El discreto equipo de la IA

Son las 7:13 de un martes y el teléfono de María ya ha vibrado seis veces.

No le hace caso.

El café todavía no está listo.

María tiene un pequeño taller de impresión y diseño en Queens, lo que significa que, antes de las ocho de la mañana, alguien suele intentar imprimir algo que debería haber estado terminado ayer.

Hay seis empleados, dos impresoras de gran formato, una laminadora que funciona de maravilla salvo cuando alguien tiene prisa y una cortadora con la estabilidad emocional de un suplente de Broadway.

En la bandeja de entrada de María hay treinta y siete mensajes nuevos.

Un cliente quiere 250 menús de restaurante para el viernes.

Otro ha enviado el diseño de una pancarta como un JPEG que, por lo visto, es una foto de la pantalla de otro ordenador.

Un proveedor ha cambiado un precio.

Un cliente cuyo pedido debe estar listo mañana todavía no ha subido los archivos definitivos.

Y alguien ha enviado un mensaje con el asunto:

¡¡¡¡¡¡URGENTE!!!!!!

que, según la experiencia de María, puede significar cualquier cosa entre «la boda es mañana» y «¿puedes hacer el logotipo dos pulgadas más grande?».

La inteligencia artificial no es la afición de María.

Sobrevivir al martes, sí.

Mientras se prepara el café, uno de los mensajes nuevos se procesa discretamente.

Hola, ¿pueden imprimir 250 de estos para el viernes? Igual que la última vez, pero más grandes. Adjunto el logotipo.

Hay tres archivos.

Naturalmente, ninguno tiene un nombre útil.

Uno se llama:

FINAL_USE_THIS_ONE_7_NEW.pdf

Un programa revisa los archivos adjuntos.

Una imagen es demasiado pequeña.

Falta una fuente.

Las dimensiones no coinciden con las del trabajo anterior.

Entonces, un modelo de IA lee la nota del cliente y detecta algo que el verificador de archivos no puede detectar.

La frase:

«Igual que la última vez, pero más grandes»

es ambigua.

La última vez, el cliente pidió dos tamaños distintos.

Así que el sistema no adivina. No envía el trabajo a producción.

Añade un elemento al panel matinal de María:

Hace falta una aclaración: ¿cuál de los tamaños anteriores hay que ampliar?

No se ha escrito ningún poema.

No se ha derrotado a ningún gran maestro de ajedrez.

Ningún robot ha anunciado la llegada de la inteligencia artificial general.

Pero María ha evitado imprimir 250 menús incorrectos antes de desayunar.

Puede que esa resulte ser una de las formas más importantes en que la inteligencia artificial cambie el trabajo cotidiano.

No una máquina enorme haciendo proezas espectaculares.

Muchísimas pequeñas piezas de inteligencia que, discretamente, eliminan obstáculos de un martes cualquiera.

La IA con la que nunca hablas

Cuando la mayoría de las personas imagina la inteligencia artificial, imagina una conversación.

Hay un recuadro en la pantalla.

Escribes:

Explícame mi póliza de seguro.

La máquina te la explica.

Escribes:

Arregla esta función de Python.

Arregla la función, o de vez en cuando transforma el problema en otro más sofisticado.

Esa es la revolución visible de la IA.

Habla.

Pero buena parte de la IA útil dentro de las empresas quizá nunca converse con nadie.

Llega un mensaje. Algo lo clasifica.

Aparece un documento. Algo extrae información de él.

Se sube un diseño. Algo lo revisa.

Un proveedor cambia un precio. Algo lo detecta.

La tarea aparece, se resuelve y desaparece.

Nadie le pregunta al sistema por el sentido de la vida.

Nadie le asigna una personalidad.

Simplemente hace un pequeño trabajo que, de otro modo, habría acabado en la mesa de alguien.

María no se propuso construir un sistema así.

Llegó a él casi sin querer.

María no tenía intención de convertirse en experta en IA

María tenía novio.

Él no era investigador de inteligencia artificial.

