La IA ya no necesita un chatbot: necesita un equipo

Firma Invitada | 25 septiembre, 2026 | 0 comentarios

El 8 de septiembre OpenAI anunció algo que hace unos años habría parecido ciencia ficción: un sistema interno de inteligencia artificial había producido una solución al problema de existencia y regularidad de Navier–Stokes, una de las grandes preguntas abiertas de las matemáticas y uno de los siete Millennium Prize Problems.

Para conseguirlo, OpenAI puso a trabajar alrededor de 10.000 agentes de IA de forma simultánea, organizados en grupos que exploraban diferentes aproximaciones, compartían resultados y volvían a intentar caminos que no habían funcionado.

Los agentes llegaron a la resolución unas 88 horas después de comenzar el experimento y la posterior formalización y verificación del resultado en Lean llevó otras 17 horas, la propia OpenAI ha subrayado que no pretende reclamar el premio de un millón de dólares asociado al problema.

La noticia, sin embargo, no es solo que una inteligencia artificial haya conseguido atacar un problema matemático que llevaba décadas abierto, lo verdaderamente interesante es la forma en la que lo ha hecho.

Durante años hemos entendido la IA como una herramienta con la que interactuamos: escribimos una pregunta, damos unas instrucciones y recibimos una respuesta, el experimento de OpenAI introduce una idea diferente, ya no tenemos necesariamente un modelo al que preguntamos algo, sino un conjunto de agentes al que podemos asignar un objetivo y organizar para que trabaje.

Puede parecer una diferencia semántica, pero no lo es, un chatbot responde, un agente ejecuta, y varios agentes coordinados pueden empezar a comportarse como un equipo de trabajo digital.

Eso es probablemente mucho más relevante para el futuro del software que la propia demostración matemática. La capacidad de un modelo individual es importante, pero la posibilidad de multiplicarlo, asignarle objetivos diferentes, hacer que explore caminos en paralelo y después poner en común los resultados cambia la unidad básica con la que pensamos en la inteligencia artificial.

El recurso ya no es solamente el modelo, es la capacidad de organizar trabajo alrededor del modelo.

De la era del prompt a la del workflow

En el caso de Navier–Stokes, OpenAI explica que dividió a sus agentes en distintos grupos y les pidió explorar variantes diferentes del problema, algunas orientadas a encontrar una demostración y otras a encontrar una refutación. Posteriormente utilizó Codex para consolidar las ideas más útiles de esos grupos y orientar nuevas rondas de trabajo, es decir, el sistema no se limitó a generar una respuesta. Exploró, descartó, compartió información y volvió a intentarlo.

Y ahí aparece un cambio de paradigma que todavía estamos empezando a entender, hasta ahora, buena parte del software se ha construido alrededor de interfaces que utilizamos nosotros. Abrimos una aplicación, rellenamos un formulario, revisamos una factura, buscamos un documento, introducimos información o pulsamos una serie de botones para completar una tarea. La aplicación está diseñada para que la persona haga el trabajo con ayuda del software.

La siguiente generación puede funcionar al revés, podemos describir qué queremos conseguir y dejar que el software decida qué pasos debe ejecutar para lograrlo. No significa que la interfaz vaya a desaparecer, ni que vayamos a dejar de trabajar con aplicaciones, significa que una parte creciente del trabajo puede desplazarse desde la interacción humana hacia la ejecución autónoma.

Esto es especialmente relevante en la empresa. Una organización no necesita una inteligencia artificial que simplemente sea capaz de leer una factura y decir qué contiene, necesita que pueda recibir cientos de facturas, identificar cuáles corresponden a cada proveedor, extraer los datos relevantes, comprobar que los importes son coherentes, contrastarlos con información interna, detectar una anomalía y enviar a una persona solamente aquellos casos que necesitan supervisión.

El salto importante no está en hacer una tarea concreta, sino en conectar varias tareas y convertirlas en un proceso, por eso creo que estamos pasando de la era del prompt a la era del workflow. El prompt es una interacción, el workflow es trabajo y cuando la inteligencia artificial empieza a trabajar sobre workflows completos, empieza también a parecerse menos a una herramienta y más a un miembro digital de un equipo.

