1113 | Agentes por todas partes: la semana de la IA aplicada

||Télécharger

Notes de l'émission

Un repaso rápido a la ola de herramientas con agentes de IA: cómo se construyen y controlan los agentes de código, cómo se publican y hospedan sus creaciones, cómo trabajan como compañeros de equipo, cómo impulsan ventas y marketing, y qué apps locales están llevando la IA a la vida diaria de creadores y profesionales.

Línea de tiempo

  • 00:00:04 Apertura
  • 00:00:48 Agentes de código: memoria, pruebas y control
  • 00:06:17 Publicar lo que la IA construye
  • 00:08:32 Agentes como compañeros de trabajo
  • 00:10:50 IA para marketing, ventas y negocio
  • 00:12:40 IA local y on-device para creadores
  • 00:15:25 Cierre

Enlaces relacionados

Este episodio es producido por Bri. Bri usa tecnología avanzada de IA para convertir los feeds que te importan en podcasts pensados para escuchar. Puedes escribirnos a hi@bri.so.

Transcription

Clara Vega: Hola y bienvenidos a otra edición de nuestro repaso a los lanzamientos de producto más interesantes de las últimas horas. Yo soy Clara Vega.

Mateo Ruiz: Y yo Mateo Ruiz. Hoy hay un hilo que conecta casi todo lo que vamos a ver: la IA ya no es solo una función bonita que le añades a tu app. Está construyendo cosas, decidiendo cosas, y eso obliga a todos los demás a preguntarse dónde vive el trabajo que la IA produce y quién lo controla.

Clara Vega: Exactamente. Vamos a empezar por ahí, por el trabajo de los agentes de código, luego cómo publicar lo que construyen, los agentes como compañeros de trabajo, el lado comercial, y cerramos con la IA local para creadores. Pero sin prisa, tema por tema. Empecemos con algo muy concreto: si los agentes de código se vuelven la mano de obra, ¿cómo los construyes, los pruebas y los controlas?

Mateo Ruiz: Y ahí tenemos tres aproximaciones muy distintas que en realidad se complementan. La primera es CanyonOS, que ataca la parte de construir. Es una plataforma open source, con licencia AGPL-3.0, pensada para aplicaciones Python multiagente.

Clara Vega: Lo interesante de CanyonOS es que cada agente corre en su propio contenedor y escala de forma independiente. Eso significa que si un agente consume más recursos que otro, no arrastra al resto. Y además trae observabilidad y control de costes sin que tengas que escribir código de trazas.

Mateo Ruiz: Ese detalle es importante. Normalmente, si quieres saber qué está haciendo cada agente dentro de tu aplicación, tienes que instrumentar todo a mano, añadir telemetría, registrar cada paso. CanyonOS te lo da de serie. Eso baja mucho la barrera para alguien que quiere montar un sistema con varios agentes trabajando juntos.

Clara Vega: Eso te da la infraestructura para construir. Pero una vez que tienes un agente construido, viene la pregunta incómoda: ¿funciona bien? ¿Y cómo lo sabes antes de soltarlo en producción?

Mateo Ruiz: Ahí entra Plurai con una idea que me parece muy visual: un gemelo digital del mundo del agente. Lo que hace es crear una réplica en sandbox del entorno donde el agente va a trabajar, y ahí ejecuta las evaluaciones.

Clara Vega: Y no es un eval cualquiera. Plurai comprueba cambios de estado reales, es decir, no solo mira si el agente dijo la palabra correcta, sino si de verdad hizo lo que tenía que hacer en ese mundo simulado. Si el agente se equivoca, puedes reproducir el fallo, ver qué pasó paso a paso.

Mateo Ruiz: Y funciona dentro de las herramientas que la gente ya usa, como Claude Code o Codex. No te obliga a migrar a un entorno propio de evaluación. Eso reduce la fricción bastante, porque las evals son esa cosa que todos sabemos que deberíamos hacer y casi nadie hace bien.

