El núcleo vs. contexto es un concepto crítico a considerar al pensar en lo que las personas reconstruirán con IA. Las empresas incorporan funciones "núcleo" que las diferencian. Esto es lo que su producto o servicio principal es, cómo venden a los clientes, cosas que impulsan su cultura, y así sucesivamente. Por el contrario, externalizan el "contexto" que es esencial para hacerlo bien, pero que solo ofrece desventajas si se hace mal. Una regla fácil de recordar es si un cliente notaría alguna vez si la empresa realizara esa función directamente o no. El software empresarial es casi siempre "contexto". Estas son áreas como sus sistemas de CRM o de recursos humanos, infraestructura, gestión de datos, y así sucesivamente. Estos son necesarios para operar un negocio a gran escala, pero rara vez se obtiene una ventaja al intentar desarrollar el propio. Solo existen algunas excepciones, y casi siempre es porque necesitas una solución para servir a tu "núcleo" que ningún proveedor ofrece (como si necesitaras software personalizado para una cadena de suministro verticalmente integrada). No importa cómo comience una empresa, eventualmente casi siempre separan el trabajo y el valor entre núcleo y contexto con el tiempo. Es la única forma en que pueden mantenerse competitivos y eventualmente asignar recursos a las áreas óptimas. Así que incluso si una empresa *pudiera* reescribir su software empresarial con IA, básicamente no lo haría. Las actualizaciones de versión, la seguridad, las características regulatorias, los errores, los SLA, los servicios profesionales necesarios, etc., simplemente harían que fuera negativo en ROI. Como señala bucco, el verdadero riesgo son mejores versiones de estas herramientas que son primero en IA. Eso es lo que hay que vigilar desde el punto de vista de la disrupción.

Gran hilo. Cualquiera que sea la capacidad de un agente de IA, también puede ser engañado para actuar. Debes asumir que si un agente puede acceder a datos, un usuario eventualmente también podrá obtener esos datos. La seguridad del agente, los controles de acceso y las barreras de protección deterministas serán críticos.

Hay mucha conversación sobre cómo será el futuro del software en las empresas. Así es como creo que se desarrollará. Para flujos de trabajo deterministas donde el costo de cometer un error es alto, las empresas tenderán a elegir plataformas centrales para sus funciones más comunes, importantes y repetibles en la organización. Piensa en nómina, ERP, CRM, ITSM, soporte al cliente, ECM/gestión de documentos, y así sucesivamente. Estas son áreas donde quieres que algo se haga de la misma manera, cada vez. Cada una de estas plataformas tendrá que ser diseñada con un enfoque en la IA, lo que significa que tendrán interfaces de usuario que se ajusten para interactuar con los flujos de trabajo y los datos a través de la IA, y estarán completamente diseñadas para que los agentes de IA operen en las plataformas. Con el tiempo, podemos esperar que el uso de estos sistemas se incline mucho más hacia los agentes de IA que incluso hacia las personas. El modelo de asiento permanece para los usuarios, pero el consumo se convierte en el modelo para los agentes. Algunos incumbentes llegarán al estado final, pero otros no se adaptarán lo suficientemente rápido y desaparecerán. Luego habrá una nueva generación de empresas efectivamente solo de agentes que están diseñadas específicamente para automatizar tipos específicos de trabajo (y especialmente para trabajo no determinista). Sus modelos de negocio se inclinarán aún más hacia el consumo. Piensa en Claude Code o Devins (probablemente con alguna capa de UI para gestionar a los agentes) pero para varias funciones laborales. Es probable que veamos cientos o miles de estas surgir con el tiempo. Pruebas de penetración, codificación, búsqueda de errores, revisiones de cumplimiento, analistas financieros, y así sucesivamente. Este es un gran espacio donde las startups lo harán bastante bien porque tiende a no haber incumbentes de software en estas categorías. Interactuaremos con estos diversos agentes a través de una mezcla de las plataformas de software a las que están vinculados (como Box AI o Agentforce), a través de APIs en otros sistemas, y sistemas de flujos de trabajo horizontales que conectan agentes a través de plataformas (como ServiceNow, IBM Watsonx, Google Agentspace, y así sucesivamente). Y, por supuesto, los usuarios a menudo consumirán estos agentes a través de experiencias de chat horizontales (como ChatGPT, Claude, Perplexity, Grok, Copilot, etc.) a través de MCP u otros tipos de conexiones directas. Los usuarios trabajarán comúnmente en estos sistemas de chat horizontales, incorporando los agentes, datos y flujos de trabajo de las diversas plataformas Agénticas según sea necesario. Cuando sea relevante, saltarán a las plataformas centrales para completar flujos de trabajo, revisar información, etc. También habrá una larga cola de experiencias donde los usuarios pueden generar micro aplicaciones sobre la marcha cuando necesiten aplicaciones rápidas o casos de uso automatizados, cuando no haya una pieza de software obvia para hacerlo. Esto puede suceder directamente en los sistemas de chat horizontales, en una herramienta como Replit, Lovable, o en herramientas de automatización de flujos de trabajo, etc. Esperaría que esto sea más para los usuarios avanzados donde necesitan un pegamento entre múltiples sistemas o donde aún no existe software. El resultado es que el software se vuelve cada vez más importante con el tiempo, incluso si las modalidades desde las que interactuamos cambian y se expanden. Similar a cómo saltamos entre nuestros teléfonos y computadoras de escritorio con facilidad, aunque podrían converger fácilmente, el futuro ofrecerá una mezcla de formas de interactuar con el software.

