clara Vega: Es decir, el agente está dentro del flujo de trabajo, manipulando los mismos objetos que usarías tú. No sales de Figma para volver a entrar. Pasemos al mundo Apple, donde hay toda una camada. Redlamp, por ejemplo.

Mateo Ruiz: Redlamp es un editor RAW nativo para Apple Silicon, escrito en Swift con Metal para el rendering. El flujo es tipo Lightroom, y aquí vienen los dos ganchos: es gratuito y la licencia es MPL-2.0, o sea open source.

Clara Vega: Un editor RAW de fotos nativo, gratuito y open source, frente al modelo de suscripción de Lightroom. Para fotógrafos con un Mac, es una alternativa muy directa.

Mateo Ruiz: Y en la línea de desarrollo hay una joya: Thalia. Es una app gratuita, nativa en SwiftUI, para Mac, que da interfaz gráfica al Muse Code CLI de Meta.

Clara Vega: Y lo que la hace especial no es solo que sea bonita: es el enfoque de seguridad. Plan mode forzado, es decir, el agente tiene que planificar antes de actuar. Aprobación de comandos antes de ejecutarlos, revisión de snapshots, checkpoints para volver atrás. Y cero telemetría.

Mateo Ruiz: Es básicamente la respuesta a "quiero usar un agente de código pero sin entregarle las llaves de mi máquina". Y el mismo espíritu local y sin rastro lo encontramos en Cinch.

Clara Vega: Cinch convierte los Recordatorios de Apple en un cliente nativo multiplataforma: iOS, macOS, watchOS y hasta visionOS. Sin telemetría, solo iCloud como almacenamiento. Y el detalle que a nuestra audiencia le va a encantar: incluye una CLI para que agentes LLM puedan interactuar con tus recordatorios.

Mateo Ruiz: O sea, tus listas de tareas pasan a ser algo que un agente puede leer y escribir de forma programática. Y cerrando este grupo, Kitbar, que es para los que viven pendientes de sus servicios: una barra de estado nativa para Mac y Windows que monitoriza Vercel, Cloudflare, GitHub, GitLab, Stripe, Polar, Claude Code y Codex.

Clara Vega: Sin necesidad de cuenta, y con pago único en vez de suscripción. Fíjate que en este grupo casi todo repite las mismas palabras: nativo, local, sin telemetría, sin suscripción o con flujo que respetas. Es casi un manifiesto en contra del modelo de app web con datos en la nube.

Mateo Ruiz: Y de la nube al mundo físico, porque hay un salto que queremos dar: robótica y datos de entrenamiento. Porque los agentes que hemos visto viven en software, pero los robots necesitan algo mucho más escaso.

Clara Vega: Exacto. Y aquí está Pegasus 1.6, que ataca justo ese cuello de botella. Convierte vídeo egocéntrico, grabado desde los ojos de la persona o desde teleoperación, en datos de entrenamiento para robots, etiquetados y con marcas de tiempo, sin etiquetado manual.

Mateo Ruiz: Piensa en lo que eso significa. Para entrenar un robot que sepa cocinar o limpiar, clásicamente necesitas miles de horas de demostraciones etiquetadas a mano, que carísimo. Si el vídeo que ya existe se convierte automáticamente en datos con timestamps y labels, es un atajo enorme.

Clara Vega: Y el punto que quiero subrayar: el cuello de botella de la robótica son los datos, no los motores. Los motores y el hardware han avanzado muchísimo; lo que falta es comida de calidad para entrenar.

Mateo Ruiz: Pero, como con Mistral, hay que ser honestos con la pregunta abierta: ¿qué calidad tienen estos datos frente al etiquetado humano? Que sea automático no significa que sea igual de bueno. Eso queda por ver.

Clara Vega: Y aquí entra la otra mitad de este bloque: Databench. Es un workspace multiplayer open source, con licencia Apache 2.0, con notebooks reactivos donde agentes y humanos colaboran en el mismo espacio.

