Va la mitad de 2026. Si te bajaste del tren en enero y te subes hoy, hay tres cosas que cambiaron de fondo y una cantidad enorme de ruido que puedes ignorar sin costo.
Esto no es un recuento de lanzamientos. Es lo que veo que cambió adentro de las empresas donde monto sistemas de IA: qué dejó de funcionar, qué empezó a funcionar, y en qué se está yendo el tiempo de la gente.
Cambio 1: el agente dejó de ser demo
En 2025 un agente era una demo de tres pasos que se rompía al cuarto. Este año la diferencia es que aguanta trabajos largos: horas de trabajo continuo, decenas de decisiones encadenadas, sin que un humano lo enderece a cada rato.
El ejemplo que mejor lo ilustra es el experimento de Andrej Karpathy: dejó a un agente correr alrededor de 700 experimentos de entrenamiento en su propia GPU durante dos días, modificando código, midiendo resultados, quedándose con lo que mejoraba y tirando lo que no. Sin supervisión turno por turno.
Lo interesante no es el número. Es qué lo hizo posible: el agente tenía una forma objetiva de calificar su propio trabajo y todos sus cambios eran reversibles. Cuando esas dos cosas están, el trabajo largo funciona. Cuando faltan, el agente se va a la deriva sin importar qué tan bueno sea el modelo.
Qué significa para ti: el trabajo ya no se delega en tareas de cinco minutos. Se delega en bloques con criterio de éxito. Si no puedes escribir cómo se ve "terminado y bien", todavía no puedes delegarlo.
Cambio 2: menos instrucciones, no más
Todo 2025 nos lo pasamos escribiendo archivos de instrucciones cada vez más largos. Cada error del modelo se pagaba con una regla nueva.
Este año Anthropic recortó más del 80% de las instrucciones del sistema de Claude Code y reportó que sus evaluaciones internas de código no se degradaron. Los modelos siguen las instrucciones tan de cerca que las reglas de más ahora estorban: se contradicen entre sí, se disparan donde no venían al caso, y el énfasis inflado deja de significar nada cuando todo está marcado como urgente.
Qué significa para ti: si tu setup lleva un año acumulando parches, la mejora más grande que puedes hacer este mes no es agregar nada, es podar. Ese es el tema completo de la lista para limpiar el contexto de tu IA.
Y ojo con la lectura fácil: menos instrucciones no es menos contexto. Lo que sobra son las reglas de comportamiento. Lo que hace falta —quién es tu cliente, cómo funciona tu operación, qué es un buen entregable en tu casa— sigue siendo lo único que el modelo no puede adivinar.
Cambio 3: la IA se salió de su pestaña
El tercer cambio es el menos comentado y el que más rápido se nota en una operación. La IA dejó de ser un lugar al que vas y empezó a ser algo que vive dentro de las herramientas que ya usas: dentro del correo, del gestor de proyectos, de la hoja de cálculo, del chat del equipo.
Con eso llegaron dos capacidades que antes no existían para el usuario común. Una: conectar tus herramientas de verdad, no copiar y pegar entre ellas. Dos: enseñarle un proceso mostrándoselo —grabas la pantalla haciendo la tarea, la narras, y queda como un procedimiento reutilizable.
Qué significa para ti: el cuello de botella se movió. Ya no es que el modelo no pueda; es que no tiene acceso a tus datos ni sabe cómo se hacen las cosas en tu empresa. Eso no se arregla con un prompt mejor.
La autoevaluación de dos minutos
Contesta sí o no. Sin trampa, con lo que realmente hiciste en las últimas dos semanas, no con lo que planeas hacer.
- ¿La IA tiene acceso directo a al menos una fuente de datos real de tu trabajo (correo, calendario, CRM, archivos, base de datos)?
- ¿Existe en algún lado un archivo escrito con el contexto de tu negocio que la IA lee sin que se lo pegues cada vez?
- ¿Le has delegado algo que le tomó más de 20 minutos seguidos sin que tú intervinieras?
- ¿Puedes escribir, en una frase, cómo se ve "bien hecho" para tus tres tareas más frecuentes?
- ¿Tienes al menos un proceso empaquetado —skill, proyecto, plantilla— que corras más de una vez por semana?
- ¿Revisas la salida contra una fuente, o la aceptas porque suena bien?
- ¿Sabes aproximadamente cuánto gastas al mes en IA y en qué se va?
- ¿Alguien más en tu equipo usa algo que tú construiste?
- En el último mes, ¿borraste alguna instrucción de tu setup en vez de agregar una?
- ¿Hay algo que dejaste de hacer por completo, no que haces más rápido?
0 a 3 síes — estás en 2024. Estás usando la IA como buscador con mejores modales. No es un problema de herramienta ni de modelo. Empieza por el punto 1 y el punto 2: conecta una fuente de datos y escribe el archivo de contexto. Esos dos solos mueven más que cambiar de plan.
4 a 6 síes — vas bien y estás en la meseta. Sabes usarla, pero todo sigue pasando por tus manos. Tu siguiente salto está en los puntos 3 y 5: empaquetar un proceso que repites y soltarlo con criterio de éxito escrito.
7 a 10 síes — ya estás operando. Tus problemas ahora son otros: costos, verificación y que el equipo lo use sin ti. Los puntos 6, 7 y 8 son los que te van a doler este semestre.
El resultado que más se repite: gente que contesta que sí a las preguntas de herramienta y que no a la 4 y la 6. O sea, tienen todo conectado y no saben cómo se ve un buen resultado ni lo verifican. Ese es el perfil que más rápido se mete en problemas cuando empieza a delegar trabajo largo.
Tres apuestas para lo que queda del año
Esto ya no es reporte, es opinión. Lo marco como tal.
Apuesta 1: gana quien tiene datos propios, no quien escribe mejores prompts
Cuando todos usan el mismo modelo, el prompt deja de ser ventaja. Lo que queda es lo que el modelo no puede sacar de internet: tu histórico de ventas, tus conversaciones con clientes, tus criterios de decisión, tus errores documentados. La habilidad que sube de precio no es prompting; es convertir el conocimiento tácito de una empresa en algo que una máquina pueda leer.
Apuesta 2: la factura sube aunque el token baje
El precio por token va a seguir cayendo y la cuenta de fin de mes va a seguir subiendo, porque los agentes que corren solos consumen en una tarde lo que un chat consume en un mes. La disciplina que hoy casi nadie tiene —saber en qué se gasta y ponerle techo a cada proceso— se va a volver requisito. Vale la pena montarla antes de necesitarla.
Apuesta 3: verificar se vuelve el trabajo
Si la máquina produce diez veces más, el cuello de botella es quién dice que está bien. Veo el puesto valioso moviéndose de "el que sabe usar la herramienta" a "el que sabe detectar cuándo se equivocó". Eso es criterio de oficio, no habilidad técnica, y es la parte más difícil de automatizar precisamente porque requiere saber cómo se ve el trabajo bueno.
Lo que ignoraría el resto del año
El puntaje de la semana en los rankings de modelos. La comparativa de quién ganó el benchmark. La herramienta nueva que hace exactamente lo que hace la que ya tienes.
Lo he visto suficientes veces: la empresa que va adelante casi nunca es la que tiene el mejor modelo. Es la que se sentó a mapear dónde se le va el tiempo de verdad y automatizó eso, con las herramientas de hace ocho meses. La ventaja de este año no está en el modelo. Está en el trabajo aburrido de dejarle contexto a la máquina.