Clara Vega: Bueno, y hay una tercera pieza: incluso con evals, los agentes se van a equivocar en producción. Y ahí está three.dev, que se queda mirando el tráfico en vivo de los agentes. Puntúa ese tráfico, detecta automáticamente modos de fallo y los ordena por gravedad.

Mateo Ruiz: Y el paso final es el que más me gusta: cuando encuentra un fallo, no te da solo un informe, sino que entrega la corrección al agente de código mediante MCP. O sea, el bucle se cierra: el sistema de observación encuentra el problema y se lo pasa directamente a quien puede arreglarlo.

Clara Vega: Si juntas las tres piezas, ves la tendencia con claridad. Construir un agente hoy es relativamente fácil. Los frameworks abundan, los modelos están ahí. Lo difícil es medirlos y gobernarlos: saber si funcionan, detectar cuando fallan y decidir quién corrige qué.

Mateo Ruiz: Y la pregunta abierta es qué se impone como estándar. Cada uno de estos tres está resolviendo una parte del ciclo de vida, pero todavía no sabemos cuál de estas aproximaciones —o si alguna— se convierte en la forma habitual de trabajar. Es un mercado muy joven.

Clara Vega: Hay más herramientas en esta misma conversación que conviene mencionar, porque muestran cómo se está intentando resolver el problema del control desde varios ángulos. Harness Memory, por ejemplo, ataca la memoria: memoria a largo plazo para agentes a través de distintos harnesses, como Claude Code, Codex o Hermes.

Mateo Ruiz: Con dos detalles de diseño que dicen mucho: el aislamiento es por usuario, y solo los humanos pueden borrar la memoria. Es decir, un agente no puede limpiar sus propios rastros. Eso es una decisión de gobernanza directamente metida en el producto.

Clara Vega: Y luego está Omnigraph, open source con licencia MIT, una base de datos de grafos sobre almacenamiento de objetos pensada para agentes. Tiene ramas al estilo de Git, una ontología tipada y búsqueda híbrida, todo en formato Lance.

Mateo Ruiz: La idea de ramificar una base de datos como si fuera un repositorio de código es potente para agentes: puedes experimentar con un estado sin tocar el estado real, y volver atrás si algo sale mal. Es control a nivel de datos.

Clara Vega: Y si hablamos de control, Blendra va por otro camino: graba flujos y los convierte en proyectos de Playwright que son tuyos, con especificaciones, page objects y un flujo de trabajo para CI. Lo llamativo es que no genera código con LLM: la salida es determinista.

Mateo Ruiz: Eso es una decisión antídoto: mientras todo el mundo añade IA generativa a todas partes, Blendra quita el modelo del camino para que el resultado sea predecible y repetible. Encaja con esa misma obsesión por la fiabilidad.

Clara Vega: Y para el día a día de quien ya usa agentes de código, hay utilidades muy concretas. Gnista vigila hasta veintiocho agentes de código en el notch del Mac y te avisa al instante cuando un agente pide aprobación de permisos. Funciona por SSH.

Mateo Ruiz: Porque ese es el problema real de quien corre varios agentes en paralelo: se te quedan esperando permisos y tú ni te enteras. Un agente parado esperando aprobación es tiempo perdido.

Clara Vega: Y Oxagen ata cada ejecución de agente a una persona, una tarea, los cambios, los costes y el resultado. Con presupuestos y aprobaciones. Es la capa de contabilidad: quién gastó qué y qué salió de ello.

Mateo Ruiz: Que encaja directamente con lo que decíamos de gobernanza: si los agentes son mano de obra, alguien tiene que responder por su trabajo y su gasto.

Clara Vega: Y una curiosidad de ese mismo mundo: mang.sh convierte lenguaje natural en comandos de terminal, con confirmación obligatoria antes de ejecutar. Está hecho en Rust, es MIT, y puedes usarlo con Ollama en local o con OpenRouter.

Mateo Ruiz: La confirmación obligatoria es el mismo patrón de seguridad que venimos viendo: el humano tiene la última palabra antes de que algo se ejecute. Buen resumen del tema. Pero bueno, construyes agentes, los pruebas, los controlas... ¿y dónde publicas lo que construyen? Ahí hay otro hueco.

Clara Vega: Sí, y es un hueco que dos productos están atacando desde ángulos distintos. El primero es Cloudways Velocity: hosting gestionado de Node.js con servidores siempre calientes.

Mateo Ruiz: "Siempre calientes" significa sin arranques en frío. Si alguna vez has desplegado una función serverless y has esperado ese primer segundo o dos de latencia mientras el contenedor arranca, sabes por qué eso importa. Cloudways Velocity mantiene los servidores listos para responder al instante.

Clara Vega: Además tiene despliegue por Git, que es el flujo que cualquier desarrollador ya conoce, y precio plano. Y ahora mismo tienen una promo con el código BFCM802 que da un ochenta por ciento de descuento.

Mateo Ruiz: El precio plano también es una declaración de intenciones: frente a los modelos de pago por uso donde una app viral te puede quemar la tarjeta, ellos dicen "pagas esto y ya está".

Clara Vega: El otro es Spacefast, de Automattic, que es literalmente hosting agnóstico del agente: da igual qué IA construyó tu sitio o tu app, ahí puedes desplegarla. Trae bases de datos, subidas de archivos, historial de versiones y enlaces privados para compartir antes de publicar.

Mateo Ruiz: Y es gratis para empezar, lo que baja la barrera muchísimo. Es la jugada típica de Automattic: coger una capa de infraestructura y hacerla accesible.

Clara Vega: Lo que tienen en común ambos es que están respondiendo a una pregunta nueva: ¿dónde viven las cosas que la IA construye? Antes el flujo era humano escribe código, lo sube a un hosting. Ahora el código lo escribe un agente, a veces en minutos, y el destino final sigue siendo la misma pregunta.

Mateo Ruiz: Y aquí quiero mencionar algo que cierra el círculo con la conversación anterior. ⌘+L, también llamada Letter, es un editor que te permite tocar el diseño de una web visualmente, como si estuvieras en Figma. Y los cambios que haces se convierten en pull requests.

Clara Vega: Y lo bueno es quién hace la implementación: puedes elegir Claude Code, Codex, o su propio modelo llamado Letterpress-1. Es decir, la edición visual es la interfaz, pero el trabajo real lo hace un agente de código, y llega en forma de pull request, que es el formato que un equipo ya sabe revisar.

Mateo Ruiz: Es un buen puente entre los dos temas: agentes que construyen, y formas de revisar y publicar ese trabajo. Y eso nos lleva de lleno a la pregunta de quiénes son esos agentes cuando salen del contexto del código.

Clara Vega: Porque hay toda una categoría nueva emergiendo: agentes que no construyen software, sino que son compañeros de trabajo. El más llamativo es Grok Bot 1.0: "compañeros de IA" que puedes compartir en Slack o Teams.

Mateo Ruiz: Compartibles es la palabra clave. No es un bot personal tuyo, es algo que circula por el equipo. Y lo que dicen que hacen: se unen a llamadas, toman trabajo por iniciativa propia, o sea, no esperan a que les mandes cosas, y aprenden las preferencias del equipo con el tiempo.

Clara Vega: Hay que decir esto con cuidado: todo eso es lo que el fabricante afirma. Autonomía proactiva en un entorno de trabajo es algo que hay que ver funcionando para creer. Pero la dirección es clara.

Mateo Ruiz: Toki Matter va por un camino parecido pero distinto. Es un asistente que rastrea objetivos continuos, ellos los llaman "Matters", a partir de tu correo, tu calendario y Slack.

