Se ha demostrado que la tecnología de agentes IA tiene varios cuellos de botella.

El que más ha sorprendido ha sido el técnico. La falacia de dar al botón y ya. Usar esta tecnología en una tarea empresarial y esperar un resultado rápido, limpio y sin esfuerzo similar a cuando preguntamos a Chatgpt, simplemente, no va. A este impedimento hay que sumar otros dos que se esperaban, la fricción con el humano y el impacto en el trabajo, que han mostrado patrones muy interesantes.

Empresas como Klarna (gestión de pagos) y Verizon (telecomunicaciones) han tenido que rediseñar el uso de agentes inteligentes en sus centros de atención al cliente, fundamentalmente porque preferimos hablar con una persona para resolver una incidencia. En el tema del trabajo señalo abajo algunas señales de rediseño de ciertos puestos.

Por segundo año consecutivo puede decirse que la IA se está zampando todo lo demás. Estas son algunas de las tendencias tecnológicas para 2026:

1. De la escasez de atención a la escasez de entendimiento.
2. Recualificación y mejora de competencias en la «jagged frontier».
3. Decidir entre proyectos ML y proyectos de IA generativa.
4. Cambios notables en la infraestructura fundacional.
5. «Fast-forward» hacia las siguientes fronteras.

De la escasez de atención a la escasez de entendimiento

En este siglo hemos asistido a cambios en nuestra capacidad cognitiva. Las redes sociales hicieron que la década de 2010 fuera llamada la de la escasez de atención. En 2025 muchos de nosotros hemos descubierto que la abundancia de respuestas rápidas de herramientas como Chatgpt ha dado paso a una era de escasez de comprensión; la ilusión de saber algo no viene acompañada de entender lo que se está diciendo.

No es solo cosa de profesores que ven que los alumnos no saben explicar sus propios argumentos. La falta de crecimiento intelectual a pesar de la fluidez en la respuesta, se da en todas las esferas. Es la  divulgación de conocimiento creado por IA en un entorno laboral, conocido como “work slop” (“trabajo enmierdado”).  Cuando una respuesta rápida hace de cada uno un “experto”, una especie de doble de nosotros.

Es la ilusión de saber, pero sin la experiencia de los pasos intermedios que llevan a la comprensión, como el tiempo de asentar una idea, la valoración y frustración de los pensamientos que no logramos verbalizar. Este artículo nos recuerda el papel que tiene en el humano la memoria y el proceso en una tarea en la comprensión de la misma.

Recualificación y mejora de competencias en la “jagged frontier”

El estado actual de la tecnología IA generativa (no confundir con IA relativa a ML –“machine learning”-, computer visión y otras) tiene sistemas que demuestran capacidades sobrehumanas en tareas muy complejas, por ejemplo, detectar un tumor en un escáner no visible al ojo humano, mientras que fallan en tareas simples como agendar un calendario. A esta capacidad técnica irregular la han llamado “jagged frontier”.

En 2026 será importante comprender la metáfora de la frontera impredecible porque allá donde la IA no llega o completa la tarea se definirán nuevos puestos de trabajo.

Algunos ejemplos los tendremos entre aquellos que encabezaban la lista de desplazados por la IA.  Habrá nuevos perfiles como el FDD (“Forward Deployed Engineer”). Un nuevo tipo de consultor tecnológico con habilidades de ingeniero de venta y consultor de negocio. O el ingeniero software renacentista, un desarrollador reconvertido en ingeniero de sistemas que ahora pasará más tiempo dando contexto y revisando el código de la máquina que programando.

Tanto OpenAI como otras empresas que proveen de IA han dado detalles de las funciones del FDD. El último CTO de AWS, Werner Vogels (en la foto), hace una descripción del perfil del nuevo programador que merece la pena ver.

Decidir entre proyectos ML y proyectos de IA generativa

Esta gráfica de Evidently.ai es un punto de partida para que los directivos tomen consciencia de las tareas en las que una y otra tecnología de IA dan resultados satisfactorios.

Se trata de un patrón extraído de más de 800 casos de uso, después de excluir aquellos que tenían un foco más promocional que implementación real. El espacio temporal considerado por Evidently es desde 2017 a 2025 (desde 2023 en el caso de la IA generativa).

