El fin del camino de los Agentes no es quién sea el más inteligente, sino quién permite que más personas tengan Agentes.

Artículo: Profundiza en el círculo

¿Has notado un asunto extraño? Cada vez que le pides a la IA que te ayude a hacer el mismo trabajo, tienes que volver a enseñárselo. Hoy que organice datos, mañana con la misma tarea tendrá que volver a explicarte desde cero. La IA, en teoría, cada vez es más inteligente… ¿por qué seguimos haciendo trabajo repetitivo?

El 30 de marzo de 2026, una empresa de IA de Silicon Valley, CREAO, presentó para su producto una respuesta diferente. El producto, apenas se lanzó, se mantuvo durante 5 horas consecutivas en la plataforma X encabezando globalmente los temas de tendencia, ubicándose en el Top 3, lo que desató discusiones espontáneas por parte de numerosos creadores de tecnología y desarrolladores de regiones como Norteamérica, Europa y Sudeste Asiático, además de América Latina. Después de investigar a fondo este producto, descubrí que lo que hacen no es distinto de todo lo que existe en el mercado de productos de AI Agent. Este equipo compuesto de China y Estados Unidos, integrado por talentos de primera línea de Silicon Valley como Google y Meta, encontró una ruta ignorada por todos.

La verdadera dificultad actual de los AI Agents

Primero, necesito aclarar un hecho: el sector de los AI Agents en 2025 a 2026 sí se puso de moda. OpenClaw, Claude Code, Devin y, en el ámbito local, DeepSeek, hicieron que muchas personas por primera vez realmente usaran AI Agents. Pero después de usarlos, aparecieron nuevos problemas, y además, un problema más grave de lo que uno imaginaba.

Yo mismo he vivido una situación así. La semana pasada le pedí a Claude Code que me escribiera un script de extracción de datos; nos llevó alrededor de veinte minutos de ida y vuelta, ajustando detalles, hasta que finalmente funcionó. Esta semana quiero usar la misma lógica para extraer datos de otro sitio web. En teoría solo tendría que cambiar algunos parámetros, pero descubrí que tenía que volver a abrir una ventana de conversación, volver a explicar lo que necesitaba y volver a ajustar detalles. La IA no recuerda cómo colaboramos la última vez; solo puede empezar desde cero. Esta experiencia me hizo darme cuenta de que el problema central al que se enfrentan los AI Agents actualmente no es la falta de capacidad, sino que cada uso es de una sola vez: se usa y se termina.

Lo que más me preocupa es que estos potentes AI Agents con frecuencia hacen algo como “buscar trabajo para poder trabajar”. Yo solo quería que me ayudara a extraer datos de precios de tres sitios web y registrarlos en una tabla, pero empezó a analizar tendencias de precios, a generar gráficos de visualización e incluso a proponer activamente que me ayudara a escribir un informe de análisis de competidores. Estas funciones suenan geniales, pero realmente no las necesito. La IA está mostrando el límite de sus capacidades, en vez de enfocarse en resolver mi problema específico. Esta capacidad de generalización impresiona muchísimo en una demostración, pero en uso real trae una carga mental enorme: tengo que dedicar tiempo a impedirle que haga cosas que no necesito, y repetir una y otra vez que solo quiero la extracción de datos más simple.

La relación costo-eficiencia también es un gran problema. Cuando le pides a un AI Agent generalista que ejecute una tarea sencilla y repetitiva, en cada ocasión tiene que volver a comprender tu intención, volver a planificar la ruta de ejecución y volver a llamar a distintas herramientas. Este proceso no solo consume tiempo; además, si usas una API que cobra por token, los costos se acumulan rápidamente. Hice el cálculo: si uso Claude o GPT-4 para ejecutar una sencilla tarea de sincronización de datos programada diariamente, el costo mensual de llamadas a la API podría ser mayor que si yo contratara a un becario para hacerla manualmente. Esto sencillamente no tiene sentido.

