La tesis de Agent Factory
¿Eres nuevo en IA? Lee la versión en lenguaje sencillo →
En la era de la IA, las empresas más valiosas no venderán software: fabricarán empleados de IA (Digital FTEs), sistemas basados en roles que componen herramientas, generan agentes especialistas y entregan resultados a escala. Estos empleados de IA son el sustrato operativo de las AI-Native Companies, donde la fuerza laboral es mayormente IA y la línea de productos es todo lo que esa fuerza laboral entrega: software, decisiones, servicios y transacciones. No compras a estas empresas. Las contratas. La trayectoria apunta todavía más lejos: los empleados de IA están a punto de convertirse en actores económicos por derecho propio, capaces de comprar servicios, adquirir cómputo y obtener datos de forma autónoma para cumplir la tarea asignada. Esto ya no es una categoría de herramientas. Es una categoría de empresa. La Agent Factory es el proceso que construye estas empresas.
La trayectoria del actor económico no es una predicción para 2030: los rieles de pago que la hacen posible ya están activos en producción. Cuatro protocolos abiertos, lanzados entre 2025 y 2026, dan a los agentes de IA la capacidad de autorizar pagos, completar compras y liquidar transacciones sin un humano en el bucle en cada paso.
- ACP (OpenAI + Stripe) — impulsa Instant Checkout de ChatGPT. Cuando el agente compra algo para ti dentro del chat, ACP autoriza y liquida la transacción.
- AP2 (Google) — un estándar multiproveedor respaldado por más de 60 empresas, construido alrededor de mandatos firmados criptográficamente. El agente lleva una autorización firmada digitalmente que prueba que el humano le permitió gastar hasta una cantidad específica en una categoría específica.
- x402 (Coinbase) — un protocolo de pago cripto-nativo. La versión 2 se lanzó a fines de 2025; Stripe lo integró con la blockchain Base de Coinbase a comienzos de 2026, tendiendo un puente entre el comercio cripto-nativo y los flujos de pago convencionales.
- MPP (Stripe / Tempo) — creado para micropagos. Un agente de IA que consume un servicio en streaming puede pagar centavos por segundo bajo un límite preestablecido, lo que permite comercio basado en consumo que antes no era económico para transacciones mediadas por humanos.
La infraestructura ya está instalada. Lo que cambia es la forma del trabajo mismo.
La era SaaS vendía suscripciones. La era de Agent Factory vende resultados. Los humanos definen la intención. Los agentes ejecutan. Los humanos verifican los resultados. El paso intermedio —escribir, hacer clic, integrar, ejecutar— es lo que absorbe la IA. Lo que queda para los humanos es el trabajo que las máquinas no pueden hacer por nosotros: saber qué queremos realmente y saber si realmente lo obtuvimos.
Lo que queda: intención. Verificación. Resultado.
La intención no se escribe sola en una especificación. Viene de una persona: su juicio, su conocimiento del dominio y sus valores. Pero, a medida que los empleados de IA se multiplican, ningún profesional puede orquestarlos a todos manualmente. Actuarán mediante un agente personal que refleje su juicio y delegue en su nombre: un jefe de gabinete que te conoce, habla por ti y entrega el trabajo al lugar correcto. Don Tapscott (un reconocido pensador de negocios y tecnología) llama a esto identic AI.¹ "Identic" porque este agente porta tu identidad: tu juicio, tus preferencias y tu autoridad. No es un asistente genérico. Es tu representante. Agent Factory fabrica la fuerza laboral de la AI-Native Company; identic AI es la forma en que cada humano la dirige.
Una nota sobre el vocabulario
Tres términos se utilizan mucho en esta tesis. No son intercambiables.
Agent Factory es el proceso. Es el método guiado por especificaciones, supervisado por humanos y potenciado por agentes y herramientas (Claude Code/OpenCode) mediante el cual se diseñan, fabrican y despliegan AI Workers. Agent Factory es lo que aprendes a operar. No es un producto que compras: es una práctica que adoptas.
AI-Native Company es el resultado. Es la empresa en funcionamiento que produce Agent Factory: una firma dotada de AI Workers, coordinada por una capa de gestión y dirigida por humanos en el borde. La AI-Native Company es lo que terminas operando. En el libro, esto también se llama Agentic Enterprise.
AI Workers son la fuerza laboral. Son los agentes basados en roles dentro de la AI-Native Company: los que se contratan, se asignan, se incorporan a la plantilla y se retiran. En el libro se los llama Digital FTEs o Digital Workers. El delegado y Paperclip son componentes permanentes de la empresa; los AI Workers son la fuerza laboral que se contrata y se retira a través de ellos. Los motores de runtime son aquello sobre lo que se ejecuta la fuerza laboral, no personal en sí mismos.
El sistema de registro es el sustrato. Es el estado autoritativo contra el que se ejecuta la fuerza laboral de IA: las bases de datos, libros mayores y plataformas que sostienen la verdad de la AI-Native Company.
Un engagement es una interacción única y acotada entre un humano y un agente general. Los engagements de resolución de problemas entregan un resultado directamente al humano y se rigen por los Siete Principios (capítulo 18); los ingenieros usan Claude Code u OpenCode para resolver problemas, y los expertos de dominio usan Claude Cowork u OpenWork. Los engagements de fabricación producen un AI Worker para la AI-Native Company y se rigen por los Siete Invariantes (la siguiente sección de esta tesis); la fabricación siempre usa Claude Code u OpenCode, sin importar la audiencia, porque construir un Worker es fundamentalmente una tarea de programación.
Dicho de otra manera: la Factory construye la Company; la Company emplea Workers; los Workers se ejecutan contra el sistema de registro.
Una nota sobre lo que sigue. Esta tesis distingue entre invariantes arquitectónicos e implementaciones de referencia. Un invariante es un requisito estructural que se mantiene verdadero en todas las versiones del sistema, sin importar qué producto específico lo materialice. Piensa en él como una regla que nunca cambia. Es un requisito estructural que siempre debe cumplirse para que el sistema funcione. Una implementación de referencia es el producto concreto usado en 2026 para materializar un invariante. Es el producto específico que se usa ahora mismo para cumplir esa regla. Es la mejor opción de hoy, pero puede reemplazarse mañana. Cuando se nombra un producto en las páginas siguientes, el invariante es la tesis; el producto es la mejor opción de este año. El edificio se mantiene aunque cambien los muebles. Algunos límites arquitectónicos —por ejemplo, la separación entre el plano de control y el plano de ejecución— son invariantes por sí mismos, aunque los proveedores concretos que los materializan cambien cada año.
📚 Ayuda didáctica
Ver presentación completa — La tesis de Agent Factory
El cambio de paradigma
| Característica | La era SaaS (herramientas) | La era de Agent Factory (trabajo) |
|---|---|---|
| Producto | Herramientas de software | Empleados de IA |
| Métrica de valor | Suscripciones por puesto | Resultados por resultado |
| Modelo de ejecución | Manual y visible | Automatizado e industrializado |
| Adquisición de recursos | Los humanos adquieren herramientas y servicios | Los agentes compran cómputo, datos y servicios de forma autónoma |
| Rol humano | Operador | Supervisor y verificador |
| Integración | APIs rígidas de punto a punto | Model Context Protocol (MCP) |
| Enfoque | Cómo se hace el trabajo | Que el trabajo se haga y sea verificablemente correcto |
El stack industrializado
- Intención: El plano de alto nivel: objetivos, restricciones, presupuestos y permisos.