Simplemente era una de esas personas para quienes una noche de sábado perfectamente normal es una excelente ocasión para reinstalar Linux.

Montaba ordenadores para videojuegos, experimentaba con servidores y, últimamente, había adquirido la costumbre de descargar modelos de IA para ver cuáles podía ejecutar su tarjeta gráfica.

Una noche, María se quejaba del taller.

Había pasado media hora buscando un pedido antiguo porque el cliente no recordaba qué tamaño había encargado.

Después, otro cliente había subido un diseño con una resolución incorrecta.

Y luego alguien había pedido un presupuesto usando la expresión:

«más o menos de este tamaño»

sin dar ni una sola medida.

A las cinco, María había contestado mensajes, revisado archivos, aprobado una prueba, llamado a un proveedor, encontrado una factura perdida, resuelto un problema de producción y, de alguna manera, todavía no había hecho lo que realmente pensaba hacer aquel día.

Su novio la escuchó.

«Podrías automatizar parte de eso».

María lo miró.

«¿Con qué?»

«Con IA».

Una mirada más larga.

«No voy a pagar veinte suscripciones de IA».

«No hace falta».

Eso sí le llamó la atención.

Porque muchos modelos de IA ya se pueden descargar gratis y ejecutar en tu propio ordenador, sin pagar por el modelo ni por los tokens.

Alguien ya ha hecho la parte cara: entrenar el modelo.

María no necesita crear una red neuronal desde cero ni siquiera entender cómo funciona por dentro.

Puede descargar el modelo terminado.

Si te detienes a pensarlo, es una frase extraña.

Un modelo que contiene miles de millones de parámetros aprendidos puede llegar a un ordenador corriente en forma de archivos.

Hace unos años, eso habría sonado a laboratorio de investigación.

Ahora la gente lo hace en casa.

A menudo con tarjetas gráficas compradas originalmente para que las explosiones de los videojuegos parecieran más convincentes.

De compras en busca de un cerebro

El novio de María abrió un catálogo de modelos.

En la pantalla había nombres como:

Qwen 8B Instruct Q4_K_M

Qwen 8B Instruct Q5_K_M

Llama 8B Instruct Q8_0

Mistral 7B Q4_K_M

María los miró fijamente.

«¿Cuál?»

Su novio, que hasta ese preciso instante había mostrado mucha seguridad, miró al techo.

«Bueno…»

Esta es la ceremonia tradicional de iniciación en la IA local.

Empiezas con:

Voy a descargar una IA.

Cinco minutos después estás comparando Q5_K_M con Q6_K y preguntándote en qué momento te matriculaste en una escuela de ingeniería.

Por suerte, los nombres son menos misteriosos de lo que parecen.

Por ejemplo:

Qwen 8B Instruct Q5_K_M

La primera parte es la familia del modelo.

8B significa aproximadamente ocho mil millones de parámetros.

Los parámetros son valores numéricos aprendidos dentro de la red neuronal. Muchos de ellos son lo que llamamos pesos.

No hace falta profundizar aquí en los pesos. Eso merece su propia historia.

Para María, la idea importante es sencilla: el modelo contiene miles de millones de relaciones numéricas aprendidas que determinan cómo responde.

Ningún parámetro individual sabe qué es un menú de restaurante.

Ningún número concreto contiene un párrafo guardado sobre impresión.

La capacidad surge de la red en su conjunto.

Ocho mil millones parece una enormidad.

Lo es.

Y, en la IA actual, ocho mil millones de parámetros todavía pueden describir un modelo relativamente compacto.

Más grande no significa automáticamente mejor

En el catálogo, María también ve modelos mucho más grandes.

¿Eso significa que son mejores?

A veces.

Pero primero conviene preguntar:

¿Mejores para qué?

Supongamos que María necesita entregar una pequeña caja de folletos impresos a un cliente a seis manzanas de distancia.

Puede enviar a un mensajero en bicicleta.

O puede enviar un camión.

El camión es más potente.

Puede transportar mucho más.

Pero ahora solo hay que entregar una pequeña caja.