He hablado de este tema con algunos amigos desarrolladores y la sensación es totalmente consistente: las capacidades de los AI Agents evolucionan rápido, pero la usabilidad se degrada hasta cierto punto. Antes usábamos herramientas de automatización como Zapier o n8n: configurar era complicado, pero una vez configurado, funcionaba de manera estable y no requería volver a invertir. Ahora que existen los AI Agents, la configuración se simplifica, pero cada vez hay que volver a configurarlo. Esto no es progreso; es reemplazar una complejidad antigua por una nueva complejidad. La contradicción central es esta: no es que la gente común no pueda usar AI Agents; es que no se pueden usar de manera estable, no se pueden retener, y no se puede convertir una conversación exitosa en un sistema de automatización reutilizable.

La filosofía de “domesticar” de CREAO

Cuando vi por primera vez una demostración de producto de CREAO, mi primera reacción fue: esto es exactamente lo que he estado buscando. Le dieron al producto una definición muy interesante: Agent Harness; en chino se puede entender como “domesticación de AI Agent”. Este término describe con mucha precisión lo que están haciendo: no es hacer que la IA sea más fuerte, sino que las capacidades de la IA se puedan fijar, domesticar y controlar por personas comunes.

La experiencia central de CREAO es muy directa. Describes con lenguaje natural un flujo de trabajo: por ejemplo, “cada lunes a las 9 a. m., escanea cambios de precios en tres sitios de competidores, regístralos en Google Sheets, y si la variación supera el 10%, avísame en Slack”. El sistema hace varias cosas: comprende tu intención, escribe automáticamente código para ejecutarlo, conecta las herramientas que necesitas (Gmail, Google Sheets, Slack, Feishu —y demás—, ya tienen integradas más de 300 plataformas), y luego, el paso más importante: puedes guardar todo el flujo de trabajo en un solo botón como un Agent, configurar un calendario para ejecutarlo de forma programada y, a partir de ahí, se ejecutará automáticamente en el horario que estableciste, sin que la IA tenga que participar; es una ejecución completamente determinista.

Este último paso es el alma del producto. Después de que termina la conversación, el sistema sigue funcionando. Esta frase suena simple, pero resuelve el problema que toda la industria ha estado eludiendo. Con ChatGPT, Claude y otras IAs conversacionales, apagas la ventana y ya no queda nada. Herramientas para desarrolladores como OpenClaw o Claude Code pueden ejecutar tareas complejas, pero necesitas desplegarlas y mantenerlas tú mismo. Lo que hace CREAO es combinar la flexibilidad de la IA con la determinación de las herramientas de automatización tradicionales, de modo que una conversación exitosa con IA se pueda convertir en un sistema de automatización que funciona de manera persistente.

Me gusta especialmente el tipo de concesiones que hacen a nivel técnico. Muchos productos de AI Agents buscan que la IA sea más inteligente, más general y pueda manejar tareas más complejas. La ruta que eligió CREAO es la opuesta: quieren que los flujos de trabajo generados por la IA puedan ejecutarse de manera independiente, sin IA. Esto significa que deben resolver el problema de la determinación del código generado: el código que produce la IA debe ser lo suficientemente estable como para ejecutarse continuamente sin intervención de la IA. También tienen que resolver el problema de la estabilidad en la orquestación de múltiples herramientas: cuando un flujo involucra múltiples plataformas como Gmail, Sheets y Slack, ¿cómo asegurar que la transferencia de datos entre ellas no falle por problemas de formato? Estos problemas son cosas que las herramientas de automatización tradicionales ya resolvieron, pero en el contexto de AI Agents se deben volver a resolver, porque el flujo de trabajo ya no lo configura manualmente una persona; lo genera la IA a partir de lenguaje natural.