Esto explica también por qué el fenómeno de los agentes está evolucionando tan rápidamente, el objetivo no es necesariamente crear un agente que sepa hacerlo todo. Puede ser mucho más eficiente construir sistemas en los que diferentes agentes desempeñen funciones distintas, compartan información, comprueben lo que han hecho los demás y eleven a una persona únicamente aquellas situaciones en las que no tienen suficiente confianza para continuar.

La inteligencia, en ese caso, no está únicamente dentro de cada agente, sino en la arquitectura que los conecta.

Y aquí también conviene introducir una dosis de realidad, multiplicar agentes no significa automáticamente multiplicar inteligencia. Si todos utilizan el mismo modelo, pueden compartir también los mismos sesgos, errores y puntos ciegos. El reto no será solamente conseguir que haya más agentes, sino lograr que exploren estrategias diferentes, confronten resultados y sepan reconocer cuándo no tienen una respuesta suficientemente fiable.

De hecho, uno de los elementos más interesantes del experimento de OpenAI es precisamente esa búsqueda de diversidad entre grupos.

El sistema no lanzó 10.000 copias para que hicieran exactamente lo mismo, sino para que exploraran diferentes caminos y pudieran aprovechar después los resultados de los demás.

Eso nos lleva a una conclusión que creo que será cada vez más importante en el desarrollo de software: la ventaja no estará necesariamente en tener el mejor agente, sino en saber diseñar el mejor sistema alrededor de él.

Una nueva manera de trabajar en equipo

Durante los últimos años hemos hablado mucho de qué modelo es más potente, qué compañía tiene la mejor IA o quién consigue mejores benchmarks, pero a medida que los modelos se conviertan en una infraestructura disponible para construir agentes, la diferencia puede desplazarse a otra parte: quién sabe definir mejor un objetivo, dividirlo en tareas, conectar información, validar resultados y decidir cuándo debe intervenir una persona.

Eso cambia también la idea tradicional de automatización. Durante décadas hemos automatizado tareas repetitivas y perfectamente definidas, los agentes permiten empezar a automatizar procesos mucho más variables, aquellos en los que existen excepciones, información incompleta o decisiones condicionadas por lo ocurrido en los pasos anteriores. No porque la IA sea infalible, sino porque empieza a ser capaz de interpretar contexto y elegir qué hacer a continuación.

El caso de Navier–Stokes es, en ese sentido, una demostración mucho más interesante que una simple competición entre humanos y máquinas. OpenAI no ha demostrado que una máquina haya sustituido al matemático, ha mostrado algo diferente: que podemos construir un sistema que distribuya una gran cantidad de trabajo intelectual entre miles de agentes y coordine después los resultados.

Y ese modelo puede salir muy pronto de los laboratorios, puede llegar a la programación, a la investigación, a las finanzas, al análisis documental, al diseño de productos o a cualquier actividad compuesta por procesos que puedan dividirse, ejecutarse, verificarse y volver a intentar.

La gran pregunta ya no es solamente cuánto puede pensar una IA, es cuánto trabajo podemos organizar alrededor de ella.

Hasta ahora diseñamos software para que las personas trabajaran mejor, la siguiente generación de software puede obligarnos a diseñarlo para que parte del trabajo lo hagan directamente las máquinas y cuando eso ocurra a escala, quizá dejemos de hablar de aplicaciones y empecemos a hablar de algo bastante más parecido a equipos digitales.

Ese es, para mí, el verdadero significado del experimento de OpenAI con Navier–Stokes, no que una IA haya resuelto un problema matemático extraordinariamente difícil, sino que por primera vez resulta mucho más fácil imaginar un futuro en el que el software no solo nos ayude a trabajar: trabaje con nosotros.

Juan Huguet es CEO de anyformat.ai y co-fundador junto a Diego Pérez. Anyformat es una empresa española de IA documental creada en Madrid en 2024. Su plataforma convierte documentos de cualquier formato en datos estructurados, verificables y preparados para sistemas corporativos y agentes de IA.