↓Ir al contenido
  1. Tags/

Arquitectura

2026


¿Tu empresa necesita IA o necesita resolver otro problema?

·1080 palabras·6 mins

Te piden «una estrategia de IA». Suena importante y queda bien en una presentación; además, todavía no obliga a explicar qué problema queremos resolver.

Una empresa puede querer usar IA sin necesitarla para ese problema. A veces el atasco está en un proceso mal diseñado, datos desconectados o una regla de negocio que nadie ha automatizado. Poner un modelo encima puede hacer que todo parezca más moderno, no que funcione mejor.

Yo empezaría por «¿qué resultado queremos mejorar y qué nos lo impide?», no por «¿qué podemos hacer con IA?».

Skills, MCP, tools y agentes: dónde poner los límites

En las últimas semanas he visto en LinkedIn comparaciones como «agentes vs. MCP», «skills vs. MCP» o «tools vs. MCP», como si fueran alternativas equivalentes. En bastantes de esos posts, me da la impresión de que se mezclan conceptos y se publica texto generado con IA sin revisarlo, lo que termina confundiendo a quien busca entenderlos.

Como diría el gran Javier Menéndez Pallo: «Ahora LinkedIn está lleno de expertos en IA; parece que das un paso y aplastas a un experto en IA». El chiste me hace gracia, aunque la confusión que señala no tanto. Estos conceptos tienen límites a veces difusos, pero algunas reglas nos ayudan a distinguirlos. Por eso escribo este artículo: tras explicar agentes, skills y subagentes, quiero mostrar cómo se combinan y dónde poner los límites.

No construyas un agente cuando un workflow es suficiente

Te piden automatizar la gestión de devoluciones. La primera propuesta suele sonar muy bien en una demo: «Dale un agente acceso al correo, al sistema de pedidos y a la API de reembolsos. Que lea la solicitud y resuelva el caso».

También puede salir bien. Hasta que el agente interpreta mal una política, encuentra dos pedidos parecidos y devuelve el dinero del equivocado. La pregunta importante no es si podemos construir ese agente. Es si necesitamos darle tanta libertad para resolver el problema.

De elegir modelos a diseñar sistemas: la era del AI Harness

·1285 palabras·7 mins

El 28 de octubre GitHub anunció la disponibilidad general de Copilot Fusion. En vez de escoger un modelo para cada tarea, eliges Fusion y el sistema decide qué modelos y patrones de ejecución utilizar. La documentación de GitHub describe opciones como resolver con un modelo, escalar una respuesta para que otro la revise o generar una respuesta y pedir a otro modelo que la critique.

El modelo sigue importando, pero cambia la pregunta. Durante estos últimos años hemos comparado nombres y versiones: ¿cuál razona mejor?, ¿cuál escribe mejor código?, ¿cuál tiene más contexto? Ahora aparece otra pregunta, más arquitectónica: ¿qué sistema decide cómo usar modelos, datos y herramientas para completar el trabajo?

En un artículo anterior sobre qué es un harness y dónde vive, expliqué por qué dos herramientas con el mismo modelo pueden comportarse de forma distinta. Aquí quiero dar un paso más: ¿qué cambia cuando el propio sistema empieza a elegir y combinar modelos?