Yo lo probé por mi cuenta: la experiencia real sí es diferente a la de otros productos. Describí con lenguaje natural un requerimiento: “cada día a las 5 p. m., resume automáticamente mi bandeja de entrada de Gmail con las correos marcados como importantes, extrae el remitente y el asunto, escribe la información en una tabla de Google Sheets; si hay correos de clientes, publícalo en el grupo de Feishu y @mí”. Todo el proceso de configuración tardó menos de 5 minutos. Puedo ver en tiempo real cómo CREAO genera el código, prueba conexiones y valida la lógica. Cuando se completó la configuración, hice clic en un botón que dice “guardar como Agent”, establecí que se ejecutara cada día a las 5 p. m. y luego ya no tuve que hacer nada. A la tarde siguiente, a las 5 p. m., de verdad recibí el aviso en el grupo de Feishu; abrí Google Sheets y vi que los datos ya habían sido organizados según mis instrucciones. La clave de esta experiencia está en que no necesito abrir la ventana de conversación de CREAO a las 4:55 p. m. cada tarde para volver a describir mi requerimiento. Es como un asistente domesticado que sabe qué tiene que hacer cada día y que simplemente lo hace por su cuenta.

La integración nativa de más de 300 plataformas también es una ventaja importante del producto. Esto significa que, para la mayoría de los escenarios comunes de flujos de trabajo, CREAO ya tiene los conectores listos; el usuario no tiene que buscar por su cuenta documentación de API, configurar autenticación ni manejar detalles de bajo nivel como conversiones de formato de datos. Dices “escribe datos en Google Sheets” y el sistema sabe qué hacer. Dices “envía un mensaje en Slack” y el sistema también sabe qué hacer. El nivel de fluidez de esta experiencia es incomparable con escribir código por tu cuenta o usar herramientas de automatización tradicionales. Creo que esto refleja la comprensión de CREAO sobre productos para consumo: reducir el costo de configuración, para que las personas comunes también puedan montar rápidamente sus propios sistemas de automatización.

No hacer el más fuerte, hacer el más fácil de domesticar

Mientras investigaba CREAO, no dejaba de pensar en una pregunta: ¿por qué las otras empresas que hacen AI Agents no eligieron este camino? Más tarde entendí que compiten con dos filosofías de producto completamente distintas.

Mira por ejemplo Claude Code de Anthropic o Devin de Cognition: su objetivo es crear el Agent de uso general más poderoso. Estos productos esperan que la IA pueda entender cualquier necesidad, ejecutar cualquier tarea e incluso tomar decisiones de manera autónoma sin instrucciones explícitas. Ese es un camino de “hacer al Agent más inteligente”. En esa ruta, el valor del producto proviene de la capacidad de generalización de la IA: puede manejar problemas más complejos, tomar decisiones correctas incluso con mucha incertidumbre y acercarse más a la forma de trabajo de los desarrolladores humanos. Este enfoque, por supuesto, tiene valor, pero está naturalmente orientado a desarrolladores y usuarios profesionales, porque solo ellos necesitan y pueden dominar esta clase de flexibilidad.

CREAO eligió otro camino: no hacer el Agent más fuerte, sino el Agent que es más fácil de domesticar para personas comunes. El valor de su producto no está en lo inteligente que sea la IA, sino en lo fácil que puede un usuario común convertir las capacidades de la IA en sus propias herramientas personalizadas. En la filosofía de producto de CREAO, un buen Agent no es uno que pueda hacerlo todo, sino uno que pueda desempeñar de manera estable una sola cosa y que además pueda reutilizarse. Esta capacidad de convergencia es justamente la característica que más necesita un producto para consumo.

Se me ocurrió una analogía muy buena. Un AI Agent de propósito general es como un consultor todoterreno: cada vez que tienes un problema, puedes consultarlo; te dará muchas sugerencias, pero tendrás que explicarle el contexto cada vez, describirle la necesidad y discutir soluciones. Lo que crea CREAO es un asistente entrenable: le enseñas una vez cómo hacer algo, y después él mismo irá a hacerlo de forma periódica; no necesitas guiarlo repetidamente. El primero muestra la amplitud de capacidades; el segundo ofrece eficiencia de uso. Para el usuario común, la eficiencia es mucho más importante que la capacidad.

