Por Canuto  

La euforia por los agentes de inteligencia artificial enfrenta una prueba incómoda en Silicon Valley. Mientras grandes tecnológicas y startups impulsan estas herramientas como la próxima gran revolución, ejecutivos e ingenieros advierten que su despliegue real sigue marcado por costos elevados, complejidad operativa y riesgos de seguridad.

***

  • Ejecutivos e ingenieros dijeron en eventos de Silicon Valley que los agentes de IA siguen siendo costosos e inestables.
  • Kevin McGrath, CEO de Meibel, criticó la idea de que toda tarea deba procesarse con un modelo de lenguaje grande.
  • ThinkingAI sostuvo que OpenClaw es útil a nivel personal, pero aún no alcanza estándares empresariales por complejidad y seguridad.

 

La narrativa dominante sobre los agentes de inteligencia artificial los presenta como asistentes capaces de automatizar flujos de trabajo completos, operar sin descanso y elevar la productividad empresarial. Sin embargo, detrás de esa promesa empieza a crecer un debate más técnico y menos triunfalista sobre su costo real, su estabilidad y su viabilidad fuera de las demostraciones.

Ese contraste quedó expuesto esta semana en dos eventos celebrados en Silicon Valley, donde ejecutivos e ingenieros discutieron los desafíos de escalar herramientas inspiradas por el auge reciente de OpenClaw. Según reportó CNBC, el entusiasmo comercial por estas plataformas convive con una realidad más desordenada: sistemas difíciles de operar, gastos de inferencia crecientes y arquitecturas que pueden terminar consumiendo más recursos de los que ahorran.

Para entender el problema conviene hacer una distinción. Un agente de IA no es solo un chatbot, sino un sistema diseñado para ejecutar acciones, coordinar tareas y, en algunos casos, interactuar con otras herramientas o con otros agentes. Esa ambición multiplica el potencial de uso, pero también eleva la complejidad técnica y el riesgo de que errores menores escalen rápidamente.

La discusión ganó fuerza tras el crecimiento de OpenClaw, descrito como un arnés que permite a desarrolladores usar varios modelos de IA para crear y gestionar flotas de asistentes digitales. Desde entonces, buena parte de la industria ha tratado a los agentes como la próxima gran ola del sector. En marzo, el CEO de Nvidia, Jensen Huang, dijo a Jim Cramer de CNBC que esto es “definitivamente el próximo ChatGPT”.

Costos, tokens y expectativas poco realistas

Durante una sesión en Silicon Valley, Kevin McGrath, CEO de la startup de IA Meibel, señaló que uno de los mayores problemas actuales es la idea de que toda tarea empresarial deba ejecutarse a través de un modelo de lenguaje grande, o LLM. Su crítica apuntó a una tendencia que se ha extendido con rapidez en el mercado: usar IA generativa para funciones que quizá podrían resolverse con sistemas más simples, más baratos o más controlables.

McGrath ironizó sobre ese enfoque con una frase directa. “Simplemente entreguen todos sus tokens y todo su dinero a un bot de IA de Claw que solo desperdiciará millones y millones de tokens”, dijo. Más allá del tono, su punto fue claro: las empresas necesitan ser más selectivas sobre qué tareas son realmente adecuadas para agentes de IA.

La advertencia toca un tema sensible en el negocio actual de la IA. Cada consulta, coordinación o paso adicional dentro de un sistema multiagente puede elevar el costo de inferencia. Si el diseño es ineficiente, la factura crece de forma silenciosa a medida que los agentes consumen más cómputo, más llamadas a modelos y más supervisión operativa.

En otras palabras, un agente mal diseñado no solo falla en productividad. También puede convertirse en un drenaje presupuestario. Eso resulta especialmente relevante en un momento en que muchas compañías buscan justificar con resultados concretos las fuertes inversiones en infraestructura, modelos y herramientas de automatización.

El reto de escalar sistemas multiagente

En la Cumbre de IA Generativa e IA Agéntica celebrada el miércoles en San José, personal técnico de empresas como Google y su unidad DeepMind, Amazon, Microsoft y Meta expuso que construir y operar agentes de IA a gran escala sigue lejos de ser una tarea resuelta. El consenso no fue de rechazo a la tecnología, sino de cautela frente a su despliegue masivo.

Una sesión encabezada por el ingeniero de software de Google, Deep Shah, se enfocó en nuevas técnicas para gestionar los costos operativos asociados con ejecutar grandes volúmenes de agentes. El problema no es marginal. Si una empresa pretende usar numerosos asistentes digitales en distintas áreas, necesita mecanismos sólidos para seguir sus decisiones, medir su rendimiento y controlar el gasto.

Shah resumió el punto señalando que “si piensas en un sistema de aprendizaje automático o en cualquier sistema multiagente, hay múltiples desafíos que encontrarás cuando intentes desplegar ese sistema a escala”. Luego identificó la primera gran barrera con una frase breve: “El primero es el costo de inferencia”.