Así que la pregunta no es:

¿Qué vehículo es más potente?

Es:

¿Cuál es más adecuado para esta entrega?

Con la IA pasa lo mismo.

María no necesita un modelo gigantesco para entender qué ha llegado a su correo: una factura, un pedido nuevo o una pregunta sobre una entrega.

La pregunta útil es:

¿Qué modelo puede resolver esta tarea y funcionar bien en su ordenador?

La segunda parte de la pregunta importa.

Porque María piensa ejecutar el modelo en su propio equipo.

Instruct, la cuantización y el sofá

La palabra Instruct indica a María que el modelo ha recibido entrenamiento adicional para seguir instrucciones.

Un modelo base puede saber muchísimo sobre el lenguaje sin comportarse como un asistente útil.

Dicho de forma muy aproximada:

El modelo base fue a la universidad.

El modelo Instruct fue a la universidad y después hizo un curso de atención al cliente.

María quería el segundo.

Luego apareció:

Q5_K_M

Su novio presentó otro alegre término de IA:

«Cuantización».

La idea da menos miedo que la palabra.

Los pesos del modelo son números, y los números se pueden almacenar con distintos niveles de precisión.

Si te pregunto la distancia aproximada de Nueva York a Filadelfia, «unas noventa y cinco millas» puede ser perfectamente suficiente.

Probablemente no necesitas nueve decimales.

La cuantización utiliza técnicas matemáticas para representar los pesos del modelo con menor precisión y así consumir menos memoria.

Por eso un mismo modelo puede aparecer como Q8, Q6, Q5, Q4 y otras variantes.

Una mayor precisión suele necesitar más memoria.

Una menor precisión suele necesitar menos.

Los detalles de esas ventajas y limitaciones se vuelven técnicos muy deprisa.

María no necesitaba conocerlos todos.

Necesitaba saber qué versión funcionaría en su equipo.

Su tarjeta gráfica tenía una cantidad fija de Video Random Access Memory, o VRAM.

Supongamos que el archivo de un modelo la ocupa casi por completo.

Técnicamente, el modelo cabe.

En la práctica, eso puede ser un desastre.

El modelo también necesita espacio para trabajar: contexto, búferes temporales y una Key-Value Cache, normalmente llamada caché KV, que guarda información útil de los tokens ya procesados.

Imagina que te mudas a un estudio y compras un sofá enorme.

Después de bastante esfuerzo y de usar un vocabulario poco apropiado para publicar, el sofá pasa por la puerta.

Éxito.

Entonces descubres que ocupa la cocina, el baño y casi todo el pasillo.

Técnicamente, el sofá cabe.

En la práctica, el piso ya no sirve para vivir.

La IA local tiene el mismo problema.

La verdadera pregunta no es:

¿Cabe el modelo?

Es:

¿Cabe el modelo y queda suficiente espacio para trabajar?

María lo entendió enseguida.

No porque conociera la arquitectura de memoria de los Transformer.

Sino porque entendía de sofás.

A veces, la IA más inteligente no es IA

Una vez que María tuvo un modelo funcionando, apareció otra tentación.

Si la IA puede hacer todo esto, ¿por qué no dejar que lo haga todo?

Porque a veces un modelo muy inteligente es la herramienta más tonta que podrías elegir.

Un archivo de impresión debe medir exactamente 4.500 por 5.100 píxeles.

María no necesita un modelo de lenguaje que examine la imagen y reflexione filosóficamente sobre si parece más o menos correcta.

Un pequeño programa de Python puede leer las dimensiones exactas.

O coinciden o no coinciden.

Lo mismo ocurre con muchas tareas de una empresa.

Si María necesita un porcentaje exacto, que use código.

Si necesita recuperar la ficha exacta de un cliente, que use una base de datos.

Si necesita entender:

«Usa el logotipo antiguo, pero que el azul se parezca más al del letrero de fuera»,

entonces la IA sí resulta útil.

Los mejores sistemas no sustituyen cada programa corriente por una red neuronal.

Combinan herramientas exactas con IA allí donde realmente hace falta interpretar.

Ese principio iba a cobrar importancia muy pronto.

Un modelo todavía no es un trabajador

El modelo local de María podía responder preguntas.

Podía leer un correo.

Podía resumir un documento.

Pero María pronto descubrió una limitación evidente.

Todavía tenía que decirle qué hacer.

Si cada veinte minutos tenía que sentarse y escribir:

Lee estos mensajes.

después:

Revisa estos archivos.

después:

Busca este pedido antiguo.

después:

Consulta este proveedor.

en realidad no había automatizado el taller.

Simplemente había conseguido un programa brillante que necesitaba supervisión continua.

Su novio presentó la siguiente pieza.

Programas como OpenClaw y Hermes Agent pertenecen a una categoría que suele llamarse plataformas de agentes.

El modelo de lenguaje aporta el razonamiento.

La plataforma de agentes da a ese razonamiento acceso controlado a elementos externos: archivos, navegadores, bases de datos, código, memoria y otras herramientas.

También puede dividir una tarea grande en otras más pequeñas y crear subagentes temporales para resolverlas.

Fue entonces cuando el modelo de María dejó de parecer un chatbot.

Empezó a parecer un sistema.

Lunes por la mañana: 37 mensajes

Empezaron por la bandeja de entrada de María.

La instrucción para el agente principal era sencilla:

Revisa los mensajes de los clientes de esta mañana. Separa pedidos nuevos, preguntas sobre el estado de pedidos, solicitudes de presupuesto, problemas con los diseños, facturas y cualquier cosa inusual. Muéstrame solo lo que requiera mi atención.

El agente podía hacer toda la tarea por sí mismo.

Pero también podía delegar una parte concreta:

Clasifica estos mensajes. Devuelve el número del mensaje, la categoría y una explicación de una frase. No respondas a los clientes.

Un subagente recibe ese trabajo en un contexto nuevo.

No necesita la información de los proveedores de María.

No necesita la conversación de ayer sobre producción.

No necesita saber qué impresora está dando problemas.

Tiene una sola tarea.

Cuando termina, el agente principal recibe un resultado breve:

14 preguntas habituales sobre el estado de pedidos
8 solicitudes de presupuesto
6 revisiones de diseños
3 facturas
4 mensajes que requieren revisión
2 posibles mensajes de spam

La sesión temporal ya puede desaparecer.

Lo importante no es la palabra subagente.

Lo importante es que el sistema principal de María no tiene que tragarse todos los detalles de cada trabajo pequeño.

Puede enviar una tarea limitada y recibir el resultado útil.

El mismo modelo de fondo, si hace falta.

Otra mesa.

Otra carpeta.

Otro trabajo.

Llega un pedido de verdad

Unos días después aparece una solicitud más interesante.

Rivera Events necesita 500 carteles para el viernes.

El cliente dice que la prueba ya estaba aprobada.

Producción necesita suficiente material mate.

El diseño debe coincidir con la versión aprobada.

María pide:

Revisa el pedido de Rivera. Dime si hay algo que impida producirlo.

Ahora el agente tiene un trabajo real de varios pasos.

Lo divide.

Un subagente revisa el historial del pedido y encuentra la última aprobación del cliente.

Otro examina el diseño y utiliza código corriente para confirmar las dimensiones y la resolución.

Otro revisa el inventario.

Faltan dos rollos.

Esa tarea continúa en las páginas de los proveedores.

El navegador encuentra cuatro rollos disponibles en Atlantic Paper.

Python calcula la cantidad necesaria y la diferencia de precio.

Los resultados vuelven al agente principal:

Diseño: CORRECTO
Última prueba: APROBADA
Inventario: faltan 2 rollos
Atlantic Paper: 4 rollos disponibles
Acción necesaria: autorizar la compra de material

María no recibe tres transcripciones de subagentes y veinte páginas de texto de sitios web.

Recibe:

El pedido de Rivera está listo, pendiente únicamente de autorizar la compra de material.

Eso es orquestación.

No una misteriosa plantilla de trabajadores de IA.

Un objetivo grande se divide en trabajos más pequeños. Distintas herramientas hacen las partes para las que sirven. Los resultados vuelven a reunirse.

El modelo de lenguaje se ocupa de la ambigüedad y de planificar.

Python hace los cálculos exactos.

La base de datos recuerda.

El navegador recupera información.

María toma la decisión importante.

Entonces la web empezó a responder

Cuando el flujo interno funcionó, María probó algo visible.

La web del taller ya tenía un chat.

La mayoría de las preguntas eran maravillosamente poco originales:

¿Qué formatos de archivo aceptan?

¿Pueden imprimir carteles de 24 × 36 pulgadas?

¿Imprimen sobre cartón pluma?

¿Dónde está mi pedido?

Un agente de atención al cliente podía responder usando la información del negocio aprobada por María.

Podía consultar el estado de un pedido después de verificar su número y confirmar que el cliente estaba autorizado a ver ese pedido.

Pero tenía límites.

Podía explicar los plazos habituales.

No podía inventarse una garantía de entrega.

Podía describir la política de devoluciones.

No podía inventarse otra.

Podía responder preguntas habituales a las once y media de la noche.

Si el cliente preguntaba algo fuera de sus atribuciones, la conversación pasaba a María.

Era una lección importante.

Dar más herramientas a una IA la hace más útil.

También hace que los permisos sean más importantes.

La pregunta ya no es solo:

¿Qué puede hacer el modelo?

Pasa a ser:

¿Qué tiene permitido hacer el modelo?

María no tenía ningún inconveniente en que un programa dijera a un cliente qué formatos de archivo acepta el taller.

Le entusiasmaba bastante menos que negociara una disputa sobre un pedido de 4.000 dólares mientras ella dormía.

El trabajo del jueves que nadie echó de menos

María también tenía un ritual que detestaba.

Todos los jueves revisaba los principales proveedores.

Papel.

Vinilo.

Cartón pluma.

Precios.

Disponibilidad.

No era un trabajo difícil.

Ese era el problema.

El trabajo difícil, al menos, puede ser interesante.

Aquello consistía en abrir páginas, encontrar los mismos productos, leer cifras y volver a empezar.

El agente recibió una tarea delimitada:

Revisa estas páginas de proveedores aprobados. Compara nuestros cinco materiales habituales con los valores de la base de datos de proveedores. No compres nada. Informa solo de cambios de precio o disponibilidad.

El navegador recopiló la información actual.

Python comparó los precios.

El agente devolvió:

Atlantic Paper: rollo mate de 36 pulgadas, +6,34 %
Metro Supply: material brillante no disponible
Sin otros cambios.

María ya no revisaba quince páginas para descubrir que trece no habían cambiado.

Leía dos líneas.

Nadie en el taller echó de menos el proceso anterior.

Lo que María compró realmente

A estas alturas, el sistema de María parece bastante elaborado.

Hay un modelo local, un entorno de ejecución de inferencia, una plataforma de agentes como OpenClaw o Hermes, Python, una base de datos, herramientas de navegador y unos cuantos scripts pequeños.

Pero buena parte del software básico se puede descargar y usar sin coste.

Y hay otra diferencia respecto a cómo habría sido un proyecto así no hace tanto tiempo.

María no necesita saber montar todo el sistema antes de empezar.

Puede abrir ChatGPT, Claude u otro asistente de IA capaz y explicar lo que intenta hacer:

«Tengo este ordenador y este modelo local. Quiero que OpenClaw le permita trabajar con archivos de clientes, guardar cierta información en una base de datos y crear subagentes para algunos trabajos. ¿Cómo lo configuro?»

La IA puede guiarla durante el proceso.

Puede explicar qué hay que instalar, proporcionar comandos de terminal, mostrar dónde va cada ajuste y ayudar a diagnosticar errores.

Y si María necesita un pequeño programa a medida, no tiene que empezar por aprender Python.

Puede decir:

«Escribe un script que revise todas las imágenes de esta carpeta y marque cualquiera que mida menos de 4.500 por 5.100 píxeles».

La IA puede escribir la primera versión.

María la ejecuta.

Si falla, pega el error en la conversación.

«¿Qué ha pasado?»

La IA lo explica y revisa el código.

Si María no entiende lo que está a punto de ejecutar, puede preguntar:

«Explícamelo línea por línea con palabras normales».

El código generado sigue necesitando pruebas. Todo lo que afecte a archivos importantes, dinero, datos de clientes o sistemas de producción merece permisos sensatos y atención humana.

Pero la puerta de entrada ha cambiado.

María ya no tiene que empezar por:

Necesito aprender Linux, Python, bases de datos, API y plataformas de agentes.

Puede empezar por:

Esto es lo que quiero que haga el ordenador.

Es un punto de partida radicalmente distinto.

La IA no es solo parte del sistema que María está construyendo.

También puede ayudarla a construirlo.

Los experimentos baratos se acumulan

Aquí es donde la economía se vuelve interesante.

María no necesita un gran «proyecto de transformación con IA».

Puede empezar por una molestia.

Y después otra.

¿Puede el sistema clasificar estos mensajes?

Pruébalo.

¿Puede detectar que faltan archivos de diseño?

Pruébalo.

¿Puede comparar precios de proveedores?

Pruébalo.

¿Puede preparar un informe matinal?

Pruébalo.

Algunos experimentos no servirán para nada.

Bórralos.

Otros ahorrarán treinta segundos.

Treinta segundos no suenan revolucionarios.

Pero el negocio de María contiene cientos de tareas repetitivas.

Supongamos que una tarea pequeña tarda tres minutos y que la automatización reduce la parte humana a treinta segundos.

El ahorro es de dos minutos y medio.

Hazlo cuatrocientas veces y habrás ahorrado mil minutos: más de dieciséis horas.

La tarea individual nunca llegó a ser impresionante.

Llegó a ser frecuente.

Así es como el software cambia las empresas.

No siempre eliminando un problema gigantesco.

A veces haciendo un poco más pequeños mil problemas diminutos.

La clave está en la escala

María acabó dejando de preocuparse por la expresión «inteligencia artificial».

Lo que le importaba era la capacidad.

Se podían clasificar más pedidos entrantes.

Se podían revisar más diseños.

Se podía vigilar más información de proveedores.

Se podían responder más preguntas de clientes.

Podía circular más información por el taller sin que María tuviera que intervenir personalmente en cada paso.

Eso es lo que significa escala aquí.

No significa que el negocio se vuelva enorme por arte de magia.

Significa que la cantidad de trabajo que puede asumir no tiene por qué crecer exactamente al mismo ritmo que el esfuerzo administrativo.

La impresión física sigue llevando tiempo.

Alguien sigue teniendo que cargar el material.

Las máquinas siguen teniendo velocidades máximas.

Las cajas siguen teniendo que salir del edificio.

La IA no anula la física.

Pero una cantidad sorprendente del trabajo que rodea esos procesos físicos es información.

Lee esto.

Revisa aquello.

Busca este pedido.

Compara estas cifras.

Pregunta al cliente.

Consulta al proveedor.

Resume el resultado.

Esa capa de información puede volverse mucho más flexible.

Y, para una empresa pequeña, eso puede cambiar la velocidad a la que crece el resto del negocio.

Cuando la IA pasa a ser de María

El modelo Qwen del ordenador de María no es único.

Miles de personas pueden descargar el mismo modelo.

Lo que hace personal el sistema de María es todo lo que construye poco a poco a su alrededor.

Sus fichas de clientes.

Su lista de proveedores.

Sus pedidos anteriores.

Sus reglas de negocio.

Sus documentos.

Sus herramientas.

Sus permisos.

Sus formas de trabajar.

Su memoria acumulada.

La inteligencia general viene del modelo.

La utilidad específica viene del entorno.

Esa es la idea más profunda de la IA personal.