La diferencia en esta filosofía de producto ya se ha verificado en la respuesta del mercado. El día del lanzamiento de CREAO, más de 50 KOL tecnológicos líderes de todo el mundo publicaron contenido de experiencia profunda de manera simultánea, abarcando mercados de varios idiomas como inglés, español, portugués y coreano. Esta difusión espontánea multilingüe es muy rara; demuestra que el problema que CREAO resuelve es global y trasciende culturas. Da igual si estás en Norteamérica, Europa, Sudeste Asiático o América Latina: mientras seas un usuario común que necesita gestionar flujos de trabajo repetitivos, este producto te atraerá. El mercado ya votó con los pies: la gente no necesita una IA más fuerte, sino una IA más fácil de controlar.

También noté una comparación interesante. Si observas productos que apuntan a Agents de propósito general, sus casos de demostración suelen ser del tipo “la IA te completó una tarea de desarrollo compleja” o “la IA analizó de forma autónoma un problema de negocio y dio una propuesta”. Estos casos impresionan, pero son difíciles de replicar. Los usuarios comunes, después de verlos, sienten “¡wow, qué increíble!”, pero no saben cómo aplicarlo a su trabajo. En cambio, los escenarios de uso de CREAO son muy específicos: monitorear precios de competidores, sincronizar datos en tablas, enviar informes programados, organizar correos y administrar tareas pendientes. Son cosas que cada persona hace todos los días, solo que ahora se automatizan. Esta diferencia en el posicionamiento del producto hace que CREAO tenga naturalmente un público potencial mucho más amplio.

Entre la IA conversacional y los sistemas de automatización tradicionales, CREAO encontró un equilibrio ingenioso. Conserva la facilidad de la IA conversacional: puedes expresar necesidades con lenguaje natural sin aprender a programar ni estudiar interfaces de configuración complejas. También hereda la confiabilidad de los sistemas de automatización: una vez configurado, puede ejecutarse de manera determinista, sin resultados inesperados por la aleatoriedad de la IA. Este tipo de equilibrio es muy raro, porque la mayoría de los productos se mueven entre estos dos extremos: o son demasiado flexibles y se vuelven inestables, o son demasiado rígidos y no son lo suficientemente inteligentes. CREAO logra que los usuarios disfruten la flexibilidad de la IA durante la configuración y, durante la ejecución, disfruten la determinación de la automatización.

La visión del producto del equipo de Silicon Valley

Me pregunto qué tipo de equipo puede construir un producto así. Al profundizar, descubrí que la sede de CREAO está en Silicon Valley, Estados Unidos, y el equipo central reúne élites chinas de IA de primera línea provenientes de grandes empresas como Google y Meta, además de personal técnico clave de empresas nacionales líderes en startups de modelos de gran escala y estrellas de empresas de Internet. Es un equipo verdaderamente compuesto de China y Estados Unidos.

Creo que el trasfondo de este equipo es muy importante. Los ingenieros que salen de grandes empresas de Silicon Valley entienden profundamente la tecnología subyacente; saben cómo construir sistemas estables y confiables. Los gerentes de producto y los ingenieros de compañías de Internet y de IA en China, por su parte, tienen una sensibilidad muy fuerte hacia la experiencia del usuario final (C端) y saben qué diseño de producto reduce realmente la barrera de uso. La combinación de estos dos “genes” genera un proyecto como CREAO: con profundidad técnica y también con temperatura de producto.

