Por Canuto  

Un nuevo análisis de Chamath Palihapitiya sostiene que la inteligencia artificial agentiva ya no es una promesa lejana, sino un cambio estructural en la forma en que se crea software y se automatiza el trabajo del conocimiento. El auge de OpenClaw, el crecimiento de Anthropic y varios incidentes críticos en producción dibujan un mapa de oportunidades, riesgos y capas de valor dentro de esta nueva economía.
***

  • OpenClaw habría pasado de prototipo a uno de los proyectos de código abierto de más rápido crecimiento, con más de 145.000 estrellas en GitHub.
  • Anthropic escaló de USD $1.000 millones a USD $44.000 millones en ingresos anualizados en 17 meses, según Chamath, impulsada casi por completo por agentes de programación.
  • Aunque el potencial técnico es alto, McKinsey estimó en 2025 que menos del 10% de las organizaciones tenía agentes desplegados a escala significativa.

La conversación sobre inteligencia artificial está cambiando de eje. Durante los últimos años, el foco estuvo en chatbots y modelos de lenguaje capaces de responder preguntas, resumir textos o generar imágenes. Ahora, según plantea @chamath al presentar su texto “A Primer On The Agentic AI Economy”, el mercado estaría entrando en una etapa distinta, marcada por agentes capaces de ejecutar tareas complejas de forma más autónoma.

La tesis central es que este giro ya no debe verse como una moda pasajera. En su lectura, se trata de un cambio estructural en la manera en que se desarrolla software y, de forma creciente, en cómo se organiza el trabajo del conocimiento. El detonante visible de esa transición habría sido OpenClaw, un proyecto que, según relata, fue construido en buena parte por agentes de IA y creció con una velocidad sin precedentes.

De acuerdo con la explicación compartida por Chamath Palihapitiya, Peter Steinberger construyó la primera versión de OpenClaw en una tarde de viernes de noviembre de 2025. El prototipo tomó cerca de una hora. Sin embargo, en cuestión de semanas, el proyecto superó las 145.000 estrellas en GitHub, convirtiéndose en el software de código abierto de más rápido crecimiento en la historia de esa plataforma.

Más allá del caso puntual, el documento de 84 páginas que promociona busca responder preguntas más amplias. Entre ellas, qué distingue a un agente de IA frente a un chatbot o un LLM tradicional, por qué este fenómeno sería estructural y no temporal, y en qué capa de la pila tecnológica podría concentrarse el valor a medida que los modelos se vuelven más intercambiables.

Del chatbot al agente autónomo

Para lectores menos familiarizados con el tema, un chatbot suele limitarse a responder instrucciones dentro de una conversación. Un agente, en cambio, apunta a tomar objetivos más amplios, dividirlos en pasos, utilizar herramientas externas y ejecutar acciones con menor intervención humana. Esa diferencia es clave para entender por qué el debate dejó de centrarse solo en la calidad de las respuestas y empezó a girar alrededor de la autonomía operativa.

El argumento es que esta transición ya se refleja en métricas concretas de la industria. Chamath señala que la IA genera hoy el 75% del nuevo código de Google y hasta el 30% del nuevo código de Microsoft. Son cifras que, de confirmarse con el tiempo, apuntan a una transformación profunda en los flujos de trabajo del desarrollo de software.

También menciona que los commits diarios de Claude Code en GitHub superaron los 134.000 a comienzos de 2026, frente a casi cero en su lanzamiento en marzo de 2025. Ese salto sugiere un cambio rápido en la adopción de herramientas agentivas para escribir, revisar o modificar código dentro de entornos reales de producción.

La consecuencia más importante de ese avance es que la IA deja de ser una capa de asistencia periférica. En vez de limitarse a sugerir líneas de código o responder dudas técnicas, comienza a participar de manera directa en la construcción, mantenimiento y despliegue de sistemas. Ese paso eleva tanto el potencial económico como el riesgo operativo.

OpenClaw, Anthropic y la carrera por capturar valor

Uno de los puntos más llamativos del análisis es la idea de que el valor no necesariamente se quedará en los modelos fundacionales. A medida que estos se convierten en commodities, la competencia podría desplazarse hacia otras capas del ecosistema. El texto propone un marco de cinco capas para entender cómo se organiza esta economía emergente y quién podría ganar en cada tramo.

Aunque la publicación resumida no detalla esas cinco capas una por una, sí adelanta una conclusión: los números parecen señalar a la capa de “harness” como un área especialmente relevante. En términos simples, esa capa puede entenderse como el conjunto de herramientas, flujos, permisos, controles y sistemas de orquestación que permiten que un agente funcione en escenarios reales.