Han usado una taxonomía bastante precisa distinguiendo veintitrés tareas. En cada una han visto qué tecnología de IA se ha usado. Aquí viene la información interesante. Vemos que la tarea de proyección de demanda (“demand forecasting”) es un proyecto eminentemente ML. Esto tiene un porqué. La IA generativa se hace un lío cuando debe entender datos que están formateados de distinta manera como sucede en las empresas. Por supuesto, tu empresa no desea experimentar anécdotas en la creación de cuadros de mando como los que cuenta la firma Prosus, un grupo de inversión holandés. La previsión de demanda es un caso de tarea no tan compleja que a la IA generativa se le atraganta. Como dice el jefe de IA de Prosus: “hay mucho conocimiento que necesitas introducir en estas herramientas para que funcionen bien”.

Cambios notables en la infraestructura fundacional

Que un programador se convierta en arquitecto y estudie fuentes de energía es el nuevo paradigma de infraestructura tecnológica de la década. Lo ejemplifica Larry Ellison, el viejo patrón de la gigantesca Oracle.

Es importante entender qué significa el cambio de infraestructura tecnológica. Nos ayuda la propia OpenAi a través de su CEO Bret Taylor. Dice que estamos en el punto en el que se encontraba Internet en 1997. Todo es complejo, trabajar con agentes de IA no es fácil, como tampoco lo era entonces crear servicios web en el Internet de 1997 (puedo corroborar esto último pues lo viví).

Estos cambios de arquitectura e infraestructura sólo se dan cada una o dos décadas. Las gigantescas inversiones tecnológicas en chips, centros de datos como el de la foto y fuentes de energía responden a ese momento singular de la historia de avances tecnológicos.

 “Fast-forward” hacia las siguientes fronteras

En 2026 se hablará también de la IA espacial, de robótica…  Cosas con las que ampliar la frontera de capacidades que harán que la IA generativa sea menos impredecible. Pero ese es un melón que no me siento cualificada para abrir.

Feliz 2026.

La entrada Tendencias tecnológicas en 2026: Regreso al futuro, año 4 se publicó primero en El hilo de innovación.

Qué es el «vibe coding»

Lo de hacer que la IA programe ha saltado la frontera técnica de los puestos de trabajo de los ingenieros software a la gente de a pie. La ilusión es sencilla y engancha: habla con la IA como si hablaras con tu abuela y ella te creará la aplicación. En buena onda o vibra (“vibe” en inglés). Siente la música y tienes el “vibe coding”.

El vibe coding es como programar sin saber de programación. Es como componer sin saber música. Es cierto que hay artistas que llegan a ser famosos usando sólo el oído. Pero programar una máquina es tratar con la complejidad.

Lo más importante que te enseñan en programación es que para que los programas funcionen hay que especificar sin ambigüedades. Esa es la parte más tediosa de aprender para cualquier persona porque en nuestro día a día nuestro lenguaje es muy impreciso. Por eso, un programador aprende un código concreto con el que se comunica con la máquina. Diferente a cómo habla con su familia o amigos. Un ingeniero habla en documentos de especificaciones con la máquina. En caso contrario, tu CRM, por ejemplo, daría resultados dispares al consultar un mismo estado de tu base de datos. Si tienes interés por conocer qué hace un código bueno o malo te recomiendo este video.

El vibe coding  integra un prototipo que funciona en tu móvil, pero para que sea real, puedas añadir APIs que se comuniquen con otras aplicaciones, login a usuarios, o incluso facturar, si tu aplicación es comercial, resulta que tienes que leer documentación (je, je, como un ingeniero software) o transformarla en algo en lenguaje accesible para un agente de IA.  Markdown es uno de esos formatos que a la IA le van muy bien.

Como ves, usar el lenguaje del vulgo crea la ilusión, pero hoy por hoy, las limitaciones del vibe coding, hacen que veamos el truco del mago.

Lo primero que se desprende de todo esto es que aprender a programar NO es conocimiento baldío en la era de la IA generativa. Un dato menos obvio es que el vibe coding beneficia sobre todo a un/a ingeniero/a experimentado/a. La razón es que sabe qué pedir exactamente para que el programa haga su magia. Segundo: la fricción en la producción de un programa software surge al intentar transformar ese prototipo funcional en una aplicación real y robusta. Ahí entran la Integración, arquitectura, seguridad, fiabilidad (la gestión de los errores de programación), aspectos que pueden sonarte a chino pero forma parte de lo que se aprende en programación.

