Superinteligencia empresarial emergente10 min read

Como startup, trabajamos constantemente en nuevas técnicas para correr más rápido y traspasar fronteras. Cuando se lanzó OpenClaw/Hermes, fuimos uno de los primeros en adoptarlo. Lo usamos junto con muchas otras herramientas AI.

A medida que estas herramientas, así como los modelos en los que se basan, avanzaban, notamos algo: no sólo estamos progresando más rápido, sino que hemos comenzado a trabajar de manera diferente. Con cada ronda, estos agentes de autoaprendizaje y mejora personal avanzan y aprenden. We’re currently running a “Super Agent” on a dedicated machine (a VPS instance running on DigitalOcean) using GPT-5.6-sol at the highest reasoning state. Algunos de los otros agentes que utilizamos utilizan otros arneses y modelos de agentes, pero este es en el que me gustaría centrarme en este artículo.

Notamos que la mayoría de las empresas no utilizan este tipo de agente autónomo para ejecutar flujos críticos en su empresa, lo que realmente los ralentiza. De hecho, muchos de ellos dependen de agentes más pequeños y personales: agentes codificadores como Codex/ClaudeCode o agentes asistentes como Work/Cowork/Copilot. Estos realizan tareas en máquinas y dispositivos locales y la principal brecha que tienen es la falta de conocimiento. Esto condujo a una industria completamente nueva de sistemas de «segundo cerebro» que esencialmente intentan crear un gráfico de conocimiento que se comparte entre estos agentes distribuidos. Las empresas que trabajan así a menudo proclaman que tienen agentes que se cuentan por decenas, cientos y, en algunos casos extremos, miles. Eso básicamente significa que cada empleado tiene uno o más limitado agentes que realizan tareas para ellos.

El hecho de que nuestros agentes estuvieron expuestos tempranamente a datos del mundo real, quejas de los usuarios y nuestro código, los hizo dramáticamente más ágiles e inteligentes que cualquier agente personal que estemos ejecutando junto a ellos.

Nos acabamos de dar cuenta de que nuestros agentes más inteligentes se están convirtiendo en una superinteligencia empresarial.

En aras de la claridad: no estoy afirmando tener sensibilidad, AGI ni nada parecido. Sugiero que sean una entidad completamente nueva en el organigrama de la empresa.

¿Qué es una superinteligencia empresarial?

Cuando un agente empieza a destacar, siempre que esté concentrado, puede empezar a convertirse en una entidad superinteligente. ¿Cómo definimos eso?

Yo diría que en la mayoría de los casos, los agentes en este momento tienen principalmente la ventaja de la paciencia y la perseverancia, no de la inteligencia sobre los humanos. Sin embargo, a medida que los modelos mejoraron (¡GPT 5.6 sol y Opus 5 son realmente buenos!), comenzamos a ver surgir algo nuevo, algo que supera lo que podíamos hacer, no solo en velocidad sino en cosas que los humanos no pueden hacer.

Todo comenzó para nosotros cuando le dimos a nuestro agente una gran cantidad de datos (Mixpanel) y capacidades de análisis de negocios y acceso a datos (errores a través de Sentry, finanzas en Baremetrics, rastros de AI a través de LangSmith). A continuación, lo expusimos a errores de los usuarios (errores Sentry) e informes de quejas de los usuarios. Finalmente, le dimos acceso a agentes de codificación y a nuestros repositorios principales en GitHub. No tiene acceso externo a través del correo electrónico ni ninguna interacción del usuario, pero al observar cómo nos comportamos en estos temas, comenzó a comprender las cosas. A través de estas interacciones ahora monitorea qué constituye un bloqueador, qué es el pensamiento crítico, cómo funciona nuestro negocio y cuáles son los SOP (procedimientos operativos estándar). Lo hace mediante prueba y error y parece estar ganando inteligencia de forma regular.

En ese momento, comenzamos a hacerle algunas preguntas interesantes. Al principio, todo requería una doble verificación y crítica cuando las cosas no estaban bien explicadas o las conclusiones parecían sospechosas. Todavía hace esto de vez en cuando, por ejemplo, le pregunté sobre regresiones y me dio datos de error ruidosos, pero esa es una oportunidad de aprendizaje: le enseñé mi definición de regresiones y ahora «la entiende».

Cuando los usuarios se quejan o cuando aumentan los errores, generamos correcciones de forma proactiva. Eso significa que cada mañana, nuestros ingenieros no tienen que comprobar si hay regresiones, solo tienen que decidir si un PR es bueno o no. Al principio, se trataba de PR desechables que no cumplían con nuestros estándares de calidad de codificación, por lo que los ingenieros les decían cuál era el problema o simplemente volvían a desarrollar el problema ellos mismos. A medida que creció la confianza, muchas de estas correcciones comenzaron a fusionarse automáticamente en el código base. El agente también clasifica qué tan complejo es el PR y qué tan seguro está de fusionarlo. No estamos en un punto en el que estos PR se fusionen automáticamente, pero veo un camino allí, supongo que estaremos allí en uno o dos meses.