Mateo Ruiz: Y la palabra clave es trazable: los resultados son trazables. Puedes reconstruir cómo se llegó a un resultado, qué hizo el agente, qué hizo el humano.

Clara Vega: Que es justo lo que necesitas si vas a validar datos como los que genera Pegasus. Un equipo revisando datasets de entrenamiento necesita saber de dónde salió cada decisión, y un notebook reactivo compartido con agentes es una forma natural de hacerlo.

Mateo Ruiz: Así que tenemos el atajo de datos y el entorno para auditarlo. La combinación tiene sentido. Y bueno, Mateo, esto nos lleva a una pregunta incómoda: si los agentes hacen el trabajo y los modelos deciden qué recomendar... ¿cómo se compite? ¿Cómo te encuentra la gente cuando la puerta de entrada es una IA?

Clara Vega: Esa es exactamente la última parada: la visibilidad en la era de la IA. Porque el SEO de toda la vida está mutando en algo nuevo que ya se llama "AI visibility".

Mateo Ruiz: Y hay herramientas construyéndose alrededor. La primera es Proofsource, que hace una cosa muy concreta: mide a diario las menciones de tu marca en cuatro motores de IA.

Clara Vega: O sea, pregunta a los motores, detecta si te mencionan, cómo te mencionan. Y si hay algo mal, permite publicar y auditar correcciones usando agentes. No solo detectas el problema, sino que lo arreglas y dejas rastro auditable.

Mateo Ruiz: Que es importante, porque una corrección de marca en un motor de IA es una afirmación seria, y tener auditoría le da un mínimo de rendición de cuentas.

Clara Vega: El segundo dato me encanta por lo revelador: Plugins Radar rastrea el directorio de plugins de ChatGPT, que ya supera los 5.000, y ha hecho 192 búsquedas de análisis.

Mateo Ruiz: Y aquí viene el dato curioso: en 3 de cada 4 resultados top, el término de búsqueda aparece en el nombre o en la tagline del plugin. O sea, incluso dentro de un directorio de IA, el naming es visibilidad. Si te llamas de forma genérica, no te encuentran.

Clara Vega: Y además tiene alertas cuando aparecen rivales, para que sepas que un competidor está emergiendo en tu categoría.

Mateo Ruiz: Del lado de la demanda está GenPage 3.0, que va un paso más allá: genera landing pages con IA para cada anuncio, para cada palabra clave, para cada cuenta. Y las prueba automáticamente de la A a la Z.

Clara Vega: Es la lógica de "cada búsqueda merece su página" llevada al extremo, con testeo automático para saber qué funciona. Y el cuarto, Ownfeed, ataca el descubrimiento social: pegas la URL de tu producto y el feed te muestra solo posts de gente que necesita tu producto.

Mateo Ruiz: Con un test de 1 dólar por un día, y un detalle que dice mucho del momento: sin auto-respuestas. Hasta en el marketing con IA hay quien decide que las respuestas automáticas no las quiere.

Clara Vega: Pues cerremos con las preguntas abiertas, porque hoy hemos sido muy entusiastas pero hay que ser justos. En Mistral Large 4, lo grande está por confirmar: el rendimiento real cuando salgan los pesos a finales de octubre.

Mateo Ruiz: En Pegasus, si el etiquetado automático alcanza la calidad del humano. En los agentes como Wabi o Ana, hasta dónde llega la autonomía real más allá de la demo. Y en la visibilidad en IA, cuánto durará una corrección publicada en un motor que se actualiza constantemente.

Clara Vega: Pero la tesis del día la mantenemos: la alternativa abierta y soberana ya compite de tú a tú, los agentes ya actúan con supervisión humana, y las herramientas nativas están recuperando territorio frente a la nube.

Mateo Ruiz: Pues eso es todo por hoy. Gracias por acompañarnos, soy Mateo Ruiz.

Clara Vega: Y yo Clara Vega. Nos vemos en la próxima.