Un sencillo cálculo

Te dejo algo en que pensar. Este experto ha hecho algunas estimaciones en una servilleta para entender groso modo el coste oculto de la fricción en la producción del vibe coding. Ha usado el patrón de uso de las principales plataformas de código con IA, Base44, Lovable y Cursor: el usuario medio la emplea durante 12 semanas. Es decir, una startup puede crear un producto mínimo viable en un tiempo muy corto. Luego estima en 200.000 – 300.000 dólares el coste de hacer que la cosa funcione, contratando ingenieros software experimentados. Finalmente hace su hipótesis: el 80% de las startups que se lanzan creadas con vibe coding van a necesitar reingeniería. Haz las cuentas. Ese es el mercado real que la programación con IA o vibe coding ha creado.

La entrada ¡Enseñad a la IA a programar! se publicó primero en El hilo de innovación.

Guido Van Rossum. Fotograma del documental.

Comparada con las historias estadounidenses de los grandes ases de empresas tecnológicas, la de Python y Guido Van Rossum sorprende por el carácter no exhibicionista típico de Silicon Valley. Guido y sus colegas son felices programando, creando atajos para facilitar el trabajo a otros programadores, ofreciéndose de tutores. Su satisfacción es humilde: poder leer el código que escribieron un año antes y entenderlo.

La magia del documental (extraordinariamente creado) es presentar todas las cosas que podrían haber dado al traste en una comunidad autogestionada a lo largo y ancho de estas tres décadas. Piénsalo: un programador desconocido desde la vieja Europa; en un mundo sin Internet (se inventa algunos años después); consigue distribuir su software en 1992; llama la atención de tecnólogos-frikis en Austria, EEUU y Canadá; en apenas diez años startups como Dropbox primero e Instagram después se escriben enteramente en Python; unos pocos años después la ola de la tecnología machine learning dispara el uso de las librerías de software creadas en Python; y sigue.

Incluso se marca la fecha en la que esa inmensa comunidad de software libre tuvo su primera mujer desarrolladora fuente. Es una fecha realmente cercana a nuestros días. Incluso a mí me sorprendió.

“Python, the documental”, es la versión real de otras ficciones frikis. La recomiendo especialmente para los que no han programado nunca, pero han oído hablar de código abierto sin saber muy bien qué es.

La entrada La historia de Python se publicó primero en El hilo de innovación.

El clímax de la película tiene lugar cuando tanto el profesor como Rita descubren que las ideas que tienen, uno desde el lado del instructor y la otra desde el lado de la estudiante, sobre qué es el conocimiento y qué aporta a la vida de una persona, se tambalean.

Tengo la suerte de colaborar con una institución, la IE Business School, que promueve de forma activa la reflexión de las nuevas formas de educación y los cambios de paradigma introducidos por tecnologías como la IA con sus profesores asociados. Así que no tenemos que sentarnos a que nuestra Rita entre por la puerta de la clase.

Una de las últimas iniciativas ha sido un certificado en co-enseñanza con la IA. En tres talleres de trabajo de media mañana profesores y profesoras hemos trasteado, probado, puesto en común y reflexionado individualmente sobre la adaptación del aprendizaje y la educación en las tres fases de una educación superior: el diseño de un programa o curso, la enseñanza al alumno/a en clase y la evaluación de lo aprendido.

Las que cursé yo las hice el 3 de febrero, 19 de febrero y 31 de marzo. Después de cada sesión se nos pidió una reflexión personal. O sea, algo parecido a lo que hacen Michael Caine y Rita.

He reunido a continuación los tres textos cortos que escribí (y envié al profesor responsable de la sesión en cada caso). Reconozco que no tengo el glamur de Caine, pero hay preguntas tan difíciles como las que él se hacía en la película.

