Lic. Carlos Enrique Loria Beeche

La inteligencia artificial está cambiando con una velocidad difícil de seguir. Prácticamente todos los días aparecen nuevos modelos, agentes, protocolos, servidores MCP, APIs y herramientas que prometen transformar la manera en que trabajamos.

Mi reacción ante muchas de estas novedades suele ser la misma: investigar.

Pero cada vez tengo más claro que investigar una herramienta no significa necesariamente instalarla.

En estos días he estado revisando varias tecnologías que podrían incorporarse a Gepeto, mi asistente basado en Hermes. Algunas terminaron instaladas. Otras fueron descartadas. Algunas funcionaron bastante bien y otras requirieron más trabajo del esperado.

Sin embargo, la experiencia más interesante no fue instalar una nueva aplicación.

Fue comenzar a cuestionarme una idea que hasta ahora parecía natural:

¿Realmente necesitamos utilizar un gran modelo generativo para cada decisión que toma un agente?

Un modelo grande no debería hacerlo todo

Cuando hablamos de inteligencia artificial hoy pensamos casi inmediatamente en un gran modelo de lenguaje, un LLM.

Le proporcionamos contexto, hacemos una pregunta y el modelo genera una respuesta.

Eso funciona extraordinariamente bien para escribir, explicar, programar, investigar, resumir o razonar sobre problemas complejos.

Pero un agente realiza también muchas pequeñas decisiones que no necesitan generar absolutamente ningún texto.

Por ejemplo:

• ¿Este mensaje corresponde a facturación, soporte o ventas?
• ¿Es urgente?
• ¿Debo ejecutar determinada herramienta?
• ¿Esta solicitud necesita intervención humana?
• ¿Cuál de varias rutas debería seguir?

Un LLM puede resolver todas estas preguntas. Pero eso no significa necesariamente que sea la herramienta más apropiada para cada una de ellas.

Y ahí apareció para mí una categoría de modelos que hasta hace poco prácticamente no estaba considerando.

Jev, Laya y una IA que no necesita hablar

Investigando encontré Jev, un sistema diseñado específicamente para tomar decisiones estructuradas.

La diferencia conceptual es interesante: en lugar de generar una explicación, recibe un estado y preguntas delimitadas y devuelve decisiones tipadas: una elección, una puntuación o una probabilidad de sí o no.

Algo conceptualmente tan sencillo como:

departamento = facturacion
confianza = 0.94

Eso me llevó a plantearme una pregunta diferente.

Tal vez la arquitectura de un agente no debería consistir en enviar absolutamente todo al modelo más poderoso disponible.

Quizá deberíamos utilizar diferentes tipos de inteligencia para diferentes tipos de trabajo.

Jev me pareció muy interesante, pero es un servicio externo de pago. Buscando una alternativa que pudiera experimentar localmente llegué a Laya.

Laya es un motor de decisiones no autoregresivo orientado precisamente a este tipo de problemas. Puede realizar selecciones entre alternativas, producir puntuaciones y resolver preguntas de sí/no, además de devolver información de confianza. También puede trabajar con resultados estructurados y ejecutarse en hardware propio.

Eso encajaba mucho mejor con lo que estoy construyendo.

Lo instalé localmente en PANTERA, lo conecté a Hermes mediante MCP y comenzamos a realizar pruebas reales.

Y funcionó.

Pero lo verdaderamente interesante no fue simplemente que funcionara.

Fue que comenzó a cambiar mi manera de imaginar la arquitectura del agente.

¿Existe realmente un antes y un después?

Aquí quiero ser cuidadoso.

Sería fácil decir que instalé Laya y que inmediatamente Gepeto se volvió radicalmente más inteligente.

No puedo afirmar eso.

Lo que sí puedo decir es que cambió mi manera de pensar su arquitectura.

En mi instalación actual, Gemini continúa siendo el modelo principal de Gepeto. Laya tampoco está sentado delante de todos los mensajes tomando automáticamente todas las decisiones.

Lo que hicimos fue darle a Hermes una herramienta nueva y explicarle que, cuando un problema consista principalmente en clasificación, selección entre alternativas, puntuación, triage, routing o una decisión estructurada sencilla, considere utilizar Laya.

Es una diferencia importante.

Un gran modelo sigue siendo mucho más apropiado para analizar una consulta compleja de SQL Server, escribir un programa, investigar un tema o redactar un artículo.

Pero si solamente necesitamos determinar:

consulta_simple
consulta_compleja
pedir_mas_informacion

quizá no necesitemos pedirle a un gran modelo generativo que produzca texto para después interpretar ese texto.

También descubrimos una limitación saludable.

En una de las pruebas le dimos a Laya categorías que no estaban suficientemente bien definidas. El modelo produjo una decisión con bastante confianza, pero el resultado no era el que esperábamos.

La enseñanza fue inmediata:

Una respuesta estructurada no elimina la necesidad de formular correctamente el problema.

La confianza de un modelo es información útil. No es una garantía de verdad.

Pensar, decidir y actuar

Esta separación me está llevando a imaginar a Gepeto en tres niveles.

Primero está pensar.

Aquí continúan teniendo sentido los grandes modelos de lenguaje: conversación, razonamiento, programación, investigación y redacción.

Luego está decidir.

Aquí pueden aparecer motores especializados como Laya para resolver decisiones acotadas y estructuradas.

Finalmente está actuar.

Y es precisamente en esta tercera capa donde MCP comienza a volverse realmente interesante.

El Model Context Protocol permite que un agente disponga de herramientas externas con las cuales hacer cosas, no solamente hablar sobre ellas.

[

Photopea: experimentar antes de declarar victoria

Uno de los experimentos fue Photopea.

La idea es atractiva: darle al agente herramientas para manipular imágenes, no solamente generarlas o analizarlas.

Para experimentar con esa posibilidad instalé un puente MCP comunitario. La instalación requirió varias pruebas. Uno de los motores de navegador que utilizamos no consiguió completar correctamente el proceso, mientras que Chromium sí logró superar la prueba técnica.

Eso también forma parte de este aprendizaje.

Una integración no debería declararse exitosa simplemente porque un paquete se instaló.

Hay que probarla.

Photopea continúa en evaluación. Quiero determinar si realmente añade suficiente valor al flujo cotidiano de Gepeto antes de considerarlo una pieza permanente de mi stack.

Y esa palabra —aporta— se está convirtiendo en uno de mis principales criterios.

Perplexity y la diferencia entre “gratis” y “gratis para integrar”

También quise incorporar Perplexity como una capacidad adicional de búsqueda e investigación en Internet.

La idea era atractiva: permitir que Gepeto pudiera utilizar un motor especializado en búsqueda para complementar otras herramientas.

Pero la experiencia terminó enseñándome otra lección.

Perplexity puede utilizarse gratuitamente desde su interfaz web. Sin embargo, cuando intenté llevar esa capacidad a Hermes mediante su API, aparecieron los créditos y el esquema de facturación.

Para la integración que yo quería realizar, no encontré un nivel gratuito de consultas de API que justificara continuar con el experimento.

Así que lo detuve.

No porque Perplexity sea una mala herramienta.

Simplemente porque esa capacidad adicional no justificaba agregar otro servicio externo de pago a mi stack.

La experiencia me dejó una regla bastante útil:

“Gratis para utilizar en una página web” no significa necesariamente “gratis para incorporar a mi propio agente”.

En un ecosistema que cambia todos los días, conviene hacer esa pregunta antes de entusiasmarse demasiado con cualquier lista de “herramientas gratuitas”.

Tally: cuando MCP dejó de ser teoría

Tally produjo una experiencia completamente diferente.

Inicialmente tuvimos dificultades con el procedimiento de autenticación mediante OAuth. Como Hermes está ejecutándose en un servidor remoto, el mecanismo de autorización y redirección resultó bastante más incómodo de lo esperado.

Por un momento estuvimos a punto de abandonarlo.

Después encontramos una ruta mucho más sencilla: utilizar una API key.

Esta vez Hermes se conectó correctamente y descubrió 26 herramientas disponibles mediante el MCP de Tally.

Entre otras cosas, Gepeto podía:

• crear formularios;
• crear y modificar preguntas y bloques;
• aplicar lógica;
• cambiar configuraciones y estilos;
• listar formularios;
• consultar respuestas;
• obtener estadísticas;
• y publicar formularios.

Y entonces decidimos hacer una prueba real.

No una prueba técnica del tipo “comprueba si existe conexión”.

Una prueba útil.

Crear un formulario desde WhatsApp

Desde WhatsApp le envié a Gepeto una instrucción para crear una encuesta titulada:

¿Cómo estás usando la inteligencia artificial?

Le indiqué una introducción, seis preguntas, sus diferentes tipos de respuesta y un mensaje final de agradecimiento.