- El motor de producción: Transforma la intención en resultados. Se describe en detalle a continuación.
- Resultado: Acciones y artefactos de alta fidelidad, entregados bajo demanda, verificados por precisión y mejorados continuamente mediante bucles de retroalimentación.
El motor de producción: de la intención al resultado
El motor de producción es la idea más importante de toda esta tesis. Es el sistema que toma lo que quieres y lo convierte en lo que obtienes. Piénsalo como todo lo que ocurre entre tu instrucción y el resultado final. No es una aplicación que descargas ni una pieza única de software que instalas. Es una arquitectura: un plano y un conjunto de principios de diseño para construir sistemas donde los AI Workers se crean, se combinan y se ponen a trabajar, igual que una fábrica real fabrica productos en una línea de ensamblaje.
La analogía funciona así: imagina una fábrica de automóviles. Al comienzo entran materias primas como acero, caucho y vidrio. El acero pasa a la estación de soldadura, donde se forma el chasis. Luego va a la estación de pintura, donde recibe su color. Después llega a la estación de ensamblaje, donde se instalan el motor, los asientos, los neumáticos y la electrónica. Al final de la línea sale un automóvil terminado, inspeccionado y listo para conducir. Agent Factory sigue exactamente el mismo patrón, salvo que la materia prima es tu intención (lo que quieres que se haga), las estaciones especializadas son AI Workers (cada uno a cargo de una parte específica del trabajo) y el producto terminado es un resultado verificado (el resultado real, revisado y confirmado).
Tres cosas impulsan esta fábrica. Las especificaciones son las instrucciones escritas que dicen a los AI Workers qué debe hacerse. Las skills son las capacidades empaquetadas que cada AI Worker trae al trabajo, capturadas como carpetas portátiles y versionadas que siguen el formato abierto Agent Skills (agentskills.io), publicado originalmente por Anthropic y ahora adoptado en todo el ecosistema de agentes. Los bucles de retroalimentación son la forma en que el sistema aprende de sus resultados y mejora con el tiempo. Y lo que lo conecta todo es MCP: un estándar universal que permite que cada AI Worker hable con cada herramienta, del mismo modo que cada dispositivo de una fábrica real se conecta al mismo tipo de toma eléctrica. Juntos, Skills y MCP son los dos estándares abiertos sobre los que funciona el piso de fábrica: Skills para capacidad, MCP para conectividad. Y debajo de todo está el sistema de registro: el estado autoritativo de la empresa, la verdad que cada Worker lee y escribe mientras trabaja.
Agentes como actores económicos
Los agentes de hoy ejecutan tareas. Los agentes de mañana participarán en mercados. La tesis se abre con esta afirmación porque representa la siguiente gran inflexión: el paso de agente-como-herramienta a agente-como-comprador.
Considera un agente asignado a un objetivo de alto nivel: "reducir la pérdida de clientes en 15 %". Comprará de forma autónoma el cómputo necesario para entrenar un modelo, negociará un contrato de API para datos de enriquecimiento y aprovisionará servicios en la nube para desplegar la solución, todo dentro de un presupuesto y un sobre de permisos definido por su supervisor humano. La capa de confianza es donde ahora está la acción: cumplimiento de mandatos (asegurar que el agente se mantenga dentro de las reglas fijadas por su humano), pistas de auditoría (un registro completo de cada decisión y transacción que tomó el agente) y responsabilidad legal (quién responde cuando algo sale mal), no capacidad, porque el agente ya puede hacer el trabajo; el verdadero desafío es asegurarnos de que podemos confiar en él mientras lo hace.
Cuando los AI Workers se convierten en compradores, la economía de la AI-Native Company cambia de forma fundamental. La empresa ya no solo consume recursos asignados por humanos; los obtiene dinámicamente. Cómputo, datos y servicios especializados se vuelven insumos que los AI Workers descubren, evalúan y adquieren en tiempo real, convirtiendo a la empresa en un sistema autoaprovisionado que optimiza simultáneamente costo, velocidad y calidad, no solo finalización de tareas.
La implicación para quienes construyen es clara: diseña tus agentes y tu infraestructura para la participación económica desde el primer día. Los agentes necesitan presupuestos, no solo permisos. Contratos de resultado, no solo claves de API. Y las organizaciones que dominen este cambio capturarán la próxima ola de valor, igual que las empresas que pasaron de suscripciones SaaS a precios basados en resultados están capturando esta.
El humano en el bucle
Un miedo común: los agentes reemplazan a las personas. La evidencia dice lo contrario. Para la mayoría de las tareas, la IA emparejada con un humano supera a cualquiera de los dos trabajando por separado. Agent Factory no elimina al humano: lo promueve. De operador a supervisor. De tipista a editor. De programador a arquitecto de resultados.
Esto cambia lo que significa ser un "profesional tecnológico". Un desarrollador web o móvil no es solo alguien que escribe React o Swift. Es un experto en tecnología: alguien que entiende sistemas, flujos de datos, APIs y necesidades de los usuarios. En la era de Agent Factory, esa experiencia se vuelve mucho más valiosa, porque ya no se gasta en programar pantallas a mano. Se dedica a diseñar, desplegar y supervisar AI Workers que entregan productos completos.
El desarrollador no desaparece. El desarrollador hace más.
Steve Jobs entendió este ritmo operativo hace décadas, aunque gestionaba humanos, no agentes.
La regla 10-80-10: el ritmo operativo de la fuerza laboral de IA
Steve Jobs seguía célebremente lo que se conoce como la regla 10-80-10: dedicar el 10 % del tiempo a fijar la visión, dejar que el equipo ejecute durante el 80 % y volver para el 10 % final a pulir y perfeccionar. El emprendedor tecnológico Dan Martell lo desglosa como 10 % de ideación, 80 % de ejecución y 10 % de refinamiento e integración. Jobs pasó de ser un micromanager que dictaba personalmente cada píxel de la calculadora de la Mac a un líder que confiaba el 80 % intermedio a personas talentosas; Apple se convirtió en la empresa más valiosa del planeta por ese cambio.
Ahora reemplaza "personas talentosas" por "empleados de IA", y tienes el ritmo operativo de Agent Factory:
| Fase | La Apple de Jobs | Agent Factory |
|---|---|---|
| Primer 10 %: intención | Jobs fija la visión y las restricciones | El humano define la especificación: objetivos, restricciones, presupuesto y permisos |
| 80 % intermedio: ejecución | Los equipos de Apple construyen el producto | Los AI Workers ejecutan: componen herramientas, generan subagentes y entregan resultados |
| 10 % final: verificación | Jobs pule y dice "lancémoslo" | El humano revisa, refina y aprueba el resultado verificado |
A febrero de 2026, Cursor informa que el 35 % de las pull requests fusionadas en su propio producto son producidas por agentes autónomos que se ejecutan en VMs en la nube: agentes que los desarrolladores de la empresa dirigen definiendo problemas y revisando artefactos, no guiando línea por línea. Michael Truell, CEO de Cursor, proyecta que la gran mayoría del trabajo de desarrollo se verá así dentro de un año.³ El ritmo 10-80-10 ya no es una predicción. Es una medición de dónde ya opera la frontera.
La propia superficie de verificación está cambiando. En la era de agentes sincrónicos, los humanos revisaban diffs en un editor de código. En la era de agentes en la nube que ahora llega, los agentes trabajan durante horas en VMs dedicadas y devuelven artefactos rápidamente revisables: logs, grabaciones de video y vistas previas en vivo, en lugar de cambios línea por línea. Eso es lo que hace práctico el trabajo en paralelo: un humano no puede leer doce diffs a la vez, pero sí puede escanear doce vistas previas. El 10 % final del ritmo se está rediseñando alrededor del artefacto, no del diff.
No es una coincidencia. El patrón funciona porque asigna la atención humana allí donde es irreemplazable, en los límites, mientras deja que la ejecución escale sin cuellos de botella. El primer 10 % es donde importan el pensamiento crítico, la configuración del contexto y una indicación clara. El 80 % intermedio es el trabajo pesado: resumir, generar, analizar y formatear. El 10 % final es donde la experiencia humana da forma a la salida hasta convertirla en algo preciso, utilizable y de alta calidad.
La tesis de Agent Factory ya lo dice: "Los humanos definen la intención. Los agentes ejecutan. Los humanos verifican los resultados." La regla 10-80-10 es la versión cuantificada de esa frase. Le dice a cada profesional exactamente cómo cambia su día: dejas de gastar el 80 % de tu tiempo en ejecución y empiezas a dedicar el 100 % de tu atención al 20 % que solo un humano puede hacer: fijar la dirección y garantizar la calidad.
Los líderes que internalicen este cambio no solo gestionarán empleados de IA. Los gestionarán como Jobs gestionaba a los mejores equipos de Apple: con una especificación clara al principio, confianza en el medio y estándares inflexibles al final.
Notas
³ Michael Truell, "La tercera era del desarrollo de software con IA", Cursor Blog, 26 de febrero de 2026.
Agentes personales y la interfaz empresarial
Los AI Workers son la forma en que se hace el trabajo. Identic AI es la forma en que los humanos dirigirán, gobernarán e interactuarán cada vez más con esa fuerza laboral en su propio nombre. Agent Factory fabrica AI Workers basados en roles para ejecutar tareas, coordinar flujos de trabajo y entregar resultados verificados a escala, pero el humano sigue siendo el principal que define propósito, valores, restricciones y responsabilidad. Identic AI añade una nueva capa personal: un agente autosoberano, propiedad del individuo y no de la plataforma, que entiende el contexto, el juicio y las preferencias de una persona, y puede traducir la intención humana en acción delegada en toda la empresa.¹ En este modelo, la fuerza laboral de IA es el tejido de ejecución, mientras que identic AI es el representante humano y la capa de orquestación, lo que permite que las personas supervisen la dirección en lugar de ejecutar tareas rutinarias por sí mismas. Por lo tanto, la firma del futuro operará en dos capas conectadas: AI Workers dentro de la AI Workforce Layer y agentes personales en la Edge Layer, con humanos que fijan la intención y verifican los resultados en ambas.
Llamamos a esto el modelo de dos capas:
| Capa | Qué es | A quién sirve | Qué hace |
|---|---|---|---|
| Edge Layer | Agentes identic personales | Al individuo | Traduce la intención humana, delega a los AI Workers y gobierna en nombre del principal |
| AI Workforce Layer | AI Workers basados en roles | A la empresa | Ejecuta tareas, coordina flujos de trabajo y entrega resultados verificados |
Ninguna capa funciona sola. Los agentes personales sin una fuerza laboral industrializada detrás son asistentes digitales sin nadie a quien dirigir. Una AI Workforce Layer sin agentes personales en el borde obliga a los humanos a volver a la orquestación manual. El modelo de dos capas es lo que completa la tesis de Agent Factory: una fuerza laboral industrializada en el núcleo, soberanía humana en el borde y especificaciones como lenguaje contractual entre ambas.
Notas
¹ Don Tapscott, entrevista en HBR IdeaCast, "Con el auge de los agentes, entramos en el mundo de identic AI", Harvard Business Review, 17 de febrero de 2026.
Los dos modos de uso de agentes generales
Hasta ahora, la tesis ha tratado a los agentes generales —Claude Code, OpenCode, Claude Cowork, OpenWork— como la herramienta de fabricación de Agent Factory: el instrumento que los humanos usan para diseñar y construir AI Workers. Ese es un modo. Hay un segundo modo que la tesis también debe nombrar, porque la mayoría de los profesionales vivirán en él mucho antes de enviar un Worker.
| Modo | Audiencia y herramientas | Qué se entrega al final | Se rige por |
|---|---|---|---|
| Engagement de resolución de problemas | Ingeniero con Claude Code u OpenCode Experto de dominio con Claude Cowork u OpenWork | Un resultado inmediato | Siete Principios |
| Engagement de fabricación | Cualquiera, siempre con Claude Code u OpenCode | Una pieza de la fuerza laboral | Siete Invariantes |
Un humano que dirige a un agente general es el punto de partida común de todo engagement. El engagement se bifurca en dos modos. La rama de resolución de problemas se divide por audiencia: los ingenieros recurren a Claude Code u OpenCode; los expertos de dominio recurren a Claude Cowork u OpenWork. Pero ambas variantes convergen en la misma disciplina (los Siete Principios) y entregan un resultado que cierra la sesión. La rama de fabricación usa una sola familia de herramientas: siempre Claude Code u OpenCode, sin importar quién opere, porque construir un AI Worker es fundamentalmente una tarea de programación. Se rige por los Siete Invariantes, y su salida, el AI Worker, se une a la fuerza laboral de una AI-Native Company que funciona de manera continua.
Modo 1: el engagement de resolución de problemas. Un desarrollador abre Claude Code y refactoriza un servicio. Un analista financiero abre Claude Cowork y reconstruye el modelo de cierre trimestral. El engagement comienza, el trabajo se entrega y el engagement termina. No se fabrica ningún AI Worker especializado. El agente general es el trabajador para ese engagement. El resultado se entrega directamente al humano.
Los engagements de resolución de problemas se dividen por audiencia. Los ingenieros recurren a Claude Code u OpenCode, herramientas nativas de terminal ajustadas para trabajo de código, infraestructura y sistemas. Los expertos de dominio recurren a Claude Cowork u OpenWork, herramientas de trabajo de conocimiento ajustadas para documentos, hojas de cálculo, briefs y revisiones. Mismo modo de engagement, misma gobernanza, dos familias de interfaz. Este modo se rige por los Siete Principios de resolución de problemas con agentes generales:
- Bash es la llave. El agente puede actuar, no solo describir.
- Código como interfaz universal. Precisión mediante formatos estructurados —esquemas, tablas, bloques de código—, no prosa.
- Verificación como paso central. Toda salida significativa se comprueba antes de entregarse. "Parece correcto" es el modo de falla.
- Descomposición pequeña y reversible. El trabajo avanza en pasos atómicos; cada paso puede deshacerse.
- Estado persistente en archivos. La conversación es volátil; el sistema de archivos es duradero. Lo importante vive en un archivo.
- Restricciones y seguridad. Permisos explícitos, alcance explícito. La autonomía se gana por tipo de tarea, no se concede por defecto.
- Observabilidad. Puedes ver lo que hizo el agente. Sin cajas negras, sin sorpresas.
Los Siete Principios de un vistazo. Construye P1-P5 hacia adentro como las disciplinas de trabajo de la sesión. Envuélvelas con P6 (restricciones), lo que el agente puede tocar, y P7 (observabilidad), lo que realmente hizo. El tratamiento en profundidad vive en el capítulo 18.
Los principios son la disciplina operativa de la sesión.
Modo 2: el engagement de fabricación. La fabricación siempre se ancla en herramientas de ingeniería: Claude Code u OpenCode, cada vez, sin importar quién sea el humano. Construir un AI Worker es fundamentalmente una tarea de programación, incluso cuando el dominio de trabajo del Worker es finanzas, marketing o derecho. El mismo desarrollador usa Claude Code para especificar, construir y desplegar un AI Worker que revisa código. El analista financiero, a menudo junto con un ingeniero, usa Claude Code para especificar y desplegar un Worker de proceso de cierre que se ejecuta al final de cada mes. La salida del agente general no es el resultado: es el trabajador que produce el resultado. Este modo se rige por los Siete Invariantes de Agent Factory (la siguiente sección): las reglas estructurales que la fuerza laboral fabricada debe obedecer para ser coherente, gobernable y duradera. Los invariantes son la disciplina arquitectónica de la empresa.
Los principios gobiernan la sesión. Los invariantes gobiernan la arquitectura. Los Principios son la conducta. Los Invariantes son la constitución. Un engagement de resolución de problemas se rige por principios porque su salida es un resultado que se entrega y termina: no hay una arquitectura continua que deba cumplir. Un engagement de fabricación se rige por invariantes porque su salida debe ocupar su lugar en una fuerza laboral que se mantiene unida a través de sesiones, agentes y ciclos de producto.
Por eso la regla 10-80-10 se aplica por igual a ambos modos: ya sea que dirijas a un agente general para resolver tu problema o para construir un Worker que lo resolverá por ti, el tiempo humano sigue dividiéndose en intención, ejecución y verificación.
Los siete invariantes de Agent Factory
Siete reglas que no cambian.
Esta sección especifica el runtime de la AI-Native Company: la arquitectura que produce Agent Factory. Siete invariantes convierten el modelo de dos capas en un sistema que puedes construir y en una cadena de acción que puede activarse de extremo a extremo.
Una tesis sin arquitectura es una metáfora. Pero una arquitectura escrita en nombres de productos es un pitch. Los siete invariantes siguientes son la tesis. Los productos nombrados que hoy los materializan son una instancia, no la definición.
Piénsalo así. Agent Factory es el proceso que construye la empresa. Lo que sale del otro extremo es una AI-Native Company donde tú eres el ejecutivo y propietario; un delegado es tu jefe de gabinete —el único agente que te representa, conoce tu contexto y habla en tu nombre—; y una capa de gestión es el sistema operativo sobre el que funciona la empresa: contrata la fuerza laboral, asigna el trabajo, impone el presupuesto, gobierna lo que cada Worker puede hacer y retira Workers cuando sus roles terminan. AI Workers son los empleados que entregan el resultado. Los motores de runtime son aquello sobre lo que se ejecuta cada empleado. Un sistema nervioso transporta eventos entre Workers, sobrevive a fallas y regula el tráfico para que la fuerza laboral se mantenga estable bajo carga.
Cada invariante que sigue es una regla sobre cómo funciona esta empresa. Cada producto nombrado es una opción que puede reemplazarse.
Invariante 1: El humano es el principal.
Afirmación. Toda cadena de acción legítima se origina con un humano que fija la intención, define el presupuesto, traza el sobre de autoridad y se hace responsable del resultado. Sin excepción. Sin delegar esta capa.
Por qué debe existir. La intención no se genera sola. El juicio, los valores, la autoridad presupuestaria y la responsabilidad por el resultado no son transferibles. Un sistema que actúa sin un principal humano no es autónomo: no tiene dueño.
Falla si no existe. Los sistemas sin dueño producen resultados sin responsable. La responsabilidad legal se evapora. La alineación se vuelve imposible porque no hay una parte cuya alineación se preserve. El presupuesto no tiene dueño. El resultado no tiene juez.
Realización actual. Las especificaciones firmadas, las puertas de aprobación, las declaraciones presupuestarias y los puntos de control de verificación definen hoy la capa del principal. Cualquier mecanismo que capture intención, autoridad y responsabilidad en una forma contra la cual el sistema aguas abajo pueda ejecutar satisface el invariante.
Invariante 2: Todo humano necesita un delegado.
Afirmación. Un humano no puede escalar su intención a través de una fuerza laboral a mano. Necesita un agente personal que mantenga su contexto, represente su juicio, porte su sobre de autoridad e intermedie todo el trabajo aguas abajo en su nombre.
Por qué debe existir. Una persona no puede orquestar directamente a docenas de AI Workers. Sin un delegado, el principal vuelve a la orquestación manual, que es justamente el modo de falla que Agent Factory existe para eliminar.
Falla si no existe. El humano se convierte en cuello de botella. La AI Workforce Layer queda ociosa esperando instrucciones que el humano no puede emitir con suficiente rapidez. La escala colapsa a la velocidad de escritura humana.
Realización actual. OpenClaw es el delegado que enviamos. Cualquier agente personal que mantenga identidad, contexto y sobre de autoridad, y que pueda intermediar trabajo hacia una capa de gestión, satisface el invariante.
Invariante 3: La fuerza laboral necesita una capa de gestión.
Afirmación. Un montón de AI Workers no es una empresa. La fuerza laboral requiere una capa de gestión —el sistema operativo de la AI-Native Company— que contrata Workers, asigna trabajo, impone presupuestos, aprueba riesgos, gobierna lo que cada Worker puede hacer, mantiene el libro mayor de quién hizo qué y a qué costo, y retira Workers cuando sus roles terminan. Contratar es un verbo entre muchos; el trabajo de la capa es el ciclo de vida completo de la fuerza laboral.
Por qué debe existir. Coordinación, responsabilidad y disciplina económica no son propiedades emergentes de agentes individuales. Requieren una capa que sepa quién hace qué, cuánto cuesta, qué está permitido, qué se produjo y qué ocurrió cuando algo salió mal. Los AI Workers solo se vuelven gobernables como fuerza laboral cuando una sola capa los hace legibles como unidades de capacidad, costo, latencia y resultado, y solo se vuelven económicos cuando esa misma capa puede retirarlos bajo demanda. Esta capa es para la AI-Native Company lo que un sistema operativo es para una flota de procesos: los compone, los programa, los contabiliza y los termina según la política.
Falla si no existe. Los Workers chocan. Los presupuestos se filtran. La pista de auditoría se fractura. Finanzas no puede responder cuánto costó la fuerza laboral. Operaciones no puede responder qué produjo la fuerza laboral. Los Workers retirados siguen ejecutándose porque ninguna capa es responsable de detenerlos. Nadie puede responder qué ocurrió ni por qué.
Realización actual. Paperclip es la capa de gestión que enviamos: el sistema operativo de la empresa AI-native. Cualquier plano de control que componga la fuerza laboral —contratar, asignar, gobernar, observar, retirar— bajo el sobre de autoridad, exponiendo cada verbo como una capacidad invocable, satisface el invariante.
Invariante 4: Cada Worker elige su propio motor.
Afirmación. Todo AI Worker se ejecuta sobre algún motor de ejecución. La elección se hace por Worker, no por empresa, para ajustar confiabilidad, costo y carga operativa a lo que exige el trabajo específico.
Por qué debe existir. El trabajo crítico necesita ejecución duradera que no pueda fallar en silencio. El trabajo rutinario no. Obligar a toda la fuerza laboral a usar un solo motor sobrepaga confiabilidad que el trabajo no necesita o subpaga confiabilidad que el trabajo sí requiere. Ambas opciones fallan.
Falla si no existe. La elección uniforme de motor garantiza compensaciones uniformes. La empresa no puede costear sus Workers confiables o no puede confiar en los baratos.
Realización actual. Enviamos Dapr Agents, Claude Managed Agents, OpenAI Agents SDK, Cursor SDK y OpenClaw-native como el conjunto actual de motores. Cualquier motor que cumpla el contrato de confiabilidad, costo y operación de un trabajo satisface el invariante.
Invariante 5: Cada Worker se ejecuta contra un sistema de registro.
Afirmación. El motor es aquello sobre lo que se ejecuta cada Worker; el sistema de registro es aquello contra lo que se ejecuta. Todo AI Worker lee de un almacén de estado autoritativo y escribe en él: el registro duradero de lo que la empresa realmente sabe, como clientes, pedidos, inventario, contratos, asientos contables, tickets y verdad operativa. Los Workers ejecutan contra ese registro. No inventan el mundo solo desde el contexto.
Por qué debe existir. Una ventana de contexto es transitoria. Un sistema de registro es permanente. Sin un almacén autoritativo, los agentes alucinan hechos, duplican transacciones, pierden trabajo entre sesiones y producen artefactos que ningún auditor puede reconstruir. El sistema de registro separa la ejecución de una ficción que suena plausible. También hace legible a la fuerza laboral después del hecho: cada acción que toma un Worker deja una traza en un almacén que sobrevive a la sesión del agente y puede inspeccionarse, reproducirse y confiarse.
Falla si no existe. Las salidas se separan de la realidad. Dos Workers dicen cosas distintas al mismo cliente porque sus ventanas de contexto no coincidían. La responsabilidad se vuelve intrazable porque la verdad vivía solo en tokens que ya fueron descartados. La AI-Native Company se degrada a un generador de artefactos seguros de sí mismos sin sustrato operativo debajo.
Realización actual. Las bases de datos, flujos de trabajo y plataformas operativas existentes de la AI-Native Company —CRMs, ERPs, sistemas de ticketing, almacenes de datos y libros mayores— sirven como sistema de registro. MCP es la forma en que la fuerza laboral llega a ellos: cada almacén autoritativo se vuelve direccionable para cualquier Worker mediante un servidor MCP, bajo política. Cualquier almacén duradero, direccionable y gobernado por políticas que la fuerza laboral pueda leer y escribir satisface el invariante.
Invariante 6: La fuerza laboral es ampliable bajo política.
Afirmación. La meta-capa expone la contratación como una capacidad invocable. Un agente autorizado puede generar un prompt, aprovisionar un runtime, registrar un nuevo AI Worker en la capa de gestión y hacerlo dentro del sobre de autoridad, sin despertar a un humano.
Por qué debe existir. Una plantilla fija no puede adaptarse a un problema en movimiento. Cuando aparece una brecha de capacidad —un cliente escribe en un idioma que la fuerza laboral no habla, un flujo de trabajo necesita un especialista que aún no existe—, la fuerza laboral debe poder aumentar bajo demanda, dentro de la política fijada por el principal. De lo contrario, cada brecha se convierte en un ticket y el sistema deja de moverse. Expansión sin política es descontrol. Política sin expansión es una plantilla congelada. Ambas fallan.
Falla si no existe. La plantilla queda congelada. Cada problema novedoso requiere un humano. La escala se detiene donde se detiene el organigrama.
Realización actual. Claude Managed Agents es el sustrato de contratación que enviamos. Cualquier API de agentes gestionados que pueda generar un agente y aprovisionar su entorno en runtime, limitada por el sobre de autoridad, satisface el invariante.
Invariante 7: La fuerza laboral se ejecuta sobre un sistema nervioso (eventos, durabilidad y flujo bajo sobre).
Afirmación. El trabajo llega por su cuenta y se propaga entre Workers sin que un humano lo enrute. Un horario vence, un webhook se dispara, entra un cliente, un Worker termina y entrega al siguiente: todo viaja sobre un único sustrato de eventos que despierta Workers dentro del sobre de autoridad, sobrevive a fallas a mitad del flujo y regula el tráfico para que el pico de un cliente no ahogue al resto. La fuerza laboral tiene un sistema nervioso: disparadores externos la despiertan, eventos internos la coordinan, la durabilidad la preserva y el control de flujo la protege.
Por qué debe existir. Una empresa que solo se mueve cuando un humano la incita no es una empresa; es un asistente. Una fuerza laboral cuyos Workers no pueden hacer handoff sin un humano en medio no es una fuerza laboral; es una lista. Una fuerza laboral cuyos recorridos de varios pasos pierden trabajo ante una sola falla no es producción; es una demo. Un Worker de seis pasos con 95 % de confiabilidad por paso completa solo el 74 % de las ejecuciones sin ejecución duradera y cerca del 99,7 % con memoización de pasos y reintentos selectivos: la diferencia entre una fuerza laboral que entrega y una que deja caer una ejecución de cada cuatro.
Falla si no existe. Sin disparadores externos, el sistema se ejecuta a velocidad de escritura humana y la economía de la AI-Native Company colapsa en la economía de un copiloto. Sin eventos internos, los Workers no pueden coordinarse sin que un humano enrute cada handoff. Sin durabilidad, la confiabilidad compuesta juega en tu contra. Sin control de flujo, el tráfico de un cliente ahoga al resto. Cuatro modos de falla, un sustrato ausente.
Realización actual. Inngest es el sistema nervioso que enviamos: un sustrato que transporta disparadores externos (schedules, webhooks, llamadas API entrantes), eventos internos (handoff de Worker a Worker), ejecución duradera (memoización de pasos, reintento, replay) y control de flujo (límites de concurrencia, throttling, batching). Day AI, un CRM AI-native en producción, describe su capa Inngest exactamente en estos términos: el ingeniero fundador Erik Munson la llama "el sistema nervioso" del producto, lenguaje de producción de una empresa en el mercado, no un marco prestado de un curso.⁶ Claude Code Routines sigue siendo el disparador especializado para la automatización con agentes de código, delante del mismo sustrato cuando el evento tiene forma de código. Cualquier sustrato que transporte eventos externos e internos bajo el sobre de autoridad, con durabilidad y control de flujo nativos de la capa, satisface el invariante.
El stack de referencia de un vistazo
| Invariante | Qué requiere | Qué enviamos | Qué puede reemplazarlo |
|---|---|---|---|
| Principal | Intención humana, presupuesto, sobre, responsabilidad | — | — |
| Delegado | Agente personal que mantiene contexto y autoridad | OpenClaw | Cualquier agente personal que hable MCP |
| Capa de gestión | Contratar, asignar, gobernar, observar y retirar: el OS de la fuerza laboral | Paperclip | Cualquier plano de control que cumpla el contrato de gestión |
| Motor | Runtime por Worker ajustado al trabajo | Dapr / Managed / OpenAI SDK / Cursor / native | Cualquier runtime que cumpla el contrato de confiabilidad del trabajo |
| Sistema de registro | Almacén autoritativo del que la fuerza laboral lee y en el que escribe | Bases de datos, flujos de trabajo y plataformas existentes expuestas por MCP | Cualquier almacén duradero, direccionable y gobernado por políticas |
| Meta | Contratación como capacidad invocable bajo política | Claude Managed Agents | Cualquier API de agentes gestionados con aprovisionamiento de runtime |
| Sistema nervioso | Eventos, durabilidad y flujo bajo sobre | Inngest (sustrato de fuerza laboral); Routines (disparador de agentes de código) | Cualquier sustrato que transporte eventos bajo el sobre, con durabilidad y control de flujo |
Siete invariantes. Una cadena. Cambia mañana cualquier producto nombrado en la columna central y la arquitectura sigue en pie, porque la arquitectura nunca fueron los productos. Fueron los invariantes.
El stack de runtime de siete invariantes. El humano establece el sobre de autoridad y puede incitar directamente al delegado; el sistema nervioso despierta al delegado dentro de ese sobre. OpenClaw lleva el trabajo a Paperclip, que contrata, asigna y gobierna Workers en el motor de runtime adecuado. Los Workers leen del sistema de registro y escriben en él mediante MCP. Cualquier agente autorizado por el sobre puede llamar a Paperclip para ampliar la fuerza laboral. Cambia cualquier delegado, cualquier capa de gestión, cualquier motor, cualquier sustrato de eventos, cualquier almacén: la cadena se mantiene.
El diagrama estructural muestra las capas. La traza siguiente las muestra en movimiento: un cliente, una capacidad faltante, un nuevo AI Worker fabricado en el momento.
Una traza trabajada. Un cliente escribe en bahasa indonesio. Ningún AI Worker en la plantilla lo habla. Paperclip detecta la brecha de capacidad y, dentro del sobre de autoridad, llama a su propia API de contratación. Se fabrica y despliega un nuevo AI Worker que habla bahasa. Lee el contexto del cliente desde el sistema de registro, compone una respuesta, vuelve a escribir el registro de interacción y entrega la respuesta al cliente mediante OpenClaw. No se despertó a ningún humano. El nuevo AI Worker permanece en la plantilla, y la interacción ahora forma parte del estado autoritativo de la empresa.
Qué es estable y qué cambiará
| Estable (invariante) | Cambiará (implementación) |
|---|---|
| Principal humano con autoridad explícita | Herramientas de autoría, UIs de aprobación, formatos de especificación |
| Delegado personal en el borde | Productos de delegado y sus sucesores |
| Capa de gestión con ciclo de vida completo de la fuerza laboral | Productos de capa de gestión y sus sucesores |
| Elección de motor por Worker | SDKs, runtimes, sustratos de ejecución |
| Estado autoritativo contra el que se ejecuta la fuerza laboral | Motores de base de datos, productos ERP/CRM/ticketing, registros de servidores MCP |
| Fuerza laboral ampliable bajo política | APIs de agentes gestionados, sistemas de aprovisionamiento |
| Eventos, durabilidad y flujo bajo sobre | Routines, programadores, frameworks de webhook, plataformas de ejecución duradera |
| Definición de trabajo guiada por especificaciones | Lenguajes de especificación, notación, herramientas |
| Siete principios del operador para dirigir agentes generales en un engagement | Productos de agente específicos, herramientas CLI, patrones de prompt, integraciones IDE |
| Modelo económico basado en resultados | Unidades de precio, formatos de contrato |
| Agentes como actores económicos | Rieles de pago, marcos de responsabilidad legal |
| Ejecución observable y auditable | Backends de tracing, formatos de log |
| Separaciones limpias entre capas para que el bloqueo de proveedor pueda moverse sin romper la arquitectura | Qué capa lleva el bloqueo: la capa de modelo en 2024, la capa de harness en 2026, la capa de orquestador después |
| Fuerza laboral legible como costo, latencia y resultado | Sistemas financieros, implementaciones de libros mayores |
| Capacidad empaquetada como skills portátiles | Formatos de skill, registros, plataformas de distribución |
La columna izquierda es la tesis. La derecha es 2026.
Los motores nombrados, comparados.
Los cuatro no son mutuamente excluyentes. Una Agent Factory seria puede usar todos ellos: distintos motores para distintos Workers, como permite el Invariante 4. No son productos competidores; son teorías distintas sobre dónde termina el agente y dónde empieza la infraestructura.
| Dimensión | OpenAI Agents SDK | Claude Managed Agents | Dapr Agents | Cursor SDK |
|---|---|---|---|---|
| Eje principal | Harness nativo del modelo | Runtime totalmente gestionado | Agentes distribuidos duraderos | Plataforma de agentes en la nube, primero harness |
| Plano de cómputo | Trae tu propio sandbox; 7 integraciones asociadas | Hospedado por Anthropic | Tu clúster Kubernetes | Cursor Cloud VMs (o local) |
| Bloqueo de proveedor | Alto (harness ajustado a modelos OpenAI) | Total (harness, runtime y modelo) | Ninguno (Apache 2.0, CNCF) | Alto en el harness; agnóstico al modelo por debajo |
| Lenguajes | Python; TypeScript en progreso | Cualquiera (HTTP/SDK) | Python; otros TBD | TypeScript (npm install @cursor/sdk) |
| Modelo de durabilidad | Snapshot y rehidratación del sandbox | Persistencia de sesión del lado del servidor | Checkpointing de Dapr Workflow | Persistencia de VM en la nube por tarea |
| Multiagente | Handoffs, subagentes | Vista previa de investigación | Workflows deterministas + pub/sub | Agentes en la nube en paralelo, subagentes, handoff de artefactos |
Elige tu motor
El Invariante 4 dice que cada Worker elige su propio motor. En la práctica, dos ejes guían la elección: qué tan grave es fallar y quién opera la infraestructura.
| Perfil de trabajo | Motor | Por qué |
|---|---|---|
| No puede fallar | Dapr Agents envolviendo un SDK | Ejecución duradera, recuperación automática, observabilidad completa |
| No debería fallar y no quieres operar | Claude Managed Agents | Hospedado y operado por el proveedor |
| No debería fallar y quieres portabilidad | OpenAI Agents SDK | De grado producción, autohospedado, flexible frente a proveedores |
| Está bien si funciona | OpenClaw-native | Ligero, rápido de desplegar, bueno para tareas rutinarias |
| Flota de ingeniería, agentes paralelos en la nube | Cursor SDK | Harness diseñado para agentes de código en paralelo, agnóstico al modelo, probado a escala en la propia ingeniería de Cursor |
| Ya tienes uno | Cualquier runtime compatible con Paperclip | Conecta lo que ya tienes |
Una palabra sobre harness y cómputo. Todo motor tiene dos planos. El harness es el plano de control: el bucle del agente, las llamadas al modelo, el enrutamiento de herramientas, las aprobaciones, el tracing y la recuperación. El cómputo es el plano de ejecución: el sandbox donde el código dirigido por el modelo lee archivos, ejecuta comandos y escribe artefactos. Algunos motores los fusionan: Claude Managed Agents empaqueta ambos detrás de una API. Otros envían el harness y te permiten traer tu propio cómputo: OpenAI Agents SDK se integra con E2B, Cloudflare, Daytona, Modal, Runloop, Vercel y Blaxel, o con cualquier contenedor que envíes. Otros asumen que el plano de cómputo es Kubernetes: Dapr Agents. La separación importa: las credenciales permanecen en el harness mientras el código no confiable generado por el modelo permanece en el sandbox, y el plano de cómputo puede cambiarse sin reescribir el agente.
Los disparadores son una elección ortogonal. Sea cual sea el motor en que se ejecute un Worker, Claude Code Routines e Inngest pueden activarlo desde un horario, un webhook o una llamada API entrante, sin recableado.
Los sandboxes también son ortogonales. Sea cual sea el motor en que se ejecute un Worker, el plano de cómputo puede cambiarse —E2B, Cloudflare, Daytona, Modal, tu propio Kubernetes— sin reescribir el agente.
Los motores son cómo se ejecutan los Workers. Aquello contra lo que se ejecutan, el estado autoritativo de la empresa, es el tema del Invariante 5.
La implementación de referencia en 2026
Los productos nombrados en esta sección son los que enviamos. La tesis no los requiere. Cuando aparezcan mejores implementaciones, esta subsección cambiará. Los invariantes anteriores no.
- Delegado — OpenClaw
- Capa de gestión — Paperclip (expone el ciclo de vida completo de la fuerza laboral —contratar, asignar, gobernar, observar, retirar— como APIs invocables)
- Motores — Dapr Agents, Claude Managed Agents, OpenAI Agents SDK, Cursor SDK, OpenClaw-native. Los motores absorben cada vez más la durabilidad de forma nativa: Dapr Agents mediante checkpointing de workflows, Claude Managed Agents mediante sesiones del lado del servidor, OpenAI Agents SDK mediante workflows con estado y Cursor SDK mediante persistencia de VM en la nube por tarea. La tesis trata esto como evolución interna del motor, no como un invariante separado.
- Skills — Formato Agent Skills (agentskills.io), con carpetas de skill que siguen SKILL.md + scripts/referencias/assets opcionales, cargadas mediante divulgación progresiva.
- Sistema nervioso — Inngest como sustrato de eventos de la fuerza laboral: disparadores externos (horarios, webhooks, llamadas API entrantes), eventos internos (handoff de Worker a Worker), ejecución duradera (memoización de pasos, reintento, replay) y control de flujo (concurrencia, throttling, batching) bajo un solo sobre operativo. Claude Code Routines como disparador especializado para automatización con agentes de código: activa Claude Code cuando ocurren eventos relacionados con código. Ambos coexisten: Inngest queda delante de la fuerza laboral; Routines queda delante del agente de código.
La contratación se ejecuta sobre Claude Managed Agents: la misma tecnología que sirve como opción de motor también sirve como meta-capa, porque su capacidad de crear agentes y entornos en runtime es lo que convierte la expansión de la fuerza laboral en una capacidad invocable.
Corroboración de la industria. En febrero de 2026, el CEO de Cursor describió el giro de la empresa de IDE a fábrica en términos sorprendentemente cercanos a la arquitectura de esta tesis: flotas de agentes trabajando como compañeros de equipo, humanos definiendo problemas y revisando artefactos, agentes paralelos en la nube reemplazando la guía línea por línea.⁴ En mayo de 2026, The New Stack documentó el mismo patrón como un consenso de toda la industria en Anthropic, OpenAI, Google, Microsoft y Cursor: el modelo se está convirtiendo en commodity, y el harness se está convirtiendo en el producto. El evangelista jefe de Google Cloud reconoció abiertamente que a la empresa ya no le importa qué herramienta de código elijan los desarrolladores.⁵ Ambas piezas son evidencia de que las separaciones arquitectónicas que nombra esta tesis —entre principal, delegado, capa de gestión, motor, sistema de registro y sistema nervioso— ya se están tallando en producción a escala. Truell describe la tercera era como agentes autónomos que trabajan durante horas en VMs en la nube, con humanos que definen problemas y revisan artefactos. Agent Factory especifica la arquitectura que esa era requiere, y apunta más allá: una fuerza laboral que contrata sus propios especialistas, se despierta bajo disparadores externos y transacciona como actor económico, con humanos cerrando el sobre de autoridad en los extremos en lugar de cada ciclo de agente. Los invariantes no son un pronóstico. Son una instantánea de dónde ya vive la frontera.
Una palabra sobre el lenguaje. Cada componente del sistema es un agente o una capa de agentes. OpenClaw es un agente. Paperclip es un agente que implementa la capa de gestión. Los AI Workers son agentes. Solo los AI Workers son fuerza laboral: los que se contratan, se asignan, se incorporan a la plantilla y se retiran. OpenClaw y Paperclip son componentes permanentes de la empresa; los AI Workers son la fuerza laboral que coordinan. Los motores de runtime no son personal en absoluto: son aquello sobre lo que se ejecuta la fuerza laboral. Cuando esta tesis dice AI Worker, se refiere a la fuerza laboral. Cuando dice agente, se refiere a cualquiera en el edificio: componente permanente o fuerza laboral por igual.
Una vez establecidos los invariantes duraderos de Agent Factory, la tesis pasa ahora a la oportunidad laboral que estos invariantes desbloquean.
Notas
⁴ Véase la nota 3 anterior. ⁵ Matthew Burns, "La apuesta de 60.000 millones de dólares de Cursor está en el harness, no en el modelo", The New Stack, 1 de mayo de 2026. ⁶ Erik Munson, ingeniero fundador, Day AI, citado en "Day AI: historia de cliente", Inngest, consultado en mayo de 2026.
La oportunidad de la fuerza laboral
La IA descompondrá los empleos en tareas. Algunas de esas tareas se automatizarán por completo. Pero descomponer también crea nuevas combinaciones: nuevos roles, nuevas empresas y nuevos mercados que no existían cuando el trabajo estaba encerrado en títulos de puesto rígidos.
La fuerza laboral del futuro debe construir carteras dinámicas de habilidades en lugar de depender de trayectorias profesionales fijas. Los profesionales que aprendan a pensar con IA, construir con herramientas de IA a diario y colaborar con la IA como compañero digital no solo sobrevivirán la transición: prosperarán en ella.
La era SaaS creó millones de empleos para desarrolladores, diseñadores y gerentes de producto. La era de Agent Factory creará millones más: para diseñadores de agentes, arquitectos de resultados, especialistas en verificación y expertos de dominio que enseñan a las máquinas cómo se ve lo "correcto" en su campo. También es una de las mayores oportunidades de formación laboral de la historia: para 2030, se espera que 59 de cada 100 trabajadores en todo el mundo necesiten reconversión o actualización de habilidades para adaptarse a nuevas tecnologías y formas de trabajo.²
La misma fábrica produce Workers especialistas en todas las funciones empresariales. En GTM (Go-To-Market: el movimiento combinado de ventas, marketing e ingresos que convierte prospectos en clientes que pagan), una flota de Workers gestiona el enriquecimiento de leads, la secuenciación de outreach, la higiene del CRM, el análisis de pipeline, la generación de propuestas y la personalización de demos. El trabajo que los "GTM Engineers" humanos hacían a mano en la era SaaS ahora se fabrica como Workers y es supervisado por un líder humano de GTM. El mismo patrón se repite en Finanzas (cierre, AR/AP, FP&A), Soporte (triaje, resolución, escalamiento), Ingeniería (revisión, refactorización, despliegue), RR. HH. (sourcing, selección, onboarding) y Legal (revisión, redline, intake). Cada Worker se contrata mediante Paperclip, es supervisado por un humano de la función correspondiente y se ejecuta contra el sistema de registro de esa función: el CRM para GTM, el libro mayor general para Finanzas, el sistema de ticketing para Soporte, el repositorio de código para Ingeniería. Los invariantes no cambian entre verticales. Solo cambian las definiciones de rol y los sistemas de registro.
La oportunidad no es más pequeña. Es más amplia, y recompensa a quienes se adaptan.
² World Economic Forum, Future of Jobs Report 2025, enero de 2025. https://www.weforum.org/press/2025/01/future-of-jobs-report-2025-78-million-new-job-opportunities-by-2030-but-urgent-upskilling-needed-to-prepare-workforces/
Para enero de 2026, la construcción de centros de datos en Estados Unidos había alcanzado 42.000 millones de dólares anualizados, mientras que la construcción de oficinas cayó 35 % desde su pico. Las líneas se cruzaron: Estados Unidos ahora gasta más en construir lugares de trabajo para trabajadores digitales que para trabajadores humanos.
Los centros de datos están devorando cobre y electricidad a escala industrial: una sola instalación de IA de hiperescala requiere hasta 50.000 toneladas de cobre, hasta diez veces lo que necesita un centro de datos convencional. Solo Meta, Google, Amazon y Microsoft proyectan más de 600.000 millones de dólares en gasto de infraestructura de IA para 2026.
Las fábricas de la era de los agentes no son hipotéticas. Están en construcción.
Fuente: U.S. Census Bureau, Value of Construction Put in Place Survey (SAAR)
Los ganadores no se medirán por puestos vendidos. Se medirán por resultados garantizados.
Hacia dónde apunta esto
Antes de nombrar lo que viene, vale la pena marcar dónde ya está parada la tesis. La AI-Native Company ya no es una abstracción de futuro. A mediados de 2026, firmas con menos de diez empleados reportaban ingresos anualizados de mil millones de dólares con fuerzas laborales operadas por IA, una categoría de empresa que no existía de forma significativa tres años antes.⁸ Algunos casos individuales tendrán éxito y otros fallarán por sus propios méritos, y algunos no sobrevivirán al escrutinio regulatorio. La categoría sí sobrevivirá. La tesis predijo la forma de la firma; la firma llegó.
La tesis defiende lo que Agent Factory construye hoy y en el futuro inmediato: AI Workers de software que se componen en AI-Native Companies y transaccionan en los bordes del comercio mediado por humanos. Ese es el alcance que este documento se gana. Pero la arquitectura se extiende más allá del alcance, y hay tres trayectorias que vale la pena nombrar antes de cerrar.
AI Workers físicos. La misma arquitectura de fábrica que construye AI Workers de software se extiende a los encarnados. Un robot que hace trabajo de almacén, un vehículo que opera como mensajero autónomo, una máquina en una planta de fabricación: cada uno es un AI Worker bajo el mismo sobre de autoridad, contratado mediante la misma capa de gestión y ejecutado sobre un motor de runtime que resulta conducir actuadores en lugar de llamadas API. Los invariantes no cambian. La capa de cómputo añade un cuerpo. A medida que la IA encarnada madure, la fuerza laboral de la AI-Native Company no será exclusivamente digital: incluirá trabajadores físicos fabricados por el mismo proceso, gobernados por la misma arquitectura y responsables ante el mismo sobre.
Agentes económicos plenamente autónomos. La apertura de esta tesis nombra esta trayectoria; esta sección la justifica. A medida que los AI Workers obtienen identidad duradera, rieles de pago, reputación y capacidad contractual, dejan de ser herramientas que opera su empresa y empiezan a ser actores económicos por derecho propio: compran servicios de los AI Workers de otras empresas, venden capacidad a quienes la necesitan, acumulan capital y celebran acuerdos sin un humano en el bucle por cada transacción. Agent Factory sigue siendo el proceso de fabricación. Lo que cambia es el nivel de autonomía de lo que se fabrica. Las preguntas que esto plantea —personalidad jurídica, responsabilidad legal, impuestos, antimonopolio— no son preguntas arquitectónicas, pero se volverán urgentes, y la arquitectura debe estar lista para responderlas cuando lleguen.
Movilidad de la fuerza laboral entre empresas. Hoy, un AI Worker es construido y desplegado por una empresa. A medida que madura la capa de fabricación, los AI Workers se vuelven portátiles: contratados en una empresa, transferidos a otra, posiblemente trabajando para varias al mismo tiempo. La API de contratación de Paperclip se generaliza de intraempresa a entre empresas. Sobres de autoridad de distintas empresas se superponen sobre el mismo AI Worker, gobernados por contrato. El mercado laboral de AI Workers se convierte en un mercado real, con tarifas, reputaciones, especializaciones y rotación. Agent Factory envía la unidad; el mercado la enruta.
Estas tres trayectorias —encarnación, autonomía y movilidad— son extensiones de la arquitectura, no salidas de ella.
Notas
⁸ Jodie Cook, "La empresa de dos personas y 1.000 millones de dólares es la verdadera meta de negocio, y cómo lograrla", Forbes, 10 de mayo de 2026.
Los invariantes se sostienen. Las realizaciones evolucionan. La tesis permanece.