—

Usar la IA para crear un curso desde cero. No reducirá necesariamente el tiempo que empleo en su diseño. Cambia las actividades que hago durante el mismo. Por ejemplo, cuando creo un temario para un nuevo curso empiezo con un borrador en el que uso lo que se de partida sobre ese tema. Después exploro información, me documento para añadir / refinar hasta que consigo una versión final con la que estoy conforme. En el caso de usar la IA primero para el borrador, he observado que necesito añadir una fase de comprobación, que es diferente a la fase de exploración. Esta nueva fase es singular para mí pues consiste en que básicamente me auto-evalúo a mí misma si entiendo, y estoy de acuerdo, con la información que la IA me ha suministrado. No siempre conozco o entiendo lo que la IA me dice. Normalmente son respuestas incorrectas o inventadas para las que necesito un tiempo de verificación.

Una pregunta que me surge: ¿Necesitamos informar a los estudiantes que el temario se creó usando un borrador proporcionado con la IA? ¿Sólo si el borrador y la versión final son el mismo documento? ¿O cuándo el porcentaje de reutilización es del 80%?

Usar la IA para enseñar en clase. Este es un tema al que le he dado muchas vueltas. Mis dos preocupaciones principales son el síndrome del profesor impostor y el síndrome del estudiante impostor.

El año pasado tomé la decisión de no usar ensayos como trabajos para evaluar. Fue mi primera medida personal para luchar contra el primero de los síndromes. Ya que en los ensayos que entregaban los estudiantes yo, como profesora, no estaba leyendo / evaluando el trabajo original de los alumnos sino uno creado por la IA decidí renovar mis votos para la enseñanza a estudiantes, no para enseñar al algoritmo de la IA.

En este tiempo también he tenido constancia de un nuevo síndrome. Lo sufren cada vez más alumnos/as; me refiero a la pérdida de motivación para ser curiosos y hacer preguntas. Muchos no encuentran el placer y diversión de aprender algo. Igual que antaño algunos estudiantes de instituto nunca sintieron la satisfacción que da entender algo porque eran de los que siempre copiaban.

¿Está la IA matando el placer de estudiar? ¿Y de enseñar? Las herramientas cambian, pero disfrutar como estudiante y como profesor siempre serán temas que estarán ahí.

Usar la IA para evaluar y puntuar a alumnos. Uno de los problemas que compartimos todos los que evaluamos y ponemos notas es cómo calibrar ambos aspectos. Es decir, la profundidad de los comentarios para evaluar un conocimiento y la curva de las calificaciones para grupos y clases diferentes en la misma materia o curso. He realizado experimentos con Chatgpt y con frecuencia los resultados me hacen pensar que la IA no está entendiendo los objetivos de aprendizaje (que previamente alimento) que como profesora evalúo.

Mi preocupación principal en este tema es que los/las alumnos/as se sientan desmotivados por evaluaciones de conocimiento realizadas por una máquina. El toque humano de la enseñanza entre profesor y alumno se perdería. Una segunda cuestión es si estos mismos alumnos pueden dejar de venir a clase porque consideren que no es relevante ya que el algoritmo les puede evaluar fuera. No estoy segura de que muchos de ellos entiendan la importancia de la calibración por un profesor humano que comentaba antes.

—

Algunas cuestiones de reutilización de textos no son nuevas. Por ejemplo, un periodista que crea un artículo no de fuentes primarias sino de otros textos está obligado a ponerlo. En el caso de las fotos creadas con IA se habla de usar una marca. Pero ¿y en los textos, correos y comunicaciones en nuestro trabajo? Poco se habla.

Por el momento, lo que me guía es luchar contra el síndrome del impostor. El del profesor y el del alumno. Exactamente como Rita.

La entrada Educando a Rita, inseguridades de un profesor ante la IA se publicó primero en El hilo de innovación.

… pronto empezaron a sucederse las superaciones, como si cada aviador y cada inventor estuviese empeñado en la más fantástica carrera que se haya librado nunca por un aspecto determinado del progreso.

HORACIO ESTOL. La aventura del aire

Como persona con interés en la tecnología he vivido varios nacimientos de industrias globales que abrieron un mundo infinito de aplicaciones. Nos comunicamos con gente desconocida. Pusimos en la mano de la gente un sinfín de productos y servicios. Construimos servicios con nuestras propias especificaciones en fábricas virtuales. Fueron la invención de Internet, la invención del móvil y la invención de la nube. Cada vez pinta más que estamos ante un nuevo nacimiento. Un nuevo invento fundacional. Los agentes inteligentes.

La nueva economía de los agentes inteligentes

Los primeros proyectos con el modelo característico de un algoritmo autónomo que aprende, lo que todos conocemos ya como modelos LLM, son para los agentes inteligentes lo que los aeroplanos, biplanos, aeroplanos con motor y  globos dirigibles fueron en Francia y en EEUU para el hombre que ambicionaba volar. La señal de que una nueva industria con impacto extraordinario estaba naciendo.

A través del blog de Iván Landabaso he llegado a esta definición de agentes inteligentes de Matt Schlicht, experto en agentes conversacionales: “Los agentes autónomos son programas, basados en IA, a los que se les da un objetivo y entonces son capaces de crear tareas por ellos mismos, completarlas, crear nuevas, repriorizar su lista y completar las más importantes hasta que finalizan el trabajo que se les dio”. 

A nivel técnico no todo está resuelto en los prototipos de agentes que hay hoy. Son conocidos los problemas de gobernanza, seguridad y orquestación de la IA (la orquestación es un problema cuando hay diversos sistemas software que también está presente, con solución, en la nube).

Pero eso no impide que la respuesta a “pero ¿son inteligentes?” sea “sí, claro”. Y esto se traduce en que no sólo se han fabricado agentes inteligentes, sino que se están usando y se van a usar más.

Lo que podemos esperar para 2025:

• Más vuelos de agentes inteligentes para atención al cliente y gestión logística.  

• Más uso de agentes inteligentes para un solo usuario.

• Debates en torno al modelo de desarrollar software.

• Los primeros prototipos de agentes inteligentes para servicios.

• ¿Quitará la IA la alegría de hacer cosas satisfactorias?

1. Más vuelos de agentes inteligentes para atención al cliente y gestión logística

La atención al cliente y la gestión logística son dos áreas en las que muchas empresas pueden obtener ventajas porque la memoria de la IA funciona para integrar sistemas con el back-office de forma inteligente. Por ejemplo, ligando respuestas a los servicios contratados por un cliente o a sus interacciones anteriores. Un ejemplo de firma que fabrica este tipo de agentes es Rauda AI.

2. Más uso de agentes inteligentes para un solo usuario.

Aunque soy de las usa la IA de forma instrumental para preguntar son muchos los que conversan todo el día con ella estableciendo una relación humano-asistente personal muy estrecha. Entonces la IA se convierte en un/a consigliere para líderes. Un/a consejero/a de confianza, un/a estratega que entiende el carácter y los intereses de su “jefe/a” (sin la parte criminal de la Mafia, claro).

En mi círculo he visto que esta aplicación se está extendiendo de forma silenciosa.

3. Debates en torno al modelo de desarrollar software.

Hasta ahora el modelo de crear software tenía unas características de producción y de negocio concretas:

• En la parte de producto, el software tradicional es determinista, para una misma entrada el programa de ordenador dará siempre la misma respuesta a través de los pasos intermedios del programa y ésta no cambia con el número de veces que ejecutes el programa. Por supuesto están los “bugs” de programación, pero eso es otro tema.
• En la parte de negocio, el coste de crear programas con software no es un problema y resulta asumible la mayoría de las veces.

Con los agentes inteligentes estas características del modelo de crear software cambian: los agentes son programas adaptativos que cambian su respuesta con el uso, y además su coste de producción sube.

Además la IA introduce cambios rápidos en la ocupación de los desarrolladores de software: siguiendo con la analogía del invento de la aviación, los desarrolladores de software son mecánicos de bicis que deben aprender a ser mecánicos de «aviones».

4. Los primeros prototipos de agentes inteligentes para servicios.

Un ejemplo de agentes para servicios es la ejecución de decisiones financieras en nombre de una persona. Esto podría dar mucho que hablar porque el sistema con el que funcionan las transacciones está sustentado por muchas patas e industrias altamente reguladas.

Pero veremos.

5. ¿Quitará la IA la alegría de hacer ciertas tareas?

Por cierto, la imagen que acompaña esta publicación tiene que ver con otra tendencia. Falta de motivación para hacer algo que nos causa alegría cuando existe un programa que puede hacerlo por nosotros.

¿Para qué investigar una imagen que acompañe un texto si la IA tiene una ya?

Hasta aquí está atípica lista de tendencias tecnológicas. Eso también lo hace hoy la IA. Pueden consultar sus predicciones para la tecnología en 2025 por ahí.

La entrada Tendencias tecnológicas para 2025: ¿Una nueva era? se publicó primero en El hilo de innovación.

Aquí va la primera idea. Aprender sin IA y aprender con IA.

Cuando surgió la calculadora se siguió (los humanos seguimos) necesitando entender cálculo y matemáticas. Se espera que para sumar tres más cuatro no necesites una calculadora. Igual que para entender los gastos de una hipoteca sepas calcular (de cabeza) el porcentaje sobre la cuantía. El ejemplo de la suma sin calculadora lo da el profesor Ikhlaq Sidhu (Escuela de ciencia y tecnología de IE University) en su blog como respuesta a qué aprender sin IA y que aprender con IA (el caso en que la IA da la respuesta de forma automática). La idea sería que cada profesor experto en un área de conocimiento estableciera el conocimiento que cae de uno y otro lado. Es decir: es conocimiento básico y hay que aprenderlo con estrategias que no usen IA; o bien es conocimiento aplicado y se puede aprender con herramientas como la IA. Hay un argumento que he oído poco y ha resonado en mí entre las justificaciones para mantener una reserva de conocimiento básico sin IA. Es éste: el conocimiento básico es necesario porque la mente lo necesita para resolver problemas. La mente humana necesita acceder a él para encontrar una solución. Si investigas un poco el proceso creativo (en los humanos) te das cuenta como esta idea es comúnmente aceptada en la ciencia y me preocupa que el golpe de la IA la esté dejando de lado (nuestras cabezas estarán vacías).

Segunda. “Restaurar nuestra humanidad”

El título lo he tomado prestado de un webinar para profesores con Ted Ladd (profesor de emprendimiento y educación en Harvard). Me ha gustado, y por eso la destaco como estrategia, porque está pensada para superar el golpe de la IA ayudando a los profesores a recuperar el sentido de lo que hacen y a los alumnos a encontrar su propio sentido en la vida. Tedd apunta varios caminos. Está el aprendizaje colaborativo con retos que los alumnos deben resolver en grupos. La IA no puede ayudarles a saber qué preguntas hacer, por ejemplo, en un debate, sólo el alumno puede hacerlo aprendiendo a “escuchar” y entender la posición de otros en el grupo. Igual para otros “ejercicios humano-humano” como negociación o el reto de la torre de espaguetis. En un segundo grupo estarían los ejercicios con materiales que no tienen IA como las simulaciones en las que el problema a resolver es ambiguo porque la IA no trabaja bien (no sabe cómo proceder) con altos grados de ambigüedad. El tercer grupo de estrategias consiste en encapsular el curso o el contenido del profesor con la IA para que “hablar” con chatgpt no consista en que el alumno tenga la respuesta (como hace ahora con el contenido de Internet en abierto) sino que la IA le ayude a conseguirla pensando.

Tercera. “Construir con la IA”

Esta idea la he tomado del profesor Dae-Jin Lee. La compartió en otra charla a la que asistí con otros profesores universitarios en IE University recientemente. Explicó que la usa en sus clases de programación y cálculo. De hecho, los ejercicios que manda a sus alumnos son una mezcla de ejercicios de grupo y ejercicios de “construcción” con la IA. Uno de los deberes consiste en construir una pista de skateboard con una rampa suave con ayuda de la IA. La clave es (saber) usar la fórmula de una parábola. La IA no es muy buena construyendo la pista a menos que el alumno sepa cómo ir probando (usando la IA) con las variables más importantes de la parábola. Que, por cierto, no recuerdo y eso que estudié cálculo en la universidad.

Con esta última idea vuelvo al principio recordando la fascinación de una alumna contenta con un diseño que ha obtenido sin saber nada de diseño. El video es parte de un documental muy interesante sobre la experiencia de IA en el aula en una escuela española.  ¿No aumentaría su alucinación aún más si conociera características de diversas corrientes de diseño y con ese conocimiento adquirido (conocimiento básico sin IA) resolver el problema “construyendo con la IA” (aprender con IA)?

La entrada Ideas para mejorar el aprendizaje sin y con IA se publicó primero en El hilo de innovación.