Clara Vega: O sea, no es un bot de tareas puntuales, es algo que sigue metas que viven semanas o meses: "cerrar este acuerdo", "lanzar esta función". Vigila las señales de esas fuentes y te va ayudando a avanzar.

Mateo Ruiz: Y el detalle de diseño que lo salva: cada acción requiere tu aprobación. El humano siempre decide cuándo intervenir. Es lo contrario de la autonomía total.

Clara Vega: Y ese es el patrón común de los dos: más autonomía para los agentes, pero con el humano en el lazo. La pregunta que queda en el aire es la confianza real: ¿la gente va a dejar que un agente se una a una reunión o toque su bandeja de entrada? Eso no lo sabemos todavía.

Mateo Ruiz: Y hay ecos en otras categorías. Insight7, por ejemplo, lanza agentes de voz para llamadas salientes y entrantes, que se configuran con una sola frase, te obligan a hacer una llamada de prueba antes de lanzar, y te devuelven un informe único de resultados.

Clara Vega: Esa llamada de prueba obligatoria es exactamente el mismo instinto que Plurai con sus evals: no sueltes el agente al mundo sin comprobarlo antes. Y Didit lleva el patrón a otro terreno: un servidor MCP con ciento quince herramientas de identidad y fraude, KYC, KYB, AML, para usarlo desde Claude, ChatGPT o Cursor. Con diez dólares gratis al mes.

Mateo Ruiz: Que básicamente dice: los agentes van a hacer gestiones sensibles, así que mejor darles herramientas serias de verificación de identidad. Otra vez el mismo hilo de autonomía con control.

Clara Vega: Bueno, y si los agentes toman trabajo, también van a orientarse a ingresos. Vamos al lado comercial.

Mateo Ruiz: Customer.io ha sacado su release de otoño y hay tres cosas. Primero, experimentos sugeridos por agentes: la IA propone qué experimentar en tus campañas. Segundo, experimentos por rama de journey: puedes probar variaciones dentro de un recorrido de cliente concreto.

Clara Vega: Y tercero, un Design Studio con borradores agénticos: la IA te da un primer borrador del diseño y tú lo ajustas. La suma de las tres cosas cambia el rol de la herramienta: antes Customer.io ejecutaba tus campañas, ahora ayuda a diseñarlas y probarlas.

Mateo Ruiz: Y en el otro extremo del funnel está Sendr V4, que es más ambicioso en apariencia: un copiloto de IA que levanta flujos de go-to-market sobre un lienzo, con más de quinientos cincuenta millones de contactos detrás, y canales de email, LinkedIn y WhatsApp.

Clara Vega: Con un detalle muy concreto: dentro de esos canales puedes incluir notas de voz y vídeos personalizados. No es solo email masivo con tokens de merge; es audio y vídeo dirigidos.

Mateo Ruiz: Lo que une a los dos es la misma idea: la IA ya no solo ejecuta campañas, ahora las diseña y las prueba. El marketero pasa de escribir cada secuencia a revisar propuestas.

Clara Vega: Y hay piezas que cierran el círculo del funnel. Neura, por ejemplo, es una vitrina conversacional agéntica para marcas de consumo: recomienda productos, comprueba stock y completa la compra, y recuerda a los compradores entre visitas.

Mateo Ruiz: O sea, la IA no solo te trae el cliente, también puede cerrar la venta dentro de la tienda. Y en el terreno de decisiones rápidas hay una API con el modelo Gemini Decision 1 que acepta hasta mil preguntas por petición y devuelve resultados con nivel de confianza en entre ciento cincuenta y doscientos cincuenta milisegundos.

Clara Vega: Eso es latencia de decisión en tiempo casi real, pensada justo para esos momentos donde un agente tiene que decidir algo al vuelo. Buen puente para el último tema.

Mateo Ruiz: Porque toda esta IA en la nube tiene su contrapunto: cada vez más herramientas hacen el trabajo en tu propio dispositivo. Ahí entramos con WizardNote.