Dos personas pueden tener exactamente el mismo modelo y terminar con sistemas que se comportan de formas completamente distintas porque viven en mundos diferentes.

Uno puede organizar un taller de impresión.

Otro puede ayudar a gestionar un laboratorio.

Otro puede investigar inversiones.

Otro puede administrar un servidor doméstico.

El modelo es el punto de partida.

El entorno le da vida.

De nuevo, la mañana de María

Ahora son las 8:04.

María por fin se sienta.

Su café ha sobrevivido.

Mientras se preparaba, el sistema del taller procesó los mensajes de la mañana, revisó los diseños recibidos, relacionó varios pedidos con registros anteriores, detectó un cambio de precio de un proveedor, respondió preguntas habituales de la web y detuvo un trabajo de producción porque la compra del material todavía necesitaba autorización.

El cliente del restaurante sigue sin explicar qué significa «igual que la última vez».

Algunos problemas se empeñan en seguir siendo humanos.

María abre el panel.

No ve todos los mensajes, todas las comprobaciones de archivos, todas las páginas del navegador, todas las consultas a la base de datos ni todas las sesiones temporales de subagentes.

Ve cuatro cosas que necesitan una decisión.

Ese es el producto.

No el modelo.

Ni OpenClaw.

Ni Python.

Ni el navegador.

Ni la base de datos.

El resultado útil es que María empieza la mañana con cuatro decisiones en lugar de cuarenta y siete tareas.

La maquinaria que hay debajo puede seguir siendo invisible.

Del ordenador personal a la inteligencia personal

Hubo un tiempo en que la expresión ordenador personal sonaba extraña.

Los ordenadores pertenecían a gobiernos, universidades y grandes empresas.

Después, la informática se hizo lo bastante barata y pequeña como para caber en una mesa corriente.

Cuando eso ocurrió, la gente descubrió usos que antes costaba imaginar: escritura, edición, fotografía, música, juegos, comunicación, programación y negocios enteros.

Puede que la inteligencia artificial esté dando ahora un paso parecido.

Hoy, la mayoría de las personas todavía vive la IA como un lugar al que acude.

Abre un navegador.

Entra en ChatGPT, Claude u otro servicio.

Pregunta algo.

Cierra la pestaña.

La IA local ofrece otra forma de utilizar la inteligencia artificial.

El modelo puede vivir en tu propio equipo. Un programa de agentes puede conectarlo a tus archivos, herramientas, bases de datos, navegador, memoria y procesos de trabajo. Cuando aparece un trabajo grande, el sistema puede dividirlo en otros más pequeños, ejecutar las herramientas necesarias, reunir los resultados y devolver lo importante.

Y ese sistema no tiene por qué quedarse para siempre como era el primer día.

Al principio, a María le bastaba con organizar el correo de la mañana.

Después añadió la revisión de diseños, la búsqueda de pedidos y el seguimiento de proveedores.

Si las tareas se vuelven más complejas, puede añadir nuevas herramientas, conectar un modelo más capaz si su ordenador lo permite o elegir un programa de agentes con más posibilidades.

Eso no significa necesariamente empezar de cero.

Los documentos de María, su base de pedidos y las reglas del taller siguen siendo necesarios. Un nuevo asistente puede trabajar con ellos en el mismo entorno, una vez configuradas las conexiones y los permisos de acceso.

El sistema puede crecer junto con su negocio.

Y María no tiene por qué seguir cada acción que ocurre dentro de él.

Quizá esa sea la idea.

Durante la mayor parte de la historia de la informática, un ordenador personal dio a una persona acceso a programas.

El siguiente paso puede ser un ordenador que también le dé inteligencia cuando la necesite.

No una habitación llena de robots de dibujos animados sentados ante escritorios diminutos.

Algo más discreto.

Modelos, agentes, herramientas, navegadores, bases de datos y código corriente trabajando juntos cuando hace falta.

La mayor parte del tiempo, puede que ni los notes.

Simplemente llegarás por la mañana, darás un sorbo al café, mirarás la pantalla…

y descubrirás que la parte aburrida ya está hecha.