La promesa de automatizar el trabajo choca con los límites reales de la IA: personalización a medida, agentes persistentes y la cuenta de tokens

La fábrica infinita frente a la realidad técnica

Satya Nadella plantea en The Infinite SaaS Factory que Copilot no sea solo un asistente sino el nuevo sistema operativo del trabajo, capaz de orquestar personalizaciones y módulos a la carta que conecten con la lógica de negocio de cada empresa, y lo explica como una arquitectura en dos capas —una «cabeza» visible al usuario y una base gobernada headless conectada mediante Microsoft IQ—, una idea que redefine cómo se organiza el software alrededor del trabajo y que conviene leer despacio porque no es un lanzamiento comercial cualquiera sino la hoja de ruta de Microsoft para que las empresas integren Copilot como motor de personalización continua; el ensayo y su impacto en LinkedIn y X sugieren que la conversación corporativa ya ha cambiado y que las preguntas pasan por cuánto control de datos y gobierno empresarial cedes a cambio de automatizar la adaptación del software (leer el ensayo).

Agentes siempre activos: conveniencia con límites geográficos

OpenAI presentó en el DevDay a Dots, agentes personales persistentes con ordenador propio en la nube capaces de trabajar sin que el usuario esté conectado, integrar navegador y plugins y operar sobre objetivos a largo plazo, una funcionalidad que cambia expectativas sobre continuidad y automatización del trabajo personal; sin embargo, la disponibilidad geográfica es una cláusula práctica que importa: en Europa los suscriptores Pro no pueden activar Dots, mientras que los clientes empresariales con Business Premium sí, lo que dibuja una fractura entre usuarios particulares y corporativos y plantea preguntas sobre responsabilidad, privacidad y competencia entre regiones (detalles del despliegue).

Modelos de ciberseguridad con ventana enorme y la cuenta del token

OrcaRouter lanzó OrcaCyber Zero 1.5, un modelo post-entrenado específico para investigación de vulnerabilidades y pruebas de penetración que destaca por una ventana de contexto de 1 millón de tokens, llamadas nativas a funciones y salidas estructuradas, orientado a reducir el número de informes no reproducibles y acelerar la validación y corrección de fallos; su rendimiento interno y precios por token prometen mucho para equipos de seguridad, aunque los números publicados son autodeclarados y la ausencia de pesos o variantes locales limita evaluaciones independientes, así que la propuesta técnica es potente y útil para red teams pero exige prudencia en la adopción (ficha del modelo).

¿Más agentes significa mejor investigación? Los datos dicen que no

Dos estudios independientes subrayan una advertencia práctica: los equipos de agentes consumen muchos más tokens y solo superan de forma marginal a agentes individuales en calidad medida, con costes de hasta 5,1 veces mayores según Vals AI, y otros trabajos de Epoch AI y Anthropic muestran que modelos capaces de ejecutar experimentos aún carecen de autocrítica científica y pensamiento creativo, alcanzando fracciones reducidas del rendimiento humano y repitiendo métodos ya conocidos; en conjunto, la evidencia indica que la promesa de autonomía investigadora y de mejoras lineales con más agentes es, por ahora, más aspiracional que real (investigación sobre equipos de agentes, estudio sobre autonomía investigadora).

Todo esto importa porque la dirección estratégica empuja hacia automatización y personalización masiva mientras la realidad técnica y económica todavía exige criterios de gobierno, auditoría y evaluación independiente: puedes montar una fábrica infinita, pero pagarás la factura del contexto y del juicio humano. ¿Quién asumirá ese coste?