Según lo que entiendo, el equipo de CREAO dedicó varios meses a resolver específicamente un problema: cómo hacer que la salida de la IA siga “viva” incluso después de que termine la conversación. A primera vista, el problema parece sencillo, pero en el fondo implica muchos retos técnicos. El código generado por IA tiene aleatoriedad de forma natural: incluso con la misma descripción de necesidad, dos veces el código generado puede ser completamente diferente. ¿Cómo garantizar que ese código sea lo suficientemente estable como para ejecutarse de forma continua sin intervención humana? ¿Cómo manejar situaciones excepcionales? Por ejemplo, si falla una llamada a una API, ¿el sistema debería reintentar, degradar la función o notificar al usuario? ¿Cómo asegurar que la transferencia de datos entre múltiples herramientas no se interrumpa por problemas de formato? Estos son problemas de ingeniería que las herramientas de automatización tradicionales ya resolvieron en las décadas pasadas; pero en el escenario de AI Agents, hay que repensarlos y resolverlos de nuevo, porque cambió la manera en que se genera el flujo de trabajo.

Lo que más me impresiona es que el equipo de CREAO no eligió la solución más simple. Podrían, como muchos productos de IA, guardar el flujo de trabajo generado para que el usuario lo ejecute manualmente cada vez. Así la dificultad técnica sería mucho menor, pero la experiencia del usuario se vería gravemente afectada. CREAO eligió una automatización real: ejecución programada, ejecución autónoma, manejo de excepciones y registro de logs; estas funciones estándar de los sistemas de automatización tradicionales están todas en CREAO, y además se implementan con flujos de trabajo generados por IA. Esto requiere encontrar un equilibrio preciso entre flexibilidad de la IA y estabilidad del sistema, y requiere mucha acumulación de ingeniería y refinamiento de producto.

Otro punto que me dejó una impresión es que la arquitectura subyacente de CREAO, el motor de ejecución y el protocolo de integración son desarrollados internamente. En el entorno actual de startups de IA, muchas empresas eligen soluciones rápidas: basarse en la API de OpenAI o Anthropic, agregar una interfaz frontal y con eso ya pueden lanzar un producto. Este enfoque puede validar el mercado rápidamente, pero es difícil construir barreras técnicas reales. El equipo de CREAO eligió un camino más difícil: construyó desde la base, asegurando que cada eslabón del sistema esté bajo su control. Esta inversión técnica quizá no se vea como una ventaja a corto plazo, pero a largo plazo es la única forma de construir barreras competitivas.

Vale la pena mencionar que CREAO, en el transcurso de un año, ya completó de manera consecutiva tres rondas de financiación por decenas de millones de dólares, y después del lanzamiento del producto ha generado una amplia atención del mercado de capitales. Esto indica que los inversionistas también vieron el valor de esta dirección: en el sector de AI Agents, no gana quien tenga el modelo más grande ni quien tenga el Agent más inteligente, sino quien pueda convertir las capacidades de IA en un producto que las personas comunes puedan usar de verdad, y quien así pueda ocupar la posición dominante del mercado.

El verdadero desenlace del sector de Agent

Después de investigar CREAO, tuve algunas reflexiones nuevas sobre el sector de AI Agent. Pienso que el “final” del sector no lo determina quién tenga el Agent más inteligente, sino quién logre que la mayor cantidad de personas posea su propio Agent. Esta es una transformación radical en la manera de entenderlo.

Durante los últimos dos años, toda la industria ha estado compitiendo en capacidades de modelos, en frameworks de Agents, y en herramientas para desarrolladores. Todos comparan quién logra que la IA complete tareas más complejas y quién alcanza mayor autonomía con menos intervención humana. Esta lógica competitiva tiene mercado en el mundo técnico porque se alinea con el gusto de los ingenieros: perseguir lo extremo, desafiar los límites y romper lo imposible. Pero desde la perspectiva de negocio y producto, esta quizá no sea la batalla más importante. La batalla real está en: cómo reducir la barrera de uso, cómo mejorar la reutilización y cómo hacer que los usuarios comunes también disfruten el aumento de eficiencia que aportan los AI Agents.