También le pedí explícitamente que publicara el formulario y que no modificara ningún otro.

Poco después recibí por WhatsApp esta respuesta:

Formulario creado y publicado correctamente. No modifiqué ningún otro formulario.

Incluye:

• La introducción indicada.
• Las 6 preguntas con sus tipos de respuesta correspondientes.
• La opción “Otro/Otra”.
• El mensaje final de agradecimiento.

Y, lo más importante, Gepeto me devolvió el enlace del formulario que acababa de publicar.

Participar en la encuesta: ¿Cómo estás usando la inteligencia artificial?

No entré al editor de Tally para construir ese formulario.

No fui creando las preguntas una por una.

No tuve que publicarlo manualmente.

Le envié una instrucción a Gepeto por WhatsApp y el agente utilizó MCP para realizar el trabajo en otro sistema.

Fue en ese momento cuando, para mí, la diferencia entre un chatbot y un agente dejó de ser una discusión teórica.

Y el formulario puede regresar a WhatsApp

El experimento tampoco termina cuando el formulario queda publicado.

Las herramientas que Tally entrega a Hermes permiten posteriormente recuperar las respuestas y consultar información sobre ellas.

Eso significa que, conforme las personas respondan la encuesta, podré escribirle nuevamente a Gepeto desde WhatsApp algo parecido a:

Revisa las respuestas recibidas en la encuesta. Dime cuántas personas participaron, calcula los porcentajes cuando corresponda, resume las respuestas abiertas y dime cuáles son las principales conclusiones.

El mismo agente que creó el formulario podrá posteriormente recuperar sus resultados y ayudarme a analizarlos.

El agente también debe estar disponible

Otro pequeño cambio de estos días fue dejar funcionando correctamente el Dashboard de Hermes y su gateway.

Esto me permite utilizar Gepeto no solamente desde una terminal sino también desde una interfaz web, y mantener acceso remoto seguro cuando estoy fuera de mi red habitual.

No es una nueva forma de inteligencia, pero sí forma parte de convertir un experimento técnico en una herramienta que realmente pueda utilizar cotidianamente.

Un agente puede tener modelos excelentes y muchas herramientas, pero si solamente puede utilizarse cuando uno está sentado frente al servidor donde fue instalado, su utilidad práctica disminuye considerablemente.

No quiero una colección de herramientas

Después de todas estas pruebas, mi conclusión no es que ahora necesite instalar veinte servidores MCP adicionales.

Es prácticamente la contraria.

La velocidad con la que aparecen nuevas herramientas hace muy fácil terminar acumulando servicios que utilizamos una vez y nunca más.

Por eso estoy tratando de cambiar la pregunta.

En lugar de preguntar solamente:

¿Puedo instalarlo?

quiero preguntar:

¿Qué capacidad nueva me proporciona?

Laya pasó esa prueba porque introduce una manera diferente de abordar decisiones pequeñas y estructuradas, y además puedo ejecutarlo localmente.

Tally la pasó porque permitió que una conversación de WhatsApp terminara creando y publicando un recurso real en otro sistema.

Photopea continúa en evaluación.

Perplexity no pasó la prueba, al menos por ahora, porque la capacidad adicional que buscaba implicaba entrar en otro servicio de API de pago.

Eso no convierte unas herramientas en buenas y otras en malas.

Significa simplemente que un stack de inteligencia artificial también necesita arquitectura y criterio.

Tal vez no necesitemos un modelo cada vez más grande para todo

Durante bastante tiempo, la carrera de la inteligencia artificial parecía tener una dirección evidente: modelos cada vez mayores, contextos más grandes y más capacidad de razonamiento.

Todo eso continúa siendo importante.

Pero el desarrollo de agentes está introduciendo otra pregunta que me parece igualmente interesante:

¿Qué pasa si dejamos de pedirle al mismo modelo que haga absolutamente todo?

Podemos utilizar un gran modelo cuando necesitamos razonamiento.

Un motor especializado cuando necesitamos una decisión rápida, acotada y estructurada.

Una herramienta MCP cuando necesitamos actuar sobre otro sistema.

Y un servicio externo solamente cuando realmente aporta algo que no tenemos.

En otras palabras, quizá el próximo salto de los agentes no consista exclusivamente en conseguir un cerebro más grande.

Tal vez consista en construir un sistema mejor organizado de cerebros y herramientas.

Ese es, al menos, el experimento que estoy haciendo con Gepeto.

Y después de estas pruebas tengo la sensación de que apenas estamos comenzando.