En IA, muchas veces el problema no es solo construir… sino ponernos de acuerdo sobre qué estamos construyendo
El vocabulario alrededor de los agentes de IA está evolucionando más rápido que nuestro entendimiento compartido
Algunas ideas que me parecen especialmente útiles:
1️⃣ Modelo ≠ Agente
Un LLM por sí solo responde a un prompt. Para convertirse en agente necesita capas adicionales que le permitan actuar, usar herramientas y operar en bucle.
2️⃣ Scaffolding
Es la capa que define el comportamiento: system prompts, descripciones de herramientas, memoria, formato de respuesta y gestión del contexto
3️⃣ Harness
Es la capa de ejecución: llama al modelo, gestiona tool calls, maneja errores y decide cuándo parar
4️⃣ Agente = modelo + capas de ejecución y comportamiento
La experiencia final no depende solo del modelo, sino también de cómo está envuelto, guiado y conectado con herramientas
Para mí, esta distinción es clave. Dos productos pueden usar modelos similares y sentirse radicalmente distintos porque su harness, su contexto y sus decisiones de diseño son diferentes
Y esto tiene una implicación importante para empresas...
... adoptar agentes de IA no va solo de elegir el mejor modelo
✅ Va de diseñar bien el sistema completo: contexto, herramientas, guardrails, memoria, evaluación y feedback loops
Cada vez más, la ventaja competitiva estará menos en tener acceso al modelo y más en saber orquestarlo correctamente
#AI #GenerativeAI #AIAgents #LLM #ContextEngineering #AgenticAI