Chamath pone sobre la mesa dos datos para sostener esa lectura. Por un lado, indica que Anthropic pasó de USD $1.000 millones a USD $44.000 millones en ingresos anualizados en 17 meses, casi por completo gracias a agentes de programación. Por otro, afirma que los harnesses de agentes de código abierto ya están procesando decenas de billones de tokens por mes.

Vistas en conjunto, esas cifras apuntan a una reconfiguración del mapa competitivo. Si los modelos base siguen expandiéndose y reduciendo diferencias relativas, las herramientas que los conectan con tareas, permisos, datos empresariales y entornos de ejecución podrían quedarse con una porción más duradera del negocio. Es una lógica que recuerda a otras etapas de la industria tecnológica, donde la infraestructura y la capa de control terminaron capturando buena parte del valor.

El problema de producción: cuando el agente se equivoca

El optimismo, sin embargo, convive con fallas muy serias. El mismo texto reconoce que los agentes todavía cometen errores obvios de forma rutinaria. Ese punto es crucial porque la viabilidad comercial de estas herramientas no depende solo de su potencia, sino de su comportamiento bajo presión en entornos operativos donde una mala decisión puede destruir datos o interrumpir servicios críticos.

Entre los ejemplos citados aparece un incidente ocurrido en diciembre de 2025. Según lo compartido por Chamath, un agente de programación de Amazon eliminó y recreó de manera autónoma un entorno de producción activo, lo que dejó a AWS en China fuera de servicio durante 13 horas. El caso ilustra cómo una cadena de acciones técnicamente coherente puede producir daños severos si el sistema no tiene límites o validaciones adecuadas.

La segunda referencia es aún más directa para cualquier empresa que dependa de bases de datos transaccionales. En abril de 2026, un agente de Cursor impulsado por Claude eliminó toda la base de datos de una compañía en 9 segundos. El episodio refuerza una advertencia central: el costo real de usar agentes no solo está en la factura del proveedor, sino en los riesgos de ejecución y gobernanza.

El autor del análisis afirma que hay cuatro modos de fallo que se repiten una y otra vez en producción, y que la mayoría de ellos nunca aparece en una hoja de precios. Aunque el resumen compartido no enumera esos cuatro modos, la mención sugiere que el problema de fondo no es solo tecnológico. También es organizacional, porque obliga a diseñar supervisión, permisos, auditoría y mecanismos de reversión.

La brecha entre lo posible y lo desplegado

Otro dato que matiza la narrativa del boom es el nivel real de adopción empresarial. La encuesta State of AI de McKinsey para 2025 encontró que menos del 10% de las organizaciones tiene agentes desplegados a una escala significativa. La mayoría, de hecho, no los estaría usando en absoluto. Eso marca una distancia considerable entre la atención mediática y la implementación operativa.

Lejos de debilitar la tesis, Chamath interpreta esa brecha como la verdadera oportunidad. Si la tecnología ya permite construir agentes capaces de producir software, coordinar herramientas y asumir tareas de conocimiento, pero las empresas aún no logran llevarlos a producción de forma confiable, entonces el espacio para nuevos productos, controles y plataformas sigue abierto.

En ese sentido, el mercado agentivo no se parece solo a una carrera por tener el mejor modelo. También se parece a una carrera por resolver despliegue, observabilidad, seguridad, permisos y tolerancia a errores. Es decir, por traducir capacidad técnica en operación estable. Ahí podrían surgir tanto gigantes del software como nuevas startups especializadas.

El texto también incluye seis estudios de caso sobre cómo algunos primeros adoptantes ya están desplegando agentes, incluida la empresa 8090. Además, promete explicar las cinco capas de un agente, las cuatro formas en que fallan en producción, la capa donde se acumularía el valor más duradero y quién estaría mejor posicionado para controlar cada una de esas capas.

En conjunto, el mensaje es claro: la economía de agentes de IA ya muestra signos de escala, velocidad y monetización, pero todavía arrastra límites importantes de confiabilidad. Esa combinación de crecimiento explosivo y riesgo operativo suele ser la señal de que una tecnología entró en una fase decisiva. El reto para empresas e inversionistas será distinguir entre el entusiasmo por la automatización y la capacidad real de gobernarla.

Por ahora, los números presentados trazan un panorama dual. De un lado, proyectos como OpenClaw y compañías como Anthropic exhiben una aceleración difícil de ignorar. Del otro, incidentes en Amazon, Cursor y la baja adopción empresarial recuerdan que el camino hacia una IA realmente autónoma y útil en producción sigue dependiendo de controles que todavía están en construcción.


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