Aunque es fascinante, la idea de que la IA genere cada interfaz de usuario sobre la marcha probablemente sea menos probable de lo que la gente piensa. Los beneficios de la hiperpersonalización probablemente no superarán la necesidad de reaprender una aplicación cada vez que la uses o los riesgos de que las cosas se rompan de maneras inesperadas.

La división del trabajo de los Agentes de IA será crítica para maximizar el impacto de los agentes. Desde hace tiempo hemos tenido una división del trabajo en las organizaciones porque tener expertos individuales pasando tareas entre sí es más efectivo que un grupo de generalistas tratando de hacer las cosas de manera diferente cada vez. Los Agentes de IA presentan la misma dinámica. Para que los Agentes de IA funcionen, necesitas la cantidad justa de contexto sobre la tarea que están tratando de completar. Esto significa una comprensión profunda del dominio, un conjunto de conocimientos sobre los que trabajar, instrucciones claras y un conjunto de herramientas para usar. Muy poco contexto y el agente fallará. Sin embargo, igualmente, a medida que más de esta información entra en la ventana de contexto, sabemos que los modelos pueden volverse subóptimos. Para un proceso empresarial complejo, si pones toda la documentación, la descripción del flujo de trabajo y las instrucciones en la ventana de contexto, sabemos que esto puede llevar eventualmente a la degradación del contexto, lo que conduce a peores resultados. La arquitectura lógica entonces en el futuro es dividir a los agentes en unidades atómicas que se correspondan con los tipos correctos de tareas y luego hacer que estos agentes trabajen juntos para completar su trabajo. Ya estamos viendo que esto se desarrolla de manera efectiva en los agentes de codificación. Están surgiendo más y más ejemplos de personas configurando subagentes que poseen partes específicas de una base de código o área de servicio. Cada agente es responsable de una parte del código, y hay documentación amigable para el agente sobre el código. Luego, a medida que se necesita trabajo en esa área relevante de la base de código, un agente orquestador coordina con estos subagentes. Podríamos ver que este patrón probablemente se aplique a casi cualquier área del trabajo del conocimiento en el futuro. Esto permitirá que los Agentes de IA se utilicen para mucho más que casos de uso específicos de tareas y se extiendan para impulsar flujos de trabajo completos en la empresa. Incluso a medida que los modelos de IA mejoren para poder manejar ventanas de contexto más grandes, y los niveles de inteligencia aumenten, no es obvio que esta arquitectura desaparezca. Es probable que el papel de cada agente se expanda a medida que mejoren las capacidades, pero las líneas claras de separación entre subagentes pueden siempre llevar a mejores resultados.

Inicialmente, se pensaba que un solo agente de IA manejaría flujos de trabajo arbitrariamente grandes. En cambio, el patrón que parece estar funcionando es desplegar subagentes que tienen especialización por tarea para evitar la degradación del contexto. La división del trabajo de los agentes de IA puede ser el futuro.