Pero eso no es realmente lo que hace que el agente sea súper inteligente. Lo que hace es que ahora que los ingenieros y directivos de la empresa tienen confianza en el agente, empiezan a delegarle trabajo y a hacerle preguntas realmente interesantes. Realiza la investigación por ellos, no como las búsquedas de Google, sino teniendo en mente el conocimiento avanzado del negocio, lo que le da una ventaja especial. Lo mismo se aplica para darle conocimiento de más partes de la empresa. Históricamente, OpenClaw y HermesAgent colapsarían en algún momento en el que su contexto histórico excediera su capacidad para procesar la información. Ese tipo de colapso ocurriría y los resultados serían una caída drástica en la inteligencia, la memoria y la calidad de su trabajo. Nuestra experiencia con Hermes Agent ahora es bastante diferente: la memoria conversacional ahora es de 3 GB y crece exponencialmente, mientras que su inteligencia mejora claramente con el tiempo.

Eso no quiere decir que sea perfecto, hay regresiones y a veces hay que recordarle que se comporte de cierta manera o identificar por qué no se está comportando como esperabas en un contexto particular o respondiendo correctamente a otro agente que le solicita datos o acciones. Pero estamos llegando allí.

Un efecto secundario inesperado de la protección de sucursales nos trajo otro avance. La idea detrás de la protección de sucursales es que al menos dos personas vean un PR antes de que entre en producción, lo que reduce las posibilidades de que código incorrecto (o incluso nefasto) ingrese al sistema. Esto es cada vez más difícil de hacer correctamente con los nuevos agentes codificadores. A medida que aumenta la velocidad, es casi imposible revisar minuciosamente a mano la tasa de nuevos PR y la cantidad de código. Contamos con varios agentes de diferentes proveedores que revisan Prs en busca de errores, problemas de seguridad y problemas arquitectónicos. Sin embargo, la protección de la sucursal permanece, por lo que permití que nuestro agente superinteligente fuera el aprobador final de los PR.

Casi esperábamos que los resultados fueran mundanos. Después de todo, estos PR pasaron revisiones de agentes de codificación locales, pruebas, revisiones de seguridad, revisiones externas de GitHubCopilot y CodeRabbit y fueron aprobados por completo. Pero nuestro agente aún hizo agujeros en esos PR. Encontró casos extremos realmente interesantes que pasamos por alto, seguridad, calidad del software y errores arquitectónicos que no consideramos. Utiliza los mismos modelos que todos los demás revisores, ¿por qué descubre cosas que los demás no descubrieron?

Todo se reduce al conocimiento y la experiencia. El arnés Hermes Agent combinado con el conocimiento que acumuló el agente crea un nuevo tipo de agente superinteligente que no habíamos visto antes. Entonces, exploramos esto más a fondo e hicimos que las revisiones del agente sean obligatorias, no solo para los humanos que trabajan en el sistema, sino que ahora actúa como referencia para otros agentes menos inteligentes.

Este agente ahora tiene la capacidad de brindarnos un pensamiento crítico que anteriormente solo veíamos en humanos, pero respaldado por datos reales de los clientes, comentarios, nuestro código y una comprensión profunda del producto.

Si ampliamos esto y le damos más datos de los que alimentarse, escalamos su hardware y memoria, veremos un aumento exponencial en el rendimiento. Creo que los modelos todavía lo están frenando. Cuando lleguemos a la siguiente fase de este juego, quizás hasta GPT-6, los resultados serán dramáticamente más interesantes. A medida que acumulamos más datos, damos a los agentes más tareas que hacer y confiamos más en ellos.

¿En qué se diferencia esto del segundo cerebro basado en Wiki de Karpathy?

Lo que lo diferencia de otros enfoques es que, en lugar de tratar con conocimiento compartido, el conocimiento superagente se almacena localmente. Podemos pedirle que mantenga su propia memoria y comprensión del mundo en un repositorio, lo que nos permite duplicarlo y monitorearlo, pero en última instancia es no acerca de hacer que el conocimiento y las habilidades sean compartibles y colaborativos. Es una base de conocimientos singular que, junto con las herramientas y el acceso mundial, le permite responder sus preguntas directamente. No le pide a su agente que lo resuelva utilizando el conocimiento compartido, usted o sus agentes le hacen sus preguntas al agente Superinteligente. Sorprendentemente, esto nos está funcionando bien en este momento hasta el punto de que continuamente ampliamos el acceso y el alcance del agente y aún no hemos visto una degradación del conocimiento o la inteligencia como resultado.

Nota: no estamos exponiendo al agente a información o funcionalidad confidencial. No tiene acceso directo a nuestros sistemas bancarios, de cobro o de facturación. También está segregado del mundo y no tiene acceso a correo electrónico ni a canales externos. A medida que adquiramos experiencia y confianza, no creo que estemos muy lejos de levantar también estas restricciones.