El agente que no necesita instrucciones

Llevamos un tiempo probando agentes de IA en Canvas. Empezamos con plataformas abiertas como OpenClaw y Hermes, y en los últimos meses sumamos los agentes personales que están lanzando las grandes tecnológicas, como Muse, Grok Bot y Dots. Cada uno tiene sus fortalezas y sus límites, pero todos apuntan hacia lo mismo, y lo están haciendo más rápido de lo que esperaba.

Hace unos días, en una de esas pruebas, Dots me escribió temprano en la mañana. Había revisado mi calendario por su cuenta, visto que tenía la reunión de inicio de un proyecto nuevo, encontrado en nuestros archivos la pauta que habíamos preparado y la había leído. Me sugería llegar a esa reunión con dos cosas claras, qué funciones íbamos a validar antes de prometer una demostración y quién iba a entregar cada material en la fecha acordada. La pauta, me decía, todavía tenía varios responsables en blanco y algunos puntos que figuraban como acuerdos cuando en realidad seguían abiertos.

Tenía razón en todo.

Pero lo que me dejó pensando fue otra cosa. Yo no le pedí nada. No tuve que decirle que revisara el calendario, ni en qué carpeta estaba el documento, ni qué herramienta usar para leerlo. Conectó una cita con un proyecto, el proyecto con un documento y el documento con un riesgo. Hizo lo que haría un buen colaborador que lleva tiempo trabajando conmigo.

Y eso que Dots, en mi opinión, no es el mejor de los que hemos probado. Hay otros que lo están haciendo mejor, y todavía falta ver qué trae Anthropic con Claude Duet, el último en sumarse. Si un agente que ni siquiera está en mi primer lugar ya es capaz de algo así, me cuesta imaginar dónde vamos a estar dentro de 6 meses.

Ese mensaje contrasta bastante con la forma en que trabajamos hoy con IA en Canvas, y sospecho que en muchas otras organizaciones.

Tenemos un agente que transcribe las entrevistas y otro que las resume. Una skill para armar propuestas, otra para revisar documentos, otra para cuidar el tono de los textos. Elegimos un modelo más potente cuando hay que capturar matices y uno más liviano cuando basta con seguir instrucciones. Hace un tiempo Gastón, uno de nuestros consultores en The Canvas Group, escribió sobre la fiebre de las skills y la necesidad de curar esa biblioteca con criterio. Estoy de acuerdo con esta idea, aunque hoy la miro con otros ojos.

En este esquema, nosotros hacemos de directores de orquesta. Decidimos qué agente entra, cuándo y con qué instrucciones. Funciona, y nos ha permitido sacar adelante proyectos que sin IA habrían sido un verdadero dolor de cabeza. Pero tengo la sensación de que es una etapa de transición, parecida a cuando teníamos que acordarnos de qué programa abría qué archivo.

‍

¿Qué cambia cuando un solo agente se encarga de todo lo demás?

Mi intuición es que el futuro se parece mucho más a esa mañana que a nuestra biblioteca de skills.

Imagino un agente que te conoce lo suficiente para decidir por su cuenta qué herramienta usar, qué modelo conviene para cada tarea y en qué momento vale la pena interrumpirte. Las skills, los subagentes y los modelos especializados van a seguir existiendo, pero quedarán por debajo, como el equipo que ese agente coordina. Nosotros vamos a dejar de hablar con cada uno de ellos.

En Canvas estamos construyendo nuestra propia agente, Sofía, y lo que buscamos con ella va exactamente en esa dirección. A estas alturas, lo que más me interesa es tener un agente que me conozca bien.

Ahora, si un agente así se encarga de ejecutar, ¿qué hacemos nosotros?

Hace poco le pedí a uno de estos agentes que revisara la documentación de un par de proyectos en curso con la mirada de un auditor exigente. En cualquier proyecto largo hay matices que se van moviendo con el tiempo, y quería ver qué tan fino era capaz de leerlos.

Sus observaciones fueron de dos tipos. Algunas apuntaban a cómo el propio sistema registraba la información, y esas sirven para ajustarlo desde el origen y enseñarle al agente a aprender a aprender. Las otras me parecieron más interesantes. Señalaban temas que seguían en conversación dentro del equipo, decisiones que todavía nadie había tomado formalmente porque aún no era el momento. Esas le correspondían resolverlas al equipo, y tenerlas sobre la mesa a tiempo nos permitió decidirlas con calma.

Ahí entendí algo sobre el trabajo que nos queda. Cuando el agente ejecuta bien, lo que pasa a primer plano es nuestro criterio. Si no tenemos claro qué es un buen resultado, ningún agente lo va a inventar por nosotros. Y la única forma de saber si lo que dice tiene sentido es haber estado ahí, haber escuchado a la persona en la entrevista, conocer el proyecto desde adentro.

Por eso desconfío de la idea de que nuestro rol se reduzca a aprobar lo que el agente entrega. Revisar bien obliga a pensar con mucha más profundidad en cómo queremos que se hagan las cosas, en qué consideramos correcto y por qué. Cada corrección se convierte en una regla, y esas reglas terminan siendo la forma de trabajar de la organización puesta por escrito. Es lo que en La fábula de Fable llamamos el Harness.

Después de un par de años aprendiendo a pedirle cosas a la IA, creo que lo que viene es aprender a explicarle qué entendemos por un buen trabajo.

Este semestre me tocó verlo con los agentes de nuestro propio equipo. Mi apuesta es que el próximo año muchas de las organizaciones con las que trabajamos van a estar en lo mismo.

Así que les dejo la pregunta que me estoy haciendo yo. ¿Tienes claro cómo se ve un buen resultado en tu trabajo?

Conviene ir pensando la respuesta. Algún día, como ese agente aquella mañana, el agente nos la va a hacer sin que nadie se lo pida.

‍