El camino que representa CREAO, en esencia, persigue “reducir el umbral de domesticación”, en lugar de “mejorar la capacidad general”. Estas dos direcciones no son opuestas, sino que sirven para mercados distintos. Para desarrolladores y usuarios profesionales, sí necesitan Agents de propósito general más potentes, porque sus necesidades son por naturaleza complejas y cambiantes. Pero para los usuarios comunes, que representan más del 90% del total, lo que necesitan es un Agent especializado que resuelva problemas específicos de forma estable, no un asistente todoterreno que lo hace todo pero que cada vez requiere que le vuelvas a enseñar. CREAO está apuntando precisamente a ese mercado del 90%.

Estoy muy de acuerdo con una idea: la reutilizabilidad es el próximo campo de batalla para la IA de consumo. Hoy, la mayoría de los productos de IA del mercado, ya sea ChatGPT, Claude o diversas herramientas de Agents, son consumo de una sola vez: el usuario hace una pregunta, la IA da una respuesta y el valor de esa conversación termina ahí. Aunque la IA haya dado una excelente solución, cuando te encuentras con un problema similar la próxima vez, el usuario tendrá que volver a preguntar, volver a esperar y volver a verificar. En este tipo de modelo, el valor de la IA crece de forma lineal: usarla 10 veces y usarla 100 veces solo significa que el valor total se suma de manera simple. Pero si la salida de la IA se puede reutilizar —por ejemplo, si después de una configuración puede seguir funcionando continuamente— entonces el valor crece de manera exponencial: configuras una vez, la usas cien veces y cada vez no necesitas volver a invertir. Lo que hace CREAO es convertir el consumo de una sola vez en un activo reutilizable.

Esto me recuerda un cambio clásico en la industria del software. En los primeros tiempos del desarrollo de software, cada función requería escribir código desde cero. Más adelante aparecieron bibliotecas de funciones, frameworks y componentes: los desarrolladores podían reutilizar código ya escrito por otros, y la eficiencia aumentó considerablemente. Después, con las plataformas de low-code y no-code, incluso las personas que no sabían programar pudieron construir aplicaciones. La evolución de los AI Agents podría seguir un camino similar: al principio, cada conversación empezaba de cero; luego surgieron Agents que se podían guardar y reutilizar; y al final podría aparecer un mercado de Agents donde todos compartan y se intercambien los Agents domesticados por cada uno. Lo que hace CREAO ahora es un salto clave del primer al segundo estadio.

Mi juicio es que los AI Agents se van a dividir en varias formas de producto distintas, cada una sirviendo a distintos grupos de usuarios y escenarios de uso. Habrá Agents que buscan una generalidad extrema, destinados a desarrolladores y usuarios profesionales; habrá Agents enfocados en campos verticales específicos, como derecho, medicina y finanzas; y también habrá plataformas de Agents de automatización para consumo como CREAO. Estas direcciones no son relaciones de competencia, sino de simbiosis: todas construyen, en conjunto, un ecosistema completo de AI Agents. Dentro de ese ecosistema, el camino de consumo que elige CREAO es probablemente el de mayor base de usuarios y mayor potencial comercial.

De “el Agent más fuerte” a “el Agent de la mayor cantidad de gente”: esto no solo es un cambio de posicionamiento de producto, sino una redefinición del valor de la IA. El valor de la IA no debería reflejarse únicamente en poder completar tareas más difíciles; también debería reflejarse en cuántas personas puede ayudar a mejorar su eficiencia, resolver problemas y mejorar su vida. Productos como CREAO me hacen ver la posibilidad de que la IA realmente llegue al público. Cuando cada persona pueda tener su propio Agent personalizado y pueda automatizar esas tareas repetitivas, tediosas y que consumen tiempo en el trabajo diario, entonces la IA cumple verdaderamente su misión: no sustituir a los humanos, sino liberar a la humanidad del trabajo mecánico para que puedan dedicarse a cosas más creativas y de mayor valor.