Clara Vega: Es una app de notas de reuniones para iPhone y Android que transcribe con Whisper en el dispositivo, es decir, sin mandar el audio a ningún servidor. Y antes de que la IA procese algo, anonimiza la información personal identificable.

Mateo Ruiz: Ese orden importa: primero anonimiza, después procesa. Y luego exporta a markdown, con destino Obsidian, así que tus notas no quedan presas en la app. Y el modelo de negocio es de los que la gente pide a gritos: la versión Pro es un pago único, sin suscripción.

Clara Vega: En la misma familia está Yogurt, que es open source y gratuita, notas de reuniones por IA cien por cien local, sin bot en la llamada, y funciona en Mac, Windows y Linux.

Mateo Ruiz: El "sin bot en la llamada" es un detalle que mucha gente va a agradecer: no entra nadie raro a tu reunión, la app escucha por su cuenta. Nameshot, en Mac, hace algo similar con las capturas de pantalla: las nombra automáticamente en el dispositivo usando Apple Intelligence, y aprende de tus correcciones. La versión Pro cuesta cuatro dólares con noventa y cinco, pago único también.

Clara Vega: Y si hablamos de pasar cosas a gente sin servidor, hoy for Mac crea canales en la barra de menús, uno por persona, donde puedes soltar archivos y mantener pulsado para hablar, con transcripción. Todo va por iCloud, sin servidor propio, solo Apple.

Mateo Ruiz: Privacidad por diseño otra vez. Y en el terreno de limpieza, Sluice elimina restos de Xcode, Docker, Rust, Go y npm en el Mac, sin tocar builds ni código. Su creador dice que liberó sesenta y un gigas. Ojo, eso es lo que cuenta él, no un resultado verificado, pero da una idea del tamaño del problema de los cachés de desarrollo.

Clara Vega: Y cerrando con creadores, hay dos piezas grandes. Adobe ha lanzado su AI Assistant de forma conversacional en Photoshop, Premiere, Illustrator, InDesign, After Effects, Firefly y Frame.io. Es decir, toda su familia creativa principal.

Mateo Ruiz: Y el detalle interesante es que la IA trabaja con planes que puedes revisar antes de ejecutar. No es "dime un prompt y espera a ver qué sale": te propone un plan, tú lo miras, lo apruebas o lo ajustas. Otro caso más de humano en el lazo, ahora en herramientas creativas profesionales.

Clara Vega: Y YouArt Desktop va más lejos todavía: producción de vídeo dirigida por agentes en tu máquina local. Los agentes operan After Effects, CapCut y Blender mediante computer use, o sea, manejan las interfaces de esas aplicaciones como lo haría una persona.

Mateo Ruiz: Y tú llevas tus propias claves de API. Todo el cómputo pesado pasa en tu equipo, con tus cuentas, tus programas. Es la versión más radical de esa filosofía: ni siquiera el renderizado se va a la nube.

Clara Vega: Bueno, Mateo, si tuviéramos que resumir la tarde en una frase, yo diría esta: la IA está pasando de herramienta a trabajador, y todos estos productos son las diferentes formas de supervisar a ese trabajador.

Mateo Ruiz: Estoy de acuerdo. Ya sea memoria que solo un humano puede borrar, evals con gemelos digitales, aprobaciones obligatorias, pull requests en lugar de cambios directos, o planes revisables en Photoshop, el patrón es el mismo: dar más autonomía, pero dejar al humano con la última palabra.

Clara Vega: Quedan las preguntas abiertas: qué estándar se impone para medir y gobernar agentes, cuánta confianza real habrá en compañeros de IA en el trabajo, y si la IA local gana terreno frente a la nube. Nos lo dirá el tiempo.

Mateo Ruiz: Gracias por acompañarnos, y nos vemos en la próxima edición.

Clara Vega: Hasta la próxima.