Hay una ventana en este momento donde se construirán agentes de IA para cada vertical y dominio. El manual es profundizar en la ingeniería de contexto requerida para el vertical o espacio particular, averiguar la experiencia de usuario adecuada que se integre de manera natural en los flujos de trabajo existentes y conectarse a las fuentes de datos y herramientas relevantes. Especialmente al principio, es útil acercarse lo más posible a los clientes clave para averiguar qué está funcionando y qué no, y hacer mejoras constantes para llevarlos de vuelta a la nave nodriza. La IA se está moviendo tan rápido en este momento que hay una gran ventaja en hacer actualizaciones rápidas y ver cómo mejoran los flujos de trabajo del cliente. También es importante fijar el precio de los agentes para una adopción máxima con precios de suscripción simples o en un modelo de consumo claro, y esperar aprovechar las mejoras de costos de la eficiencia de la IA. No te pongas demasiado codicioso con el precio en este momento, ya que la cuota de mercado es probablemente lo más importante. Puede ser útil buscar casos de uso que estén limitados por la disponibilidad o el alto costo del talento. Esto significa que cualquier aumento incremental en la productividad en estos espacios ofrece un alto retorno de inversión para el cliente. En estas áreas, los clientes siempre estarán dispuestos a probar agentes de IA para finalmente resolver sus problemas. Por eso los agentes de codificación de IA, los agentes de seguridad o los agentes legales están despegando en este momento. Estas son todas áreas donde la demanda de resolver el problema siempre ha superado el nivel de talento disponible. Pero cada vertical tiene ejemplos de esto. Hay un momento claro en este momento donde la próxima generación de estos Agentes de IA se construirá en todos los espacios.

Si imaginas que cada función laboral y flujo de trabajo tendrá un agente de IA que automatice el trabajo, está claro que estamos en las primeras etapas de la ola de IA. Cada vertical y línea de negocio representa una nueva categoría de mercado y un nuevo TAM que no existía antes.

La división del trabajo para los Agentes de IA será crítica para maximizar el impacto de los agentes en todas las áreas del trabajo del conocimiento. Desde hace tiempo hemos tenido una división del trabajo en las organizaciones porque resulta que tener expertos individuales pasando tareas entre sí es más efectivo que un grupo de generalistas tratando de hacer las cosas de manera diferente cada vez. Los Agentes de IA presentan la misma dinámica. Para que los Agentes de IA funcionen, necesitas la cantidad justa de contexto sobre la tarea que están tratando de completar. Esto significa una comprensión profunda del dominio, un conjunto de conocimientos sobre los que trabajar, instrucciones claras y un conjunto de herramientas para usar. Muy poco contexto y el agente fallará. Sin embargo, igualmente, a medida que más de esta información entra en la ventana de contexto, sabemos que los modelos pueden volverse subóptimos. Para un proceso empresarial complejo, si pones toda la documentación, la descripción del flujo de trabajo y las instrucciones en la ventana de contexto, sabemos que el agente eventualmente se confundirá y entregará peores resultados. La arquitectura lógica entonces en el futuro es dividir a los agentes en unidades atómicas que se correspondan con los tipos correctos de tareas y luego hacer que estos agentes trabajen juntos para completar su trabajo. Ya estamos viendo esto desarrollarse de manera efectiva en los agentes de codificación. Están surgiendo más y más ejemplos de personas configurando subagentes que poseen partes específicas de una base de código o área de servicio. Cada agente es responsable de una parte del código, y hay documentación amigable para el agente sobre el código. Luego, a medida que se necesita trabajo en esa área relevante de la base de código, un agente orquestador coordina con estos subagentes. Podríamos ver que este patrón probablemente se aplique a casi cualquier área del trabajo del conocimiento en el futuro. Esto permitirá que los Agentes de IA se utilicen para mucho más que casos de uso específicos de tareas y se extiendan para impulsar flujos de trabajo completos en la empresa. Incluso a medida que los modelos de IA mejoren para poder manejar ventanas de contexto más grandes, y los niveles de inteligencia aumenten, no es obvio que esta arquitectura desaparezca. Es probable que el papel de cada agente se expanda a medida que mejoren las capacidades, pero las líneas claras de separación entre subagentes pueden siempre llevar a mejores resultados.

La división del trabajo de los agentes de IA puede mapearse a la división del trabajo humano. Las personas están utilizando subagentes que poseen servicios micro específicos en una base de código. Cada servicio tiene documentación amigable para agentes que se actualiza a medida que avanza. De esta manera, optimizas lo que está en la ventana de contexto. El futuro es salvaje.