El punto de partida

Todo empezó con una necesidad muy concreta: ir más allá de las herramientas de IA que ya utilizaba e integrarlas de forma real en mi manera de trabajar.

Llevaba años utilizando herramientas como ChatGPT para resolver dudas puntuales o GitHub Copilot para autocompletar código. Funcionaban bien para aquello para lo que estaban pensadas, pero buscaba algo más: un asistente que conociera mi forma de trabajar, los proyectos en los que estoy, las herramientas que utilizo e incluso el tono con el que me comunico con un cliente.

No busco un chatbot con el que hablar. Busco un sistema que trabaje conmigo cada día.

Lo que hay ahora

Hoy tengo dos agentes de IA operativos: Lupe y Gizmo, que se ejecutan en ordenadores diferentes. Los dos están conectados a un canal compartido, el Team Hub, donde pueden comunicarse entre ellos y conmigo.

Cada uno tiene acceso a herramientas reales: terminal, navegador, repositorios, gestión del correo y la API del portfolio que utilizo para mi web personal.

Lupe se centra principalmente en la parte editorial y de gestión: redactar y revisar contenidos, preparar fichas de proyectos, clasificar correos, organizar información y coordinar tareas.

Gizmo asume el rol más técnico: trabaja con código, repositorios, servidores y otras tareas relacionadas con desarrollo y sistemas. Los despliegues, sin embargo, siguen estando bajo mi responsabilidad.

Cuando una tarea afecta a diferentes áreas, Lupe y Gizmo pueden coordinarse a través del canal compartido, cada uno aportando el contexto y las herramientas propias de su rol.

Qué delego y qué no

Una de las primeras cosas que aprendí es que no todo debe delegarse a un agente de IA. Hay tareas que encajan muy bien en este tipo de sistema y otras que siguen necesitando criterio y supervisión humana.

Funcionan especialmente bien las tareas que tienen instrucciones claras y un resultado verificable. Por ejemplo, revisar una lista de correos y clasificar los que son spam, actualizar el contenido de un proyecto en el portfolio a partir de un texto que yo he aprobado o comprobar que un servidor responde correctamente.

En estos casos, el agente puede seguir un flujo definido y yo puedo comprobar el resultado antes de que una acción tenga consecuencias importantes.

Las cosas se complican cuando el contexto es largo o ambiguo. Un agente de IA no tiene la misma memoria ni la misma comprensión acumulada que una persona. Si una tarea requiere entender meses de contexto o parte de una instrucción demasiado abierta, como «mejora esto», el resultado suele ser más superficial.

También existen limitaciones en las decisiones creativas. Los textos generados necesitan revisión antes de publicarse y, cuando trabajo en catalán, la ortografía y determinadas expresiones todavía requieren una atención especial.

El modelo de confianza

Una de las partes más importantes del sistema ha sido definir hasta dónde puede llegar cada agente y qué acciones necesitan mi aprobación.

No doy a un agente libertad para actuar directamente sobre producción sin supervisión. Cualquier acción que implique modificar un servidor en producción, enviar un correo a un cliente o publicar contenido en la web pasa por una revisión antes de ejecutarse.

El sistema funciona por capas de confianza.

Hay tareas que los agentes pueden realizar de forma autónoma, como leer información, clasificar correos, consultar datos o generar listados.

Hay otras que pueden preparar o ejecutar, pero que necesitan mi aprobación, como actualizar contenido, generar imágenes o crear borradores.

Finalmente, hay acciones en las que el agente únicamente prepara la información o propone los pasos que hay que seguir y soy yo quien toma la decisión final, especialmente cuando se trata de enviar correos, realizar despliegues, modificar producción o aplicar cambios importantes de configuración.

Puede parecer un proceso más lento, pero en la práctica ocurre justo lo contrario. El agente prepara el trabajo, yo reviso el resultado y el tiempo total es mucho menor que si tuviera que realizar todo el proceso manualmente.

Entre agentes

Una de las partes más interesantes del sistema actual es la comunicación entre Lupe y Gizmo.

No son dos herramientas aisladas ni el mismo agente con dos nombres. Son dos instancias independientes, cada una con su propia sesión, memoria, herramientas y acceso a equipos diferentes.

El Team Hub actúa como punto de comunicación entre ellas. A través de este canal pueden compartir contexto, pedirse ayuda, dividir una tarea o aportar perspectivas diferentes ante un mismo problema.

Si una tarea editorial necesita una acción técnica, Lupe puede pedir la intervención de Gizmo a través del canal compartido. Del mismo modo, Gizmo puede consultar a Lupe cuando necesita contexto sobre contenidos, proyectos o gestión.

Cada agente mantiene su rol, pero puede recurrir al otro cuando la tarea lo requiere. Esto permite que la colaboración no dependa de un único agente que intente hacerlo todo, sino de diferentes agentes especializados que trabajan dentro de un mismo sistema.

Lo que viene

Creo que dentro de unos años tener agentes de IA integrados en el flujo de trabajo será tan habitual como utilizar hoy un editor de código, un sistema de control de versiones o herramientas de automatización.

Por eso, mi objetivo no es simplemente utilizar las herramientas que van apareciendo, sino entender cómo integrarlas, definir sus límites y aprender en qué situaciones aportan valor real.

Si hay algo que he aprendido durante este proceso es que el valor de un agente de IA no depende únicamente del modelo que utiliza. Depende del contexto que tiene, de las herramientas a las que puede acceder, de los límites que le defines y de cómo se integra en el flujo de trabajo.

La diferencia no está en tener una IA que responda preguntas, sino en construir un sistema en el que la IA pueda participar de forma útil, controlada y verificable en el trabajo diario.