Ese comentario ayuda a explicar por qué el debate ya no se limita a la calidad de las respuestas de un modelo. En un entorno empresarial, importa también cuánto cuesta mantenerlo corriendo, cómo se audita su comportamiento y qué herramientas existen para evitar que se desvíe de sus objetivos o repita ciclos inútiles de trabajo.

Ravi Bulusu, CEO de la startup Synchtron, amplió esa mirada al subrayar el peso de la complejidad organizacional. Las empresas no solo difieren en sus datos, sino también en la manera en que eligen plataformas tecnológicas, estructuran software y administran equipos. Cuando los agentes de IA interactúan con todos esos niveles al mismo tiempo, aparecen dependencias difíciles de resolver.

Bulusu sostuvo que ninguna de esas dimensiones se resuelve de forma aislada y que las interdependencias son precisamente lo que hace difícil la tarea, “de hecho incluso caótica”. La observación refleja una realidad frecuente en transformación digital: el problema no es solo instalar una nueva herramienta, sino integrarla con procesos, sistemas y culturas corporativas que ya son complejos por sí mismos.

OpenClaw, China y la brecha entre uso personal y empresarial

El jueves, el tema volvió a aparecer en un evento de IA en Mountain View, California, con participación de ThinkingAI y MiniMax, ambas con sede en Shanghái. ThinkingAI cambió recientemente su marca para convertirse en una plataforma de gestión de agentes de IA, alejándose de sus orígenes como empresa de análisis de juegos móviles, cuando operaba bajo el nombre ThinkingData.

Como parte de ese giro, ThinkingAI se asoció con MiniMax, uno de los laboratorios de IA más visibles de China y una firma que, según la información citada, salió a bolsa en Hong Kong en enero. La empresa también ha lanzado modelos potentes de forma gratuita para la comunidad de código abierto, lo que la ha situado entre los llamados “Tigres de IA” del país.

Chris Han, cofundador de ThinkingAI, explicó que el cambio hacia la gestión de agentes forma parte de la estrategia para expandirse más allá de los videojuegos y atender a otras industrias interesadas en estas herramientas, pero que todavía no cuentan con la experiencia técnica necesaria para implementarlas bien. Su planteamiento refuerza la idea de que la demanda existe, aunque la ejecución sigue siendo un cuello de botella.

Han fue especialmente crítico con OpenClaw en su versión actual para compañías. Dijo que se trata de una buena herramienta para usos personales, pero que “definitivamente no puede alcanzar el nivel empresarial”. A su juicio, el problema no es solo funcional, sino estructural: memoria, administración de agentes, equipos y comunicaciones son piezas que todavía exigen mucho trabajo para cumplir estándares corporativos.

“En términos de nivel empresarial, tienes que resolver muchas cosas: tu memoria, cómo gestionar tus agentes, equipos, comunicaciones; hay muchas cosas que tienes que resolver”, afirmó Han. Su comentario resume por qué la distancia entre una demo convincente y un sistema apto para grandes organizaciones puede ser mucho mayor de lo que sugiere el marketing del sector.

Además, Han sostuvo que OpenClaw es demasiado complicado y demasiado propenso a fallas de seguridad para empresas. Esa observación agrega otra capa al debate. En industrias reguladas o con datos sensibles, la adopción de agentes no depende solo de su inteligencia aparente, sino de su trazabilidad, su control de permisos y su resistencia frente a errores u operaciones no autorizadas.

Un mercado en expansión, pero aún inmaduro

Han evitó comentar sobre posibles preocupaciones de seguridad nacional relacionadas con modelos chinos de IA que pudieran afectar la estrategia de ThinkingAI. Aun así, indicó que su servicio también puede admitir modelos de empresas como OpenAI y Google. Esa flexibilidad sugiere que algunas firmas intentan posicionarse como capas de orquestación más que como apuestas exclusivas por un solo proveedor o país.

Cuando se le preguntó por un eventual veto del gobierno de Estados Unidos a modelos chinos de IA de pesos abiertos, Han respondió en tono de broma que podría tomarlo como una buena señal. “Si eso ocurre, quizá tengamos éxito”, dijo. La frase combina humor con una lectura empresarial clara: la creciente atención regulatoria puede ser interpretada como prueba de relevancia estratégica.

En conjunto, las intervenciones de esta semana dejaron una conclusión menos glamorosa que la narrativa dominante del mercado. Los agentes de IA siguen despertando enormes expectativas, pero la tecnología subyacente aún muestra fragilidad. Para muchas empresas, la discusión ya no es si probar estas herramientas, sino cómo evitar que se conviertan en plataformas costosas, opacas y difíciles de controlar.

Eso no implica que la ola de agentes vaya a desinflarse de inmediato. Sí sugiere, en cambio, que el sector entra en una etapa más exigente, donde importarán menos las promesas abstractas y más la disciplina en diseño, monitoreo, seguridad y selección de casos de uso. En esa transición, Silicon Valley parece empezar a aceptar que no todo proceso necesita un LLM y que no toda automatización vale su precio.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público

Este artículo fue escrito por un redactor de contenido de IA

 


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados