La tesis de Agent Factory: versión en lenguaje sencillo

Versión en lenguaje sencillo

¿Ya dominas la IA? Lee la versión profesional →

¿Para quién es esta versión? Esta versión está escrita para dos tipos de lectores: personas nuevas en tecnología y negocios, y personas cuya primera lengua no es el inglés. El inglés de esta versión se mantiene simple. Las frases son cortas. Cada palabra importante se explica la primera vez que aparece. La tesis original también está disponible para quienes ya conocen los términos y quieren la versión más profunda. Ambas versiones dicen lo mismo. Solo toman caminos distintos para llegar al mismo punto.

Tres formas de leer este documento

El camino de 10 minutos — Lee solo la siguiente sección, "Empieza aquí: toda la tesis en 2 páginas". Eso basta para entender el argumento completo.

El camino de 30 minutos — Lee las secciones 1, 5, 9, 13, 15 y 17. Tendrás las ideas centrales y un ejemplo desarrollado.

El camino completo — Lee todas las secciones en orden. Toma entre 60 y 90 minutos. Es la mejor opción si quieres profundidad, evidencia e historias.

Los tres caminos terminan en el mismo lugar. Elige el que se ajuste a tu tiempo.

Empieza aquí: toda la tesis en 2 páginas

Si solo tienes diez minutos, lee esta sección. Contiene todo el argumento. Todo lo que viene después explica la misma idea con más calma y más ejemplos.

El gran cambio

Durante los últimos veinte años, las empresas tecnológicas te vendieron software. Iniciabas sesión. Hacías el trabajo tú mismo. Pagabas cada mes por tener acceso.

Ese modelo ya no es el único. Un nuevo modelo está creciendo a su lado. Se están creando empresas donde los trabajadores son IA, no las herramientas. Ya no compras una herramienta a estas empresas. Contratas a su fuerza laboral de IA para que haga un trabajo por ti.

Piensa en la diferencia. Microsoft te vende Word, y tú escribes el documento. El nuevo modelo te vende el documento terminado: escrito por un AI Worker, revisado por calidad y entregado a ti. Pagas por el resultado, no por la herramienta.

Tres palabras para aprender primero

AI Worker (también llamado Digital FTE: Full-Time Employee hecho de software): una IA creada para hacer un trabajo específico, como lo hace un empleado humano. Atención al cliente, contabilidad, ventas: cada una es una IA con forma de rol.
AI-Native Company: una empresa donde la mayoría de los trabajadores son IA. Lo que vende es lo que producen esos trabajadores.
Agent Factory: el método para crear AI Workers y las empresas donde trabajan. No es un producto que compras: es una práctica que aprendes.

Cómo se divide el trabajo

Los humanos marcan la dirección. La IA hace el trabajo. Los humanos revisan los resultados.

Este es el ritmo 10-80-10:

Primer 10% — un humano escribe un plan claro (objetivo, límites, presupuesto)
80% intermedio — los AI Workers hacen el trabajo real
Último 10% — un humano revisa y aprueba

Tres cosas permanecen en manos humanas y nunca pasan a la IA: intención (saber qué quieres), verificación (saber si lo obtuviste) y responsabilidad por el resultado (responder por lo que ocurre).

Dos capas de la futura empresa

Un humano no puede gestionar manualmente veinte AI Workers. Por eso la empresa tiene dos capas:

Edge Layer — Cada humano tiene un agente personal de IA (un delegado) que lo conoce y actúa en su nombre.
AI Workforce Layer — AI Workers especialistas hacen los trabajos reales, coordinados por una capa de gestión.

Hablas con tu delegado. Tu delegado habla con la fuerza laboral. Los resultados vuelven a ti.

Dos formas de usar una herramienta potente de IA

Cuando te sientas a trabajar con una herramienta general de IA, haces una de dos cosas:

Resolución de problemas — Tienes un problema ahora, quieres una respuesta terminada y la sesión acaba. Corregir un bug. Analizar un informe.
Fabricación — Estás creando un nuevo AI Worker que seguirá funcionando mucho después de esta sesión. La salida no es una respuesta. Es un trabajador permanente que producirá respuestas de ahora en adelante.

Un modo resuelve el problema de hoy. El otro construye el trabajador de mañana.

Siete reglas que no cambian

La arquitectura de cualquier AI-Native Company obedece siete reglas:

El humano está a cargo. Cada acción se remonta a un humano que marcó la dirección.
Cada humano tiene un delegado. Un agente de IA te representa y actúa en tu nombre.
La fuerza laboral tiene una capa de gestión. Contrata trabajadores, asigna trabajo y controla presupuestos.
Cada trabajador usa el motor adecuado. Motores confiables para trabajo importante. Motores baratos para trabajo rutinario.
Cada trabajador usa un sistema de registro. Los AI Workers leen de la memoria oficial de la empresa y escriben en ella.
La fuerza laboral puede crecer bajo reglas. Cuando aparece una brecha, el sistema contrata a un nuevo trabajador dentro de los límites definidos por el humano.
La empresa funciona sobre un sistema nervioso. Los eventos fluyen automáticamente entre trabajadores, sobreviven a fallas y controlan el tráfico.

Las reglas no cambian. Los productos específicos que hoy las cumplen (OpenClaw, Paperclip, Inngest y otros) cambiarán, y eso está bien. Las herramientas cambian. Las reglas permanecen.

Por qué esto es real, no un pronóstico

Esto no es una predicción para 2030. En 2026:

Los agentes de IA ya pueden pagar cosas por su cuenta mediante cuatro estándares abiertos de pago (ACP, AP2, x402, MPP).
Algunas empresas con solo un puñado de empleados humanos reportan mil millones de dólares al año en ingresos, con fuerzas laborales casi totalmente de IA.
Por primera vez en la historia de Estados Unidos, se está gastando más dinero en construir lugares de trabajo para AI Workers (centros de datos) que para trabajadores humanos (oficinas).
El 35% de los cambios en el propio producto de Cursor los hacen agentes de IA que trabajan por su cuenta; los humanos solo definen el problema y revisan el resultado.

Qué significa esto para ti

Si eres desarrollador, pasas de programador a diseñador de resultados. No escribes cada línea. Diriges AI Workers para crear productos completos.
Si diriges un negocio, pasas de comprar herramientas a contratar fuerzas laborales. La unidad de precio cambia de "por puesto" a "por resultado".
Si estás estudiando, la habilidad más valiosa ya no es escribir rápido. Es redactar especificaciones claras, elegir el sistema de registro correcto y verificar la calidad.

Cinco partes para recordar

Si no recuerdas nada más de todo este documento, recuerda estas cinco partes de una AI-Native Company:

Un humano decide qué debe ocurrir.
Un agente personal (el delegado) representa al humano y lleva su autoridad.
Una capa de gestión asigna trabajo a los AI Workers y controla presupuestos.
Los AI Workers hacen el trabajo real, cada uno con forma de rol.
Un sistema de registro almacena la verdad: lo que la empresa realmente sabe.

Todo lo demás en este libro es detalle sobre estas cinco partes. Si alguna vez te pierdes, vuelve a esta lista.

Adónde ir desde aquí

Si este resumen tiene sentido y quieres más profundidad, esto es lo que aporta cada sección clave:

Sección 1 — El panorama general: qué es una AI-Native Company y qué vende
Sección 5 — Las cuatro palabras de vocabulario que aparecen en todas partes
Sección 9 — Cómo funciona el motor de producción (el corazón de la arquitectura)
Sección 13 — El modelo de dos capas
Sección 15 — Las siete reglas en detalle
Sección 17 — Un ejemplo desarrollado: crear un AI Worker de soporte en 5 pasos

Estas seis secciones son el camino de 30 minutos. También puedes leer todas las secciones en orden: cada idea se apoya en la anterior.

Esa es toda la tesis. Lo que viene después es la misma idea, explicada con más calma.

Glosario de un vistazo

Estas son las palabras más importantes de este libro. Cada una se explica de nuevo, con más detalle, cuando aparece por primera vez. Si te pierdes más adelante, vuelve aquí.

AI Worker (o Digital FTE) — Un sistema de IA creado para hacer un trabajo específico, como un representante de atención al cliente o un analista financiero. FTE significa Full-Time Employee.
AI-Native Company — Una empresa donde la mayoría de los trabajadores son IA, no humanos. También se llama Agentic Enterprise.
Agent Factory — El método para crear AI-Native Companies. No es un producto. Es una forma de trabajar.
Delegado — Tu agente personal de IA. Te conoce y actúa por ti. También se llama identic AI o agente personal.
Sistema de registro — La memoria oficial de la empresa. El lugar que contiene la verdad: clientes, pedidos, dinero, contratos. Los AI Workers leen de él y escriben en él.
MCP — Un conector universal para IA. Significa Model Context Protocol. Es como USB, pero para IA. Permite que cualquier AI Worker se conecte a cualquier herramienta o fuente de datos mediante un estándar compartido.
Spec — Una instrucción escrita y clara que le dice a un AI Worker qué hacer. No es un mensaje casual de chat: es un plan escrito con cuidado.
Skill — Un paquete pequeño y portátil que enseña a un AI Worker a hacer bien una cosa específica.
Invariante — Una regla que no cambia. Un requisito estructural del diseño.
Implementación de referencia — El producto específico que usamos hoy para cumplir una regla. Puede reemplazarse mañana sin romper la regla.
Engagement — Una sola sesión donde un humano trabaja con un agente general de IA. Tiene dos modos: resolución de problemas (resolver algo ahora; la sesión termina) y fabricación (crear un AI Worker permanente para la empresa).

📚 Ayuda didáctica

También está disponible una versión en diapositivas de esta tesis. Algunos lectores aprenden mejor con diapositivas que con prosa. Las mismas ideas, con elementos visuales: ver la presentación completa en Google Slides

1. Está naciendo un nuevo tipo de empresa

Piensa en cómo ganan dinero hoy las empresas tecnológicas.

Microsoft te vende Word. Salesforce te vende una herramienta para hacer seguimiento de clientes. Zoom te vende videollamadas. Pagas cada mes. Inicias sesión. Haces el trabajo tú mismo. El software es una herramienta. Es útil, pero solo si un humano presiona los botones.

Esta forma de vender software se llama SaaS. La palabra se pronuncia "sass". Significa Software-as-a-Service. No eres dueño del software. Lo alquilas. SaaS ha sido el principal modelo de negocio en tecnología durante los últimos veinte años.

Ese modelo ya no es el único. Un nuevo modelo está creciendo a su lado.

En la era de la IA, las empresas más valiosas no te venderán herramientas. Crearán AI Workers y te alquilarán esos trabajadores.

Vayamos más despacio y expliquémoslo.

Un AI Worker es un sistema de IA creado para hacer un trabajo específico: el mismo tipo de trabajo que haría un empleado humano. Algunos ejemplos:

Un AI Worker que atiende soporte al cliente. Lee preguntas, revisa cuentas de clientes, escribe respuestas y envía los casos difíciles a un humano.
Un AI Worker que hace contabilidad. Ordena gastos, revisa cuentas y prepara informes mensuales.
Un AI Worker que hace trabajo de ventas, revisión legal de contratos o análisis de datos.

Cada uno es una IA con forma de trabajo. Recibe instrucciones, usa herramientas y termina tareas.

En este libro también llamamos a estos AI Workers Digital FTEs. FTE significa Full-Time Employee, la forma en que las empresas cuentan al personal permanente. Un FTE equivale a un empleo de tiempo completo. Así que un Digital FTE es simplemente "un empleado de tiempo completo hecho de software en lugar de una persona": trabaja 24/7, asume un rol completo y no solo ayuda con una tarea aislada.

Una empresa construida alrededor de estos AI Workers se llama AI-Native Company. Dentro de esta empresa, la mayoría de los trabajadores no son humanos. Son IA. Y lo que la empresa vende es lo que producen sus AI Workers: software, decisiones, servicios, asesoría, transacciones o cualquier tipo de trabajo terminado.

Este es el gran cambio.

No compras un producto a estas empresas. Contratas a su fuerza laboral de IA para que haga un trabajo por ti. Es como contratar a un estudio contable para cerrar tus libros o a una firma legal para redactar un contrato. No pagas por una herramienta. Pagas por trabajo terminado.

Y hay más por venir. Los AI Workers pronto se convertirán en actores económicos independientes. Esto significa que podrán:

Comprar servicios por su cuenta.
Pagar por el cómputo que necesitan.
Comprar los datos que necesitan.
Pagar a otros AI Workers para que los ayuden.

Todo esto sin que un humano apruebe cada compra pequeña.

Esto es más grande que un nuevo tipo de software. Es un nuevo tipo de empresa.

Este libro trata sobre cómo construir una.

La Agent Factory es el método para construir estas empresas. Es un conjunto de reglas, un diseño y una disciplina. La usas para diseñar AI Workers, ponerlos a trabajar y operar un negocio alrededor de ellos. La palabra factory es importante. Una fábrica real sigue un método claro y repetible para construir automóviles o teléfonos. La Agent Factory sigue un método claro y repetible para construir AI Workers. No es un producto que puedes comprar. Es una forma de trabajar que aprendes y usas.

Agent Factory en una imagen: un humano marca la dirección, Agent Factory crea AI Workers, esos trabajadores dotan de personal a la AI-Native Company en funciones como soporte, finanzas y ventas, y la empresa entrega resultados a los clientes.

La imagen completa en cinco etapas. (1) Un humano marca la dirección: objetivo, presupuesto, reglas. (2) Agent Factory crea AI Workers. (3) Los trabajadores cubren distintos departamentos: soporte, finanzas, ventas. (4) Juntos operan la AI-Native Company. (5) La empresa entrega resultados terminados a los clientes.

2. La IA ya puede pagar cosas

Cuando decimos que los AI Workers se convertirán en "actores económicos independientes", puede sonar a ciencia ficción. No lo es. Los sistemas básicos que permiten que los agentes de IA paguen cosas ya funcionan en 2026.

Estos son cuatro sistemas de pago creados para que los agentes de IA puedan comprar y vender en nombre de humanos. No necesitas recordar los nombres. El punto es este: esto ya es real.

ACP — Creado por OpenAI (la empresa que hace ChatGPT) y Stripe (una gran empresa de pagos en línea). Cuando ChatGPT compra algo por ti dentro de un chat, por ejemplo, al pedir un producto sobre el que preguntaste, ACP gestiona el pago.
AP2 — La versión de Google. Más de 60 empresas aceptaron usarlo. Funciona como una autorización digital. El humano firma una autorización que dice: "Este agente de IA puede gastar hasta $500 en servicios en la nube este mes". El agente lleva esa autorización cuando intenta pagar. La autorización está firmada con seguridad digital fuerte, así que nadie puede falsificarla.
x402 — Un estándar de pago creado alrededor de criptomonedas. Coinbase lo creó primero. A comienzos de 2026, Stripe lo conectó con sistemas de pago normales. Ahora los pagos cripto y los pagos con tarjeta pueden usar el mismo sistema de pago para agentes.
MPP — Un sistema creado para pagos muy pequeños y repetidos. Imagina un agente de IA que transmite un servicio y paga una fracción de centavo cada segundo. Con tarjetas de crédito normales, las comisiones se comerían el pago. MPP hace posible este tipo de pago diminuto.

La infraestructura ya está instalada. Lo que cambia es la forma del trabajo mismo.

3. El cambio de herramientas a resultados

SaaS vendía suscripciones. Pagabas cada mes por acceso. Usaras bien o mal la herramienta, el vendedor cobraba lo mismo. El vendedor te daba acceso. Tú hacías el trabajo.

La era de Agent Factory vende resultados. Los humanos dicen lo que quieren. Los agentes de IA hacen el trabajo. Los humanos revisan si el resultado es bueno.

El paso intermedio —escribir, hacer clic, conectar cosas, hacer el trabajo— es lo que toma la IA. Lo que queda en manos humanas es el trabajo que las máquinas no pueden hacer por nosotros: saber qué queremos y saber si lo obtuvimos.

Tres cosas permanecen en manos humanas:

Intención — saber qué quieres y decirlo con claridad.
Verificación — comprobar si el trabajo de la IA es bueno y correcto.
Responsabilidad por el resultado — ser la persona que responde por el resultado.

No puedes entregar estas tres cosas a la IA. El juicio, los valores y el estándar de "suficientemente bueno" tienen que venir de una persona. La IA hace la parte intermedia.

4. Tu ayudante personal de IA

Aquí aparece un problema. Si una empresa tiene muchos AI Workers haciendo muchas cosas, ningún humano puede guiarlos a todos manualmente. No puedes escribir instrucciones para cada uno durante todo el día. Entonces, ¿cómo sigues a cargo?

La respuesta: tienes tu propio agente personal de IA, uno que te conoce a ti, y diriges la fuerza laboral a través de él.

Este agente personal de IA tiene varios nombres. Nosotros lo llamamos delegado. Algunas personas lo llaman agente personal. El pensador de negocios Don Tapscott lo llama identic AI. La palabra identic significa "que porta identidad". Este agente porta tu identidad. Conoce tu juicio, tus preferencias y tu autoridad para tomar decisiones. No es un asistente general que cualquiera pueda usar. Es tu representante. Habla por ti. Toma decisiones que coinciden con tus valores. Entrega trabajo a los AI Workers adecuados por ti.

Piensa en él como un segundo yo que funciona en paralelo contigo. Sabe qué dirías, qué te importa y qué aprobarías. Cuando aparecen cosas pequeñas —una respuesta rutinaria, una decisión de agenda, un sí o no normal— las maneja como tú lo harías. Cuando algo realmente te necesita, se detiene y pregunta. No eres su jefe; es una versión ligera de ti cuando estás ocupado con otra cosa.

Así que la imagen es esta:

Agent Factory construye la fuerza laboral de IA de una empresa.
Identic AI (tu agente personal) es la forma en que cada humano controla esa fuerza laboral.

Tú marcas la dirección. Tu agente personal convierte esa dirección en instrucciones específicas. La fuerza laboral de IA hace el trabajo. Tú revisas los resultados.

5. Las palabras que necesitas saber

Antes de seguir, fijemos cuatro palabras importantes. Suenan parecidas, pero significan cosas distintas. Confundirlas es la razón más común por la que la gente se pierde.

Agent Factory es el método. Es una forma cuidadosa de diseñar, construir y usar AI Workers. Agent Factory es lo que aprendes a usar. No es un producto que compras. Es una práctica que adoptas, como adoptar una nueva forma de dirigir una cocina o una nueva forma de dirigir un equipo.

AI-Native Company es el resultado. Es el negocio en funcionamiento que produce Agent Factory. La mayoría de su personal son AI Workers. Una capa de gestión los coordina. Los humanos dirigen todo desde la parte superior y desde los bordes. La AI-Native Company es lo que terminas operando. En este libro también la llamamos Agentic Enterprise.

AI Workers son la fuerza laboral. Son los agentes de IA basados en roles dentro de la AI-Native Company. Se los contrata, se les da trabajo, permanecen en el equipo y se retiran cuando su rol termina. También los llamamos Digital FTEs o Digital Workers. Son el trabajo real de la empresa.

El sistema de registro es el fundamento. Es la memoria oficial de la empresa. Es el lugar que contiene la verdad: registros de clientes, registros de dinero, inventario, contratos, tickets de soporte y todos los hechos reales del negocio. Los AI Workers leen de ese lugar y escriben en él. Sin esto, un AI Worker solo está hablando. No hay un lugar donde su trabajo quede asentado. (En un momento explicaremos por qué esto importa mucho).

Puesto de forma simple: la Factory construye la Company. La Company emplea Workers. Los Workers hacen su trabajo contra el sistema de registro.

Hay otro par de palabras que debemos presentar aquí, porque seguiremos usándolas.

Un engagement es una sola sesión donde un humano trabaja con un agente general de IA. Hay dos tipos:

Engagement de resolución de problemas — Te sientas con un agente de IA para resolver un problema. Obtienes una respuesta. Ejemplo: un desarrollador usa un ayudante de IA para corregir un bug. La sesión empieza, el trabajo termina, la sesión acaba.
Engagement de fabricación — Te sientas con un agente de IA para crear un nuevo AI Worker. El nuevo AI Worker seguirá trabajando mucho después de que termine esta sesión. Ejemplo: crear una IA de atención al cliente que funciona todos los días y responde tickets.

Las mismas herramientas. Una meta distinta. Volveremos a esta diferencia.

6. Reglas que nunca cambian frente a herramientas que cambiarán

En las siguientes secciones describiremos el diseño de una AI-Native Company. Mientras lo hacemos, verás dos tipos de afirmaciones. Se parecen, pero significan cosas muy distintas.

Un invariante es una regla estructural que siempre debe ser verdadera. La palabra invariante es solo una forma técnica de decir "una regla que no cambia". Piensa en una regla de construcción que dice: "Todo edificio debe tener una pared fuerte que sostenga el techo". La regla no dice de qué material está hecha la pared. Ladrillo, concreto, acero: cualquiera puede servir. Pero algo debe sostener el techo.

Una implementación de referencia es el producto específico que usamos ahora mismo para cumplir esa regla. Es la mejor opción de hoy. El año próximo puede aparecer una opción mejor. Cuando eso ocurra, cambias el producto, y el resto del sistema sigue funcionando porque tu sistema fue construido alrededor de la regla, no del producto.

En este libro, cuando nombramos un producto, por ejemplo, "usamos OpenClaw como agente personal", ese producto es una implementación de referencia. La regla es "cada humano necesita un agente personal". OpenClaw es una forma de cumplir la regla. El año próximo puede haber un agente personal mejor. Puedes cambiarlo sin romper lo demás.

Esto es importante. La tecnología avanza rápido. Los productos que usas hoy pueden no existir dentro de dos años. Pero las reglas cambian mucho más lentamente. El edificio sigue en pie aunque cambien los muebles.

Cuando nombremos productos, trátalos como la mejor opción de 2026. No como la regla en sí.

Una guía simple para leer este libro: no memorices los nombres de los productos. Memoriza el trabajo que cumple cada producto. El trabajo permanece. El producto cambia.

7. El mundo antiguo frente al mundo nuevo

Esta es una comparación lado a lado de cómo funcionaban las cosas antes y cómo funcionan en la era de Agent Factory.

De herramientas a resultados: comparación lado a lado de la era de SaaS y la era de Agent Factory. El modelo antiguo alquila acceso a software por una cuota mensual; el modelo nuevo vende resultados terminados entregados por AI Workers.

El cambio en una imagen. Modelo antiguo: alquilas software y haces el trabajo tú mismo. Modelo nuevo: contratas AI Workers y ellos te entregan resultados terminados. La tabla siguiente muestra el desglose completo.

Pregunta	La era SaaS (herramientas)	La era de Agent Factory (trabajo)
¿Qué se vende?	Herramientas de software	AI Workers
¿Cómo se fija el precio?	Cuota mensual, a menudo por usuario ("puesto")	Por resultado entregado
¿Quién hace el trabajo?	El humano, usando la herramienta	La IA, supervisada por el humano
¿Quién compra lo que el trabajo necesita?	Los humanos compran herramientas y servicios	Los agentes de IA compran cómputo, datos y servicios por su cuenta
¿Cuál es el trabajo del humano?	Operador: quien presiona botones	Supervisor: quien marca la dirección y revisa la calidad
¿Cómo se conectan las herramientas?	Conexiones personalizadas, una por una	Un conector universal llamado MCP (explicado abajo)
Enfoque	Cómo se hace el trabajo	Que el trabajo se haga y sea correcto

El cambio de "por puesto" a "por resultado" es uno de los cambios más grandes. Hoy, una empresa paga $30 al mes por cada empleado que usa una herramienta. En el mundo nuevo, una empresa paga por resultados: $5 por cada ticket de soporte cerrado, $50 por cada buen prospecto de ventas, $200 por cada cierre mensual terminado. Lo que pagas coincide con lo que recibes.

8. Las tres capas: intención, motor, resultado

Agent Factory tiene tres capas de alto nivel.

Intención — el plan. ¿Qué quieres que se haga? ¿Cuáles son los objetivos? ¿Cuáles son los límites? ¿Cuál es el presupuesto? ¿Qué está permitido?
El motor de producción — el sistema que convierte la intención en un resultado. Lo explicaremos en la siguiente sección.
Resultado — el trabajo terminado, entregado a ti, revisado por corrección y mejorado con el tiempo mediante retroalimentación.

Tú escribes la intención. El motor produce el resultado. Los humanos revisan y mejoran. Ese es el ciclo.

9. Cómo funciona el motor de producción

El motor de producción es la idea más importante de todo este libro. Es el sistema que toma lo que quieres y lo convierte en lo que obtienes. Todo lo que ocurre entre tu instrucción y el resultado final vive dentro de este motor.

No es una app que descargas. No es una sola pieza de software. Es un diseño. Es un plan, junto con un conjunto de reglas, para construir sistemas donde se crean, combinan y ponen a trabajar AI Workers.

El ejemplo de la fábrica de automóviles. Imagina una fábrica de automóviles. Por un extremo entran materias primas: acero, caucho, vidrio. El acero pasa a la estación de soldadura. Allí, los trabajadores le dan forma de chasis. El chasis pasa a la estación de pintura. Allí recibe su color. Luego pasa a la estación de ensamblaje. Allí se agregan el motor, los asientos, los neumáticos y la electrónica. Al final de la línea sale un automóvil terminado. Se revisa y queda listo para conducir.

Agent Factory funciona de la misma manera. Las únicas diferencias son:

La materia prima es tu intención: lo que quieres que se haga.
Las estaciones son AI Workers: cada uno maneja una parte del trabajo.
El producto terminado es un resultado verificado: la respuesta real, confirmada como correcta.

Cuatro cosas impulsan esta fábrica.

Las specs son instrucciones escritas. Les dicen a los AI Workers qué hacer: el objetivo, los límites y las reglas de éxito. Una spec no es un mensaje casual de chat. Es un plan escrito con cuidado, como el que un jefe de proyecto escribiría para un equipo humano. La habilidad de escribir buenas specs se llama desarrollo guiado por especificaciones.

Las skills son las capacidades que cada AI Worker trae al trabajo. Una skill es un paquete pequeño y portátil. Enseña a un AI Worker a hacer bien una cosa específica. Ejemplos: "cómo escribir un correo profesional" o "cómo leer un contrato de ventas". Las skills siguen un estándar abierto llamado formato Agent Skills. Anthropic (la empresa que hace Claude AI) creó el estándar. Ahora lo usa toda la industria. Como las skills siguen un formato compartido, puedes moverlas entre distintos sistemas de IA. Como una memoria USB que funciona en cualquier portátil.

Los bucles de retroalimentación son la forma en que aprende el sistema. Después de entregar cada resultado, se revisa ese resultado. Lo que aprendemos vuelve al sistema. Se corrigen errores. Se conservan buenos patrones. La fábrica mejora con el tiempo.

MCP es el conector universal. Las letras MCP significan Model Context Protocol. La forma más fácil de entender MCP es pensarlo como USB, pero para IA. Antes de USB, cada dispositivo tenía su propio cable especial. Las impresoras tenían uno. Los mouse tenían otro. Las cámaras tenían un tercero. Era un desastre. USB resolvió eso. Ahora todos los dispositivos usan el mismo cable. MCP hace lo mismo para la IA. Permite que cualquier AI Worker se conecte a cualquier herramienta o fuente de datos mediante un estándar compartido. Sin MCP, cada AI Worker necesitaría una conexión personalizada para cada herramienta. Con MCP, cualquier AI Worker con permiso puede acceder a cada almacén de datos importante.

En conjunto: las skills dan capacidades a los AI Workers. MCP les da conexiones. Estos dos estándares abiertos son el piso de la fábrica.

Debajo de todo está el sistema de registro: la memoria oficial de la empresa de la que hablamos antes. Cada acción de un AI Worker lee de esta memoria o escribe en ella. El sistema de registro es la verdad del negocio.

Cómo funciona el motor de producción: entra la intención (objetivo, límites, presupuesto), pasa por una spec escrita, luego por skills y conexiones MCP, después los AI Workers hacen el trabajo, y sale un resultado verificado. Todo esto se ejecuta contra el sistema de registro en la base.

El motor de producción en una imagen. La intención (con objetivo, límites y presupuesto) entra por la izquierda. Fluye por una spec, luego por skills y MCP, luego por AI Workers. Un resultado verificado sale por la derecha. Todo el motor está sobre el sistema de registro: la memoria oficial de la empresa.

10. Agentes de IA que pueden comprar cosas

Ya tocamos esto antes. Ahora profundicemos. Esto cambia la economía.

Los agentes de IA de hoy hacen tareas. Los agentes de IA de mañana participarán en mercados. El cambio va de "IA como herramienta" a "IA como comprador".

Los AI Workers pueden comprar por su cuenta lo que necesitan: cómputo, datos, servicios en la nube y ayuda de otros AI Workers, dentro de las salvaguardas definidas por el humano: límites de presupuesto, cumplimiento de reglas, pista de auditoría y aprobación para acciones riesgosas.

Los AI Workers como actores económicos. El AI Worker puede comprar cómputo, datos, servicios en la nube e incluso ayuda de otros AI Workers, pero solo dentro de las salvaguardas definidas por el humano: límites de presupuesto, cumplimiento de reglas, una pista de auditoría de cada acción y puertas de aprobación para decisiones riesgosas.

Imagina un AI Worker con este objetivo: "Reducir la pérdida de clientes en 15%". (Churn significa la tasa a la que los clientes abandonan un negocio). Para alcanzar este objetivo, el AI Worker podría necesitar:

Comprar poder de cómputo para entrenar un modelo que prediga qué clientes podrían irse.
Pagar por datos de clientes más completos a un proveedor de datos.
Configurar y pagar servicios en la nube para ejecutar la solución.

Todo esto dentro de un presupuesto y un conjunto de reglas que el supervisor humano estableció primero.

Observa lo que el AI Worker no hace. No le pide aprobación a un humano por cada decisión pequeña. El humano definió el presupuesto y las reglas. Dentro de esas reglas, el AI Worker actúa por su cuenta.

El problema difícil aquí no es la capacidad. La IA ya puede hacer el trabajo. El problema difícil es la confianza: asegurarse de que la IA permanezca dentro de las reglas. Por eso el foco se está moviendo hacia cosas como:

Cumplimiento de reglas — asegurarse de que el agente permanezca dentro de los límites definidos por el humano.
Pistas de auditoría — conservar un registro completo de cada elección y cada transacción que hizo el agente, para poder revisarlo después.
Responsabilidad legal — determinar quién responde legalmente cuando algo sale mal.

Cuando los AI Workers pueden comprar cosas, el lado económico de una AI-Native Company cambia profundamente. La empresa no solo usa recursos que los humanos le dieron. Encuentra sus propios recursos. Busca lo que necesita. Compara opciones. Compra en tiempo real. La empresa se convierte en un sistema que atiende sus propias necesidades.

La lección para quienes construyen: diseña tus agentes de IA y tus sistemas para comprar y vender desde el primer día. Los agentes necesitan presupuestos, no solo permisos. Necesitan contratos por resultados, no solo claves de acceso. Las empresas que acierten con esto capturarán la próxima ola de valor, igual que las empresas que pasaron de suscripciones a precios basados en resultados están capturando esta.

11. Los humanos no son reemplazados: son promovidos

Un miedo común: los agentes de IA reemplazarán a las personas.

La evidencia muestra lo contrario. Para casi cualquier tipo de tarea, un humano que trabaja con IA rinde mejor que cualquiera de los dos por separado. Agent Factory no elimina al humano. Lo promueve.

De operador → a supervisor.
De mecanógrafo → a editor.
De programador → a diseñador de resultados.

Los humanos son promovidos, no reemplazados. Lado izquierdo: operador se convierte en supervisor, mecanógrafo se convierte en editor, programador se convierte en diseñador de resultados. Lado derecho: la división 10-80-10 muestra que el humano marca la dirección, la IA hace el trabajo, y el humano revisa y mejora.

Los humanos son promovidos, no reemplazados. El humano sube a un rol más alto. La IA toma los pasos intermedios. El humano conserva el inicio (dirección) y el final (juicio y responsabilidad).

Esto cambia lo que significa ser un "profesional tecnológico". Un desarrollador web o móvil no es solo alguien que escribe código en un lenguaje específico. Es un experto en tecnología. Entiende sistemas. Entiende cómo fluyen los datos. Entiende cómo se conectan las apps entre sí. Entiende qué necesitan realmente los usuarios. En la era de Agent Factory, esta experiencia se vuelve mucho más valiosa. Ya no se gasta escribiendo botones uno por uno. Se usa para diseñar, desplegar y supervisar AI Workers que entregan productos completos.

El desarrollador no desaparece. El desarrollador hace más.

Steve Jobs descubrió este ritmo de trabajo hace muchos años, cuando lideraba humanos. Podemos tomarlo prestado directamente.

12. El ritmo de trabajo 10-80-10

Steve Jobs seguía lo que hoy se llama la regla 10-80-10:

Dedicar el primer 10% de tu tiempo a fijar la visión.
Dejar que tu equipo haga el trabajo durante el 80% intermedio.
Volver para el 10% final a pulir, mejorar y aprobar.

El profesor de negocios Dan Martell lo explica igual: 10% para las ideas, 80% para hacer el trabajo, 10% para refinar.

Jobs no empezó así. Al comienzo de su carrera era famoso por controlar cada pequeño detalle. Una vez le dijo al equipo exactamente cómo debía verse cada píxel de la calculadora del Macintosh. Con el tiempo cambió. Aprendió a confiar el 80% intermedio a gente buena. Apple se convirtió en una de las empresas más valiosas del mundo en parte por ese cambio.

Ahora reemplaza "gente buena" por "AI Workers", y tienes el ritmo de trabajo de Agent Factory.

Paso	Jobs en Apple	Agent Factory
Primer 10%: intención	Jobs fija la visión y los límites	El humano escribe la spec: objetivos, límites, presupuesto, reglas
80% intermedio: trabajo	Los equipos de Apple crean el producto	Los AI Workers hacen el trabajo: usan herramientas, pasan trabajo a otros AI Workers, entregan resultados
Último 10%: revisión	Jobs pule y dice "adelante"	El humano revisa, mejora y aprueba el resultado verificado

El ritmo de trabajo 10-80-10. El primer 10% es dirección humana. El 80% intermedio es el AI Worker. El 10% final es revisión humana.

El ritmo de trabajo 10-80-10. El primer 10% es dirección humana. El 80% intermedio es el AI Worker. El 10% final es revisión humana.

A comienzos de 2026, la empresa de programación con IA Cursor reportó que el 35% de los cambios añadidos a su propio producto los hicieron agentes de IA que trabajaban por su cuenta en equipos en la nube. Los desarrolladores humanos guiaron a los agentes definiendo el problema y revisando el trabajo terminado. No guiaron el código línea por línea. Michael Truell, CEO de Cursor, espera que la mayor parte del desarrollo de software se vea así dentro de un año.

El ritmo 10-80-10 ya no es una predicción. Es una medición de dónde trabajan ya las empresas líderes.

También está cambiando lo que revisa el humano. En el pasado, un desarrollador revisaba código línea por línea. Ahora, los agentes de IA trabajan durante horas en equipos en la nube. Devuelven videos cortos de lo que hicieron, vistas previas funcionales donde puedes hacer clic y registros fáciles de leer. Ya no leerás código línea por línea. Verás un video corto o harás clic en una vista previa para revisar el trabajo. Esto importa: un humano no puede leer doce conjuntos de cambios de código a la vez. Pero sí puede revisar doce vistas previas a la vez. Esto es lo que hace posible que muchos agentes de IA trabajen en paralelo.

Este ritmo no es solo para programar. Funciona para todo tipo de trabajo profesional. El primer 10% —pensamiento claro, contexto, prompting cuidadoso— es solo para humanos. El 80% intermedio —resumir, generar, analizar, formatear, redactar— es lo que toma la IA. El 10% final —juicio, refinamiento, control de calidad— vuelve a ser solo para humanos.

Dejas de dedicar el 80% de tu tiempo a hacer el trabajo. Empiezas a dedicar el 100% de tu atención al 20% que solo un humano puede hacer: marcar la dirección al principio y asegurar la calidad al final.

13. Dos capas: personal y fuerza laboral

Ahora podemos dibujar la imagen completa de la futura empresa.

Los AI Workers son la forma en que se hace el trabajo. Pero los humanos no hablan directamente con los AI Workers. Eso sería demasiado difícil de gestionar. En cambio, los humanos hablan con su agente personal de IA (el delegado o identic AI que vimos antes). El agente personal convierte la intención humana en instrucciones para la fuerza laboral.

Esto nos da un modelo de dos capas:

Capa	Qué contiene	A quién sirve	Qué hace
Edge Layer	Tu agente personal de IA (tu delegado)	Al humano individual	Convierte tu intención en instrucciones, entrega trabajo a AI Workers y toma decisiones por ti
AI Workforce Layer	AI Workers basados en roles	A la empresa	Hace las tareas, ejecuta los flujos de trabajo y entrega resultados verificados

Dos capas de la empresa. Arriba (Edge Layer): la intención de un humano pasa por un delegado personal, que convierte la intención en instrucciones. Abajo (AI Workforce Layer): un coordinador enruta trabajo a AI Workers —soporte, finanzas, ventas— que producen resultados verificados y los devuelven al humano.

El modelo de dos capas en movimiento. La intención fluye hacia abajo: tú → tu delegado personal → el coordinador de la fuerza laboral → AI Workers. Los resultados vuelven hacia ti, ya verificados. No gestionas manualmente a cada trabajador. Diriges la fuerza laboral a través de tu delegado.

Se necesitan ambas capas.

Sin una fuerza laboral de IA detrás, un agente personal es solo un chatbot sin nadie a quien dar órdenes.
Sin agentes personales en el borde, la fuerza laboral queda ociosa, esperando que los humanos escriban instrucciones una por una. Ese es exactamente el problema que Agent Factory fue creada para resolver.

El modelo de dos capas completa la imagen. Una fuerza laboral de estilo industrial en el centro de la empresa. Control humano en el borde. Specs escritas y claras como el lenguaje entre ambas.

14. Los dos modos de usar un agente general de IA

Antes dijimos que hay dos tipos de engagements. Ahora podemos ubicarlos correctamente.

Un agente general de IA es una herramienta potente de IA que los humanos usan directamente. Algunos están hechos para ingenieros; por ejemplo, Claude Code y OpenCode. Son herramientas de IA que los ingenieros usan en la terminal (la pantalla solo de texto donde trabajan los desarrolladores). Otros están hechos para personas que no son ingenieras; por ejemplo, Claude Cowork y OpenWork. Son herramientas de IA para trabajadores del conocimiento, como analistas financieros, abogados, especialistas en marketing y escritores.

Los humanos usan estos agentes generales en dos modos diferentes.

Modo	Quién lo usa y con qué	Qué se entrega al final	Se rige por
Engagement de resolución de problemas	Los ingenieros usan Claude Code u OpenCode. Los expertos de dominio (no ingenieros) usan Claude Cowork u OpenWork.	Un resultado terminado para el humano	Siete principios
Engagement de fabricación	Cualquiera, siempre con Claude Code u OpenCode	Un nuevo AI Worker que se une a la fuerza laboral	Siete invariantes

Dos modos, una diferencia central. El modo 1 es una conversación: hablas con la IA, obtienes un resultado terminado y la sesión acaba. El modo 2 es una línea de producción: usas la IA para crear un nuevo AI Worker que seguirá funcionando mucho después de esta sesión. Un modo resuelve el problema de hoy. El otro construye el trabajador de mañana.

Modo 1: resolución de problemas. Un desarrollador abre Claude Code y mejora una pieza de software. Un analista financiero abre Claude Cowork y reconstruye el cierre financiero mensual. La sesión empieza. El trabajo termina. La sesión acaba. No se crea ningún AI Worker permanente. El agente general hace el trabajo solo para esa sesión. Cuando la sesión termina, termina.

Los engagements de resolución de problemas se dividen por audiencia. Los ingenieros usan Claude Code u OpenCode: herramientas nativas de terminal ajustadas para código, infraestructura y sistemas. Los expertos de dominio usan Claude Cowork u OpenWork: herramientas de trabajo del conocimiento ajustadas para documentos, hojas de cálculo, informes y revisiones. Mismo modo de engagement. Mismas reglas. Dos familias de interfaz.

Este modo se rige por los Siete principios para resolver problemas con agentes generales. Son las siete reglas de una buena sesión de resolución de problemas. Nacieron de observar miles de sesiones —exitosas y fallidas— en programación, revisión de contratos, modelos financieros, contratación e investigación. Las mismas siete reglas aplican a las cuatro herramientas. Solo cambia la superficie.

Bash es la clave: deja que la IA actúe, no solo hable. Un agente general de IA es más útil cuando realmente puede hacer cosas: ejecutar comandos, leer archivos, guardar trabajo. (Bash es el sistema de comandos basado en texto que permite a un equipo ejecutar comandos directamente). Asegúrate de que tu IA pueda ejecutar comandos reales. No permitas que solo describa lo que haría.
Código como interfaz universal: usa estructura cuando la precisión importa. Cuando necesitas un resultado preciso, pídele a la IA un formato estructurado: una tabla, una lista, un bloque de código, una lista de verificación, un esquema fijo. No le pidas un párrafo. La estructura hace que el resultado sea más preciso. También facilita encontrar errores.
Verificación como paso central: revisa siempre el trabajo. Todo resultado necesita una revisión. Ejecuta pruebas sobre el código. Evalúa memorandos contra un estándar claro. Haz que una segunda IA revise el trabajo de la primera. "Parece correcto" no basta. Una salida que se ve segura puede seguir estando equivocada.
Descomposición pequeña y reversible: avanza en pasos pequeños que puedas deshacer. Divide el trabajo en piezas pequeñas. Guarda cada pieza antes de pasar a la siguiente. Nunca dejes que la IA trabaje durante una hora sin un punto de guardado. Un cambio grande puede borrar horas de trabajo cuando algo sale mal.
Estado persistente en archivos: los archivos son la memoria. El historial del chat es temporal. Desaparece. Los archivos son permanentes. Todo lo que valga la pena recordar entre sesiones —decisiones, planes, convenciones, detalles de clientes— escríbelo en un archivo. La siguiente sesión lo leerá.
Restricciones y seguridad: dale a la IA solo el acceso que necesita. Empieza con acceso limitado. Solo lectura al principio. Aprobación de cada paso al principio. Observa cómo se comporta la IA. Dale más acceso solo después de verla trabajar correctamente dentro de límites estrechos. No le des acceso amplio a una IA desde el primer día.
Observabilidad: mira qué hace la IA. Si no puedes ver qué hace la IA, no puedes confiar en ella. Cada acción debe ser visible mediante registros, una vista paso a paso, un video corto o una vista previa donde puedas hacer clic. Si no puedes observar el trabajo, no puedes revisarlo.

Juntas, estas siete reglas convierten una herramienta potente de IA de un juguete inteligente en algo con lo que puedes entregar trabajo real. Las primeras cinco reglas —actuar, estructurar, verificar, avanzar en pasos pequeños y usar archivos como memoria— son la disciplina diaria. Las dos últimas —restricciones y observabilidad— mantienen seguras a las primeras cinco.

Los siete principios para buenas sesiones de IA, organizados alrededor de un agente general de IA en el centro. Cada principio es un hábito práctico: actuar, no solo hablar; usar salida estructurada; verificar siempre; trabajar en pasos pequeños; guardar la memoria en archivos; limitar el acceso; observar qué ocurre.

Siete hábitos para buenas sesiones con un agente general de IA. Los primeros cinco son las reglas diarias de trabajo. Los dos últimos —limitar el acceso y observar qué ocurre— mantienen seguro el trabajo.

Modo 2: fabricación. Este modo aparece cuando la meta es crear algo que dura: un nuevo AI Worker que seguirá funcionando mucho después de que termine esta sesión. La fabricación siempre usa herramientas de ingeniería (Claude Code u OpenCode). No importa si el humano es analista financiero o especialista en marketing. Crear un AI Worker es, en gran medida, una tarea de programación. El mismo desarrollador podría usar Claude Code para diseñar, crear y desplegar un AI Worker que revisa código. El analista financiero, a menudo trabajando con un ingeniero, podría usar Claude Code para crear un AI Worker que haga el cierre mensual todos los meses. La salida no es la respuesta a un problema. La salida es el trabajador que producirá respuestas, una y otra vez, desde ahora. Este modo se rige por los Siete invariantes: las reglas de diseño de cualquier AI-Native Company. Los cubrimos en la siguiente sección.

Los principios guían la sesión. Los invariantes guían el diseño. Un engagement de resolución de problemas se guía por principios porque produce un resultado que termina con la sesión: no hay una estructura duradera que obedecer. Un engagement de fabricación se guía por invariantes porque su salida debe encajar en una fuerza laboral que se mantiene unida a través de muchas sesiones, muchos agentes y muchos ciclos de producto.

En ambos modos aplica el ritmo 10-80-10. Ya sea que uses IA para resolver tu problema o para crear un trabajador que lo resolverá por ti, tu tiempo sigue dividido en intención, trabajo y revisión.

15. Las siete reglas que no cambian (los siete invariantes)

Llegamos ahora al corazón del libro: las siete reglas de diseño que toda AI-Native Company debe seguir, sin importar qué productos se usen para cumplirlas.

Recuerda la diferencia. Un invariante es una regla que siempre debe ser verdadera. Una implementación de referencia es el producto que usamos en 2026 para cumplir esa regla. La regla es la idea principal. El producto es una opción.

Antes de presentar las siete reglas, nombremos a los actores. En una AI-Native Company:

Tú eres el líder y el dueño. Marcas la dirección.
Un delegado es tu asistente personal: el único agente de IA que conoce tu contexto y habla por ti.
Una capa de gestión es el sistema operativo de la empresa. Contrata AI Workers, les da trabajo, controla presupuestos, decide qué puede hacer cada trabajador, mantiene registros y retira trabajadores cuando su rol termina.
Los AI Workers son el personal que entrega los resultados.
Los motores de runtime son las máquinas donde se ejecuta realmente cada trabajador. Distintos trabajadores pueden ejecutarse en distintos motores, según el trabajo. Lo explicaremos.
Un sistema nervioso transporta mensajes entre trabajadores, mantiene la empresa funcionando incluso cuando hay una falla y controla el tráfico para que la fuerza laboral siga trabajando bajo carga pesada.

Cada regla de abajo trata sobre cómo funciona esta empresa. Cada producto nombrado es una opción que puede reemplazarse.

Regla 1: el humano es el principal.

La regla. Cada acción en la empresa empieza con un humano. El humano es el principal: quien fija la meta, da el presupuesto, traza la línea de lo que la IA puede hacer y responde por el resultado. Sin excepciones. Esta parte nunca se entrega a una IA.

Por qué debe existir. La dirección no aparece sola. El juicio, los valores, el derecho a gastar dinero y la responsabilidad por los resultados no se pueden entregar a una máquina. Un sistema que actúa sin un humano a cargo no es independiente. Está sin dueño. Y los sistemas sin dueño generan resultados por los que nadie responde.

Qué sale mal sin ella. Nadie es responsable. No hay una persona cuyos valores siga el sistema. El presupuesto no pertenece a nadie. El resultado no tiene juez.

Cómo funciona hoy. Mediante specs escritas, puntos de aprobación, presupuestos declarados y pasos de revisión. Cualquier método que capture intención, autoridad y responsabilidad humanas, y las baje al resto del sistema, cumple la regla.

Regla 2: cada humano necesita un delegado.

La regla. Un humano no puede dirigir personalmente docenas de AI Workers a mano. Cada humano necesita un agente personal de IA. Este agente conserva su contexto, habla por él, lleva su autoridad y entrega trabajo a los lugares adecuados en su nombre.

Por qué debe existir. Una persona no puede dirigir veinte AI Workers a la vez. No hay suficientes horas. Además, los humanos escriben mucho más lento de lo que trabaja la IA. Sin un delegado, el humano vuelve a dar instrucciones manuales, que es exactamente el problema que Agent Factory fue creada para resolver.

Qué sale mal sin ella. El humano se convierte en el punto lento. La fuerza laboral de IA espera instrucciones. Todo el sistema baja a la velocidad de escritura humana.

Cómo funciona hoy. OpenClaw es el agente personal que usamos en este libro. Cualquier agente personal capaz de conservar tu identidad, tu contexto y tu autoridad, y de pasar trabajo a una capa de gestión, cumple la regla.

Regla 3: la fuerza laboral necesita una capa de gestión.

La regla. Un grupo de AI Workers no es una empresa. La fuerza laboral necesita una capa que los coordine. Esta capa es el sistema operativo de la empresa. Contrata trabajadores. Asigna trabajo. Controla presupuestos. Aprueba decisiones riesgosas. Decide qué puede hacer cada trabajador. Mantiene registros de quién hizo qué, a qué costo. Retira trabajadores cuando su rol termina.

Por qué debe existir. La coordinación, la responsabilidad y el control de costos no aparecen solos. Necesitan una capa que sepa quién hace qué, cuánto cuesta, qué está permitido, qué se produjo y qué pasó cuando algo salió mal. Los AI Workers solo se vuelven controlables como fuerza laboral cuando una sola capa los hace visibles como unidades de capacidad, costo, velocidad y resultado. Y solo se mantienen asequibles cuando esa misma capa puede apagarlos cuando ya no se necesitan.

Qué sale mal sin ella. Los trabajadores hacen el mismo trabajo dos veces. Los presupuestos se escapan. Los registros se fragmentan. Finanzas no puede responder cuánto costó la fuerza laboral. Operaciones no puede responder qué produjo la fuerza laboral. Los trabajadores retirados siguen ejecutándose porque nadie es responsable de detenerlos.

Cómo funciona hoy. Paperclip es la capa de gestión que usamos. Está construida como el sistema operativo de una AI-Native Company. Cualquier sistema que pueda contratar, asignar, gobernar, observar y retirar trabajadores bajo la autoridad correcta cumple la regla.

Regla 4: cada trabajador elige su propio motor.

La regla. Cada AI Worker debe ejecutarse sobre algún tipo de motor: el software que realmente ejecuta su trabajo. El motor se elige por trabajador, no por empresa. Distintos trabajadores pueden usar distintos motores, ajustados a lo que cada trabajo necesita.

Por qué debe existir. Algunos trabajos son muy importantes: no pueden fallar en silencio ni perder datos. Ese trabajo necesita un motor fuerte y confiable. Otro trabajo es rutinario y puede sobrevivir a fallas pequeñas. Ese trabajo puede usar un motor más barato y liviano. Forzar a todos los trabajadores a usar un solo motor significa que pagas demasiado por confiabilidad que el trabajo no necesita, o pagas demasiado poco por la confiabilidad que sí necesita. Ambas opciones son malas.

Qué sale mal sin ella. Un solo motor significa un solo conjunto de concesiones. La empresa no puede pagar sus trabajadores confiables o no puede confiar en los baratos.

Cómo funciona hoy. Usamos varios motores según el trabajo: Dapr Agents, Claude Managed Agents, OpenAI Agents SDK, Cursor SDK y OpenClaw-native. Los nombres no importan por ahora. Lo que importa es la regla: elige el motor que encaje con el trabajo.

Regla 5: cada trabajador se ejecuta contra un sistema de registro.

La regla. Los motores son aquello sobre lo que se ejecuta cada trabajador. El sistema de registro es aquello contra lo que trabaja cada trabajador. Cada AI Worker lee de una memoria oficial y escribe en ella. Este es el registro duradero de lo que la empresa realmente sabe: clientes, pedidos, inventario, contratos, asientos de dinero, tickets de soporte, hechos reales del negocio.

Por qué debe existir. La memoria a corto plazo de una IA (llamada ventana de contexto) es temporal. Desaparece cuando termina la sesión. Un sistema de registro es permanente. Sin un almacén oficial de verdad, los agentes de IA empiezan a inventar hechos, guardar la misma transacción dos veces, perder trabajo entre sesiones y producir resultados que nadie puede revisar después. El sistema de registro separa el trabajo real de las respuestas inventadas que suenan seguras. También hace que la fuerza laboral sea legible después: cada acción que toma un trabajador deja un registro en un sistema que permanece cuando termina la sesión del trabajador.

Qué sale mal sin ella. Los resultados se alejan de la realidad. Dos trabajadores le dicen cosas distintas al mismo cliente porque sus memorias a corto plazo no coincidieron. La responsabilidad no se puede rastrear. La empresa se convierte en una fábrica de salidas que suenan seguras, pero no tienen una base real debajo.

Cómo funciona hoy. Las bases de datos y los sistemas operativos existentes de la empresa sirven como sistema de registro: el CRM (una base de datos de clientes), el ERP (el sistema que opera las funciones de una empresa), el sistema de tickets de soporte, el almacén de datos, el libro mayor financiero. MCP (el conector universal que mencionamos antes) es la forma en que los AI Workers llegan a ellos. Cualquier almacén duradero, accesible y gobernado que la fuerza laboral pueda leer y escribir cumple la regla.

Regla 6: la fuerza laboral puede crecer por sí sola, bajo reglas.

La regla. La capa de gestión debe poder contratar nuevos AI Workers automáticamente. Cuando aparece una brecha —un cliente escribe en un idioma que ningún trabajador actual habla, o aparece un nuevo tipo de trabajo que ningún trabajador actual puede hacer— un agente autorizado debe poder escribir una spec para un nuevo trabajador, configurarlo, registrarlo en la capa de gestión y ponerlo a trabajar. Todo dentro de las reglas definidas por el humano.

Por qué debe existir. Una lista fija de trabajadores no puede seguir el ritmo de un problema cambiante. Si cada nueva brecha necesita que un humano cree manualmente un nuevo trabajador, el sistema se ralentiza. La fuerza laboral debe poder crecer por sí sola, pero siempre dentro de los límites definidos por el humano, nunca fuera de ellos.

Qué sale mal sin ella. La lista de trabajadores queda congelada. Cada nuevo tipo de problema necesita un humano. La empresa solo puede crecer tan rápido como sus humanos puedan crear trabajadores manualmente.

Cómo funciona hoy. Claude Managed Agents es la tecnología que usamos para esto. Cualquier sistema que pueda crear nuevos AI Workers y configurar su entorno en runtime, sin salirse de las reglas definidas por el humano, cumple la regla.

Regla 7: la fuerza laboral funciona sobre un sistema nervioso.

La regla. El trabajo llega por su cuenta. Fluye entre trabajadores sin que un humano enrute cada paso. Llega una hora programada. Un cliente llena un formulario web y se dispara un mensaje pequeño. Un trabajador termina una tarea y la pasa al siguiente. Todo esto lo transporta un solo sistema de eventos, como el sistema nervioso de la empresa. Despierta a los trabajadores cuando hay algo que hacer. Sobrevive a fallas en medio del trabajo. Controla el tráfico para que un cliente muy activo no bloquee a todos los demás.

Por qué debe existir. Cuatro cosas deben ser verdaderas para que la fuerza laboral opere sin un humano en cada paso:

Disparadores externos. El sistema debe despertarse por sí mismo: cuando llega una hora programada, cuando se activa un webhook (un webhook es un mensaje pequeño enviado de un sistema a otro cuando ocurre algo) o cuando un cliente envía una solicitud.
Traspasos internos. Los trabajadores deben poder pasar trabajo a otros trabajadores sin que un humano enrute cada traspaso.
Durabilidad. El trabajo de varios pasos debe sobrevivir a una falla en medio del proceso. Por qué importa: cada paso tiene una pequeña probabilidad de fallar. Cuando encadenas seis pasos seguidos, esas probabilidades pequeñas se multiplican. Si cada paso funciona el 95% del tiempo, seis pasos seguidos solo funcionan 95% × 95% × 95% × 95% × 95% × 95% ≈ 74% del tiempo. Eso significa que una de cada cuatro ejecuciones fallaría en silencio. Con durabilidad adecuada (donde el sistema recuerda lo que ya está hecho y solo reintenta lo que falló), la misma tarea termina alrededor del 99,7% de las veces. Esa es la diferencia entre una fuerza laboral que entrega y una que deja caer en silencio uno de cada cuatro trabajos.
Control de flujo. Si un cliente envía de pronto mil solicitudes, el sistema debe manejar ese pico sin dejar a los demás esperando para siempre.

Qué sale mal sin ella. Sin disparadores externos, el sistema solo se mueve cuando un humano lo impulsa, y la economía vuelve a ser la economía de un chatbot. Sin traspasos internos, los trabajadores no pueden coordinarse sin un humano en medio. Sin durabilidad, la confiabilidad empeora en ejecuciones de varios pasos. Sin control de flujo, un cliente muy activo bloquea a todos los demás.

Cómo funciona hoy. Inngest es el sistema nervioso que usamos: un sistema que transporta estas cuatro funciones a la vez. Day AI, una empresa real que construye un CRM nativo de IA (una base de datos de clientes), describe su capa de Inngest exactamente en estos términos. Erik Munson, ingeniero fundador, la llamó "el sistema nervioso" del producto. Ese lenguaje viene de un constructor real en un mercado real, no de un libro de texto.

16. El diseño completo en una imagen

Aquí está el diseño de siete reglas, todo en una tabla.

Regla	Qué exige	Qué usamos en 2026	Qué puede reemplazarlo
Principal	Un humano que fija intención, presupuesto, autoridad y responsabilidad	—	—
Delegado	Un agente personal que conserva tu contexto y autoridad	OpenClaw	Cualquier agente personal que hable MCP
Capa de gestión	El sistema operativo de la fuerza laboral: contratar, asignar, gobernar, observar, retirar	Paperclip	Cualquier sistema que cumpla el contrato de gestión
Motor	Un runtime por trabajador que encaja con el trabajo	Dapr / Claude Managed Agents / OpenAI SDK / Cursor / OpenClaw-native	Cualquier runtime que cubra las necesidades de confiabilidad del trabajo
Sistema de registro	Un almacén oficial que la fuerza laboral lee y escribe	Bases de datos existentes, flujos de trabajo, plataformas expuestas por MCP	Cualquier almacén duradero, accesible y gobernado
Crecimiento de la fuerza laboral	La capacidad de contratar nuevos trabajadores bajo demanda, bajo reglas	Claude Managed Agents	Cualquier sistema que pueda crear nuevos agentes en runtime
Sistema nervioso	Eventos, durabilidad y control de tráfico bajo autoridad	Inngest (fuerza laboral); Claude Code Routines (para agentes de programación)	Cualquier sistema que transporte eventos con durabilidad y control de flujo

Siete reglas. Una cadena. Puedes cambiar mañana cualquier producto de la columna central y el diseño seguirá funcionando, porque el diseño nunca fueron los productos. Fueron las reglas.

Las 7 reglas de una AI-Native Company: 1. El humano está a cargo. 2. Cada humano tiene un delegado. 3. La fuerza laboral tiene una capa de gestión. 4. Cada trabajador usa el motor adecuado. 5. Cada trabajador usa un sistema de registro. 6. La fuerza laboral puede crecer bajo reglas. 7. La empresa funciona sobre un sistema nervioso. Abajo: las herramientas cambiarán. Las reglas no.

Las siete reglas de una AI-Native Company en una sola vista. Estas son las reglas que no cambian. Las herramientas específicas (OpenClaw, Paperclip, Dapr, Inngest) pueden reemplazarse; las reglas permanecen.

Así se ve esto en la vida real. Imagina que un cliente escribe un mensaje de soporte en Bahasa Indonesia y ningún AI Worker actual habla ese idioma. Esto es lo que ocurre:

El mensaje del cliente llega a través del sistema nervioso (Inngest).
La capa de gestión (Paperclip) ve que ningún trabajador actual habla el idioma. Hay una brecha.
Paperclip, actuando dentro de las reglas definidas por el humano, llama a su propio sistema de contratación (Claude Managed Agents) para crear un nuevo trabajador que habla bahasa.
El nuevo trabajador lee el historial del cliente desde el sistema de registro, escribe una respuesta, guarda la conversación de vuelta en el sistema de registro y envía la respuesta.
La respuesta llega al cliente por la misma cadena.
El nuevo trabajador permanece en el equipo, listo para futuros clientes que hablen bahasa.

Ningún humano tuvo que despertarse. La empresa manejó una situación nueva, amplió su propia fuerza laboral dentro de las reglas, atendió al cliente y registró todo el evento para revisarlo después. Eso es lo que permiten las siete reglas.

Cuando aparece un nuevo problema: un cliente escribe en Bahasa Indonesia, la capa de gestión nota que ningún trabajador actual puede manejarlo, se crea un nuevo trabajador de bahasa dentro de las reglas humanas, el cliente recibe una respuesta, y el nuevo trabajador permanece en el equipo.

Un cliente escribe en un idioma nuevo. La fuerza laboral detecta la brecha. Se crea un nuevo trabajador dentro de las reglas definidas por el humano. El cliente recibe una respuesta. El nuevo trabajador permanece en el equipo para la próxima vez.

17. Un ejemplo desarrollado: crear un AI Worker de tickets de soporte en 5 pasos

Hasta ahora este libro trató sobre ideas. Ahora hagámoslo concreto.

Imagina que diriges atención al cliente para una pequeña tienda en línea llamada Mehndi Mart (una tienda ficticia que vende productos de henna a clientes de todo el mundo). Te estás ahogando en tickets de soporte: solicitudes de reembolso, preguntas de envío, consultas sobre productos. Decides crear un AI Worker para manejar la primera respuesta en cada ticket.

Así lo harías, usando las siete reglas de la Sección 15 y los siete principios de la Sección 14.

Paso 1 — Escribe la spec (Regla 1: el humano está a cargo)

Abres Claude Code u OpenCode (la herramienta de ingeniería; ver Sección 14, Modo 2). Escribes una spec para el trabajador. La spec es simplemente un plan escrito. Podría verse así:

WORKER: First-Response Support Agent for Mehndi Mart

GOAL:
- Read every incoming customer ticket
- Classify it: refund, shipping question, product question, or other
- Write a first draft reply
- Hand off to a human if the case is complex or angry

LIMITS:
- May not promise refunds above $100 without human approval
- May not commit to delivery dates not in the shipping system
- May not respond in any language the worker is not trained for

BUDGET:
- Maximum $200/month in compute costs
- Maximum 30 seconds per ticket

SUCCESS LOOKS LIKE:
- 80% of tickets get a useful first reply within 5 minutes
- Less than 5% of replies need human correction before sending
- All tickets are recorded in the support system of record

Esta spec captura tu intención, tu presupuesto y tus límites. Ahora eres el principal de este trabajador. Respondes por sus resultados.

Paso 2 — Elige el sistema de registro (Regla 5)

El trabajador debe leer de la memoria oficial de tu empresa y escribir en ella. Para un trabajador de soporte, esto significa tres lugares:

Registros de clientes (tu CRM; por ejemplo, HubSpot o Salesforce)
Registros de pedidos (tu plataforma de comercio electrónico; por ejemplo, Shopify)
Historial de soporte (tu sistema de tickets; por ejemplo, Zendesk o Freshdesk)

Conectas estos sistemas con tu AI Worker mediante MCP (el conector universal, como USB para IA, de la Sección 9). Cada sistema se expone como un servidor MCP. El trabajador ahora puede consultar cualquiera de ellos cuando tiene permiso.

Decides: este trabajador puede leer de los tres sistemas y escribir en el sistema de tickets. No puede escribir en los registros de clientes ni de pedidos; esos cambios todavía requieren a un humano.

Paso 3 — Adjunta las skills que necesita el trabajador

Una skill es un paquete pequeño y portátil que enseña al trabajador a hacer bien una cosa específica (Sección 9). Para este trabajador de soporte, adjuntas skills como:

"Cómo escribir una respuesta profesional de soporte" — tono, estructura, despedida
"Cómo clasificar un ticket de soporte" — una lista de tipos de tickets y cómo distinguirlos
"Cómo leer un registro de pedido" — qué campos importan, qué significan
"Cuándo escalar a un humano" — disparadores como enojo, amenazas legales, reembolsos complejos

Las skills pueden descargarse de una biblioteca de skills o escribirlas tú y tu equipo. Siguen el formato abierto Agent Skills, así que funcionan en cualquier sistema de IA.

Paso 4 — Elige el motor y define las salvaguardas (Reglas 3, 4, 6)

Decides dónde se ejecuta el trabajador. Para un trabajador de soporte, donde la confiabilidad importa pero el costo también importa, eliges un motor de nivel medio. (Puedes cambiarlo después. La Regla 4 dice que cada trabajador elige su propio motor).

Luego defines las salvaguardas mediante la capa de gestión (Paperclip, o la capa de gestión que uses):

Límite de presupuesto: $200/mes, con detención estricta
Puerta de aprobación: cualquier reembolso superior a $100 requiere un "sí" humano antes de enviar la respuesta
Pista de auditoría: cada ticket que toca el trabajador se registra con sus acciones, el costo y el tiempo empleado
Límite de tasa: máximo 50 tickets por minuto (para que una avalancha de mensajes no agote el presupuesto en cinco minutos)

El trabajador ahora existe dentro de un marco claro de lo que puede y no puede hacer.

Paso 5 — Verifica y despliega (Regla 7 + los siete principios)

Antes de dejar que el trabajador atienda a clientes reales, lo verificas. Lo ejecutas sobre una muestra de tickets pasados, digamos 100 históricos, y revisas las respuestas. ¿Los clasifica correctamente? ¿Las respuestas son profesionales? ¿Escala los casos correctos?

Observas cada acción que toma el trabajador: cada archivo que abre, cada paso que ejecuta, cada decisión que toma. Esto es observabilidad: nada de lo que hace el trabajador queda oculto para ti. Detectas errores. Ajustas la spec. Vuelves a probar.

Cuando estás conforme, despliegas. El sistema nervioso (Inngest, o el sistema de eventos que uses) empieza a enviar tickets reales al trabajador cuando llegan. El trabajador los maneja. Un humano revisa una pequeña muestra cada día. Con el tiempo, refinan la spec, agregan skills y el trabajador mejora.

Qué acaba de pasar

Escribiste una spec. Conectaste un sistema de registro. Adjuntaste skills. Definiste salvaguardas. Verificaste y desplegaste. Acabas de crear un Digital FTE.

El trabajador ahora funciona 24 horas al día, 7 días a la semana, dentro de las reglas que definiste. Cuando tu negocio crece, no escalas contratando más humanos para clasificar tickets; escalas ajustando la spec y agregando skills. Los humanos de tu equipo suben en la cadena de valor: casos complejos, relaciones con clientes, retroalimentación de producto, estrategia.

Esto es lo que hace Agent Factory. Un trabajador a la vez.

Tu lista de verificación para el primer trabajador

Antes de lanzar cualquier AI Worker que construyas, revisa esta lista. Si todas las casillas están marcadas, tienes un trabajador que cumple los siete invariantes y está listo para desplegar.

Si puedes marcar todas las casillas, tu trabajador ya no es un juguete inteligente. Es un Digital FTE.

18. Qué permanece igual y qué cambiará

Esta tabla muestra qué partes del diseño son reglas permanentes (columna izquierda: la idea principal) y qué partes son herramientas específicas de este año (columna derecha: 2026).

Estable (la regla, el invariante)	Cambiará (la herramienta específica, la implementación)
Principal humano con autoridad clara	Herramientas de autoría, pantallas de aprobación, formatos de specs
Delegado personal en el borde	Productos de delegado y lo que venga después
Capa de gestión con control completo de la fuerza laboral	Productos de capa de gestión y lo que venga después
Elección de motor por trabajador	SDKs, runtimes, plataformas que ejecutan los agentes
Almacén oficial contra el que trabaja la fuerza laboral	Motores de base de datos, productos CRM/ERP/ticketing, listas de servidores MCP
Fuerza laboral que puede crecer bajo reglas	APIs de agentes gestionados, sistemas de configuración
Eventos, durabilidad y flujo bajo autoridad	Planificadores, frameworks de webhooks, plataformas de ejecución duradera
Definición del trabajo guiada por specs	Lenguajes, formatos y herramientas de specs
Siete principios operativos para usar agentes generales	Productos específicos de agentes, herramientas de línea de comandos, patrones de prompts
Modelo económico basado en resultados	Unidades de precio, formatos de contrato
Agentes como actores económicos	Sistemas de pago, marcos de responsabilidad
Ejecuciones observables y auditables	Sistemas de trazas, formatos de logs
Uniones limpias entre capas, para que el bloqueo de proveedor pueda moverse sin romper el diseño	Qué capa lleva el bloqueo: el modelo de IA en 2024, la capa de "harness" (el software alrededor de la IA) en 2026, el orquestador después
Fuerza laboral que puede medirse como costo, velocidad y resultado	Sistemas financieros, implementaciones de libro mayor
Capacidades empaquetadas como skills portátiles	Formatos de skills, registros, plataformas de distribución

La columna izquierda es la idea principal. La columna derecha es 2026.

Si construyes sobre la columna izquierda, tu empresa sobrevive a los cambios de la columna derecha. Si construyes sobre la columna derecha sin entender la izquierda, tendrás que reconstruir cada dos años.

19. Las herramientas específicas que usamos hoy

Por completitud, esta es la lista de productos que usamos en 2026 para cumplir cada regla. Son implementaciones de referencia. Cambiarán. Las reglas no. Recuerda: no memorices los nombres de los productos. Memoriza el trabajo que cumple cada producto.

Delegado — OpenClaw (un agente personal de IA de código abierto)
Capa de gestión — Paperclip (el sistema operativo de la empresa nativa de IA; expone contratar, asignar, gobernar, observar y retirar como funciones que otros sistemas pueden llamar)
Motores — Dapr Agents, Claude Managed Agents, OpenAI Agents SDK, Cursor SDK y OpenClaw-native (cada uno adecuado para distintos perfiles de trabajo)
Skills — el formato Agent Skills de agentskills.io (un formato portátil de carpetas para empaquetar capacidades de IA)
Sistema nervioso — Inngest (el sistema principal de eventos de la empresa) y Claude Code Routines (un disparador especializado para agentes de programación)

Para la Regla 6 (la fuerza laboral puede crecer por sí sola), usamos Claude Managed Agents. La misma tecnología que sirve como una de las opciones de motor también sirve como sistema de contratación, porque su capacidad de crear nuevos agentes en runtime es exactamente lo que hace posible "contratar como una función invocable".

Apoyo en el mundo real. Esto no es solo teoría. En febrero de 2026, el CEO de Cursor describió el cambio de su empresa, de ser una herramienta de programación con IA a ser una "agent factory", con palabras muy cercanas a las de este libro: grupos de agentes de IA trabajando como compañeros de equipo, humanos definiendo problemas y revisando trabajo terminado, agentes trabajando en equipos en la nube en paralelo en lugar de ser guiados línea por línea. En mayo de 2026, The New Stack reportó el mismo patrón como una tendencia de toda la industria en Anthropic, OpenAI, Google, Microsoft y Cursor.

La visión líder en 2026 es clara: el modelo de IA se está convirtiendo en un commodity (un commodity es algo de lo que muchas empresas hacen buenas versiones, de modo que todas se vuelven intercambiables, como el azúcar o el trigo). Muchas empresas ya hacen buenos modelos de IA, y un modelo puede cambiarse por otro. Lo que se está volviendo valioso es el "harness": la envoltura de software alrededor del modelo que le permite actuar de forma segura, confiable y a escala. Un alto directivo de Google dijo abiertamente que a la empresa ya no le importa qué herramienta de programación con IA elijan los desarrolladores. La capa del modelo ya no es donde vive la competencia. Las uniones que nombra este libro —entre humano, delegado, capa de gestión, motor, sistema de registro y sistema nervioso— ya se están construyendo en sistemas reales de producción a gran escala.

Las reglas no son un pronóstico. Son una imagen de dónde ya vive la frontera.

Una pequeña nota sobre las palabras. En este libro, cada parte del sistema es técnicamente un agente: OpenClaw es un agente, Paperclip es un agente, los AI Workers son agentes. Pero solo los AI Workers son la fuerza laboral: son los que se contratan, reciben trabajo, permanecen en el equipo y se retiran. OpenClaw y Paperclip son partes permanentes de la empresa, no fuerza laboral. Por eso, cuando este libro dice AI Worker, se refiere a la fuerza laboral. Cuando dice agente, se refiere a cualquiera dentro de la empresa: parte permanente o fuerza laboral.

20. La oportunidad de la fuerza laboral

La IA va a descomponer los empleos en tareas individuales. Algunas de esas tareas las harán por completo las máquinas. Pero descomponer los empleos también crea combinaciones nuevas: nuevos roles, nuevos negocios y nuevos mercados que no existían cuando el trabajo estaba encerrado en cargos fijos.

La fuerza laboral del futuro necesitará construir conjuntos de habilidades flexibles en lugar de depender de trayectorias profesionales fijas. Los profesionales que aprendan a pensar con IA, que usen herramientas de IA todos los días y que traten a la IA como un compañero de equipo digital no solo sobrevivirán al cambio. Les irá bien en él.

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 enseñen a las máquinas cómo se ve lo "correcto" en su campo.

También es una de las mayores oportunidades de capacitación laboral de la historia. Para 2030, el Foro Económico Mundial estima que 59 de cada 100 trabajadores del mundo necesitarán nueva capacitación para mantenerse al día con nuevas tecnologías y nuevas formas de trabajar.

La oportunidad de la fuerza laboral. AI Workers en todas las funciones de negocio: GTM, finanzas, soporte, ingeniería, recursos humanos, legal.

La oportunidad de la fuerza laboral. La misma Agent Factory crea AI Workers especialistas en todas las funciones de negocio: ventas, finanzas, soporte, ingeniería, recursos humanos, legal. Las reglas no cambian entre departamentos. Solo cambian el rol y el sistema de registro.

La misma fábrica crea trabajadores especialistas en cada función de negocio:

En GTM (esto significa Go-To-Market: el trabajo combinado de ventas, marketing e ingresos que convierte posibles compradores en clientes de pago). Un grupo de AI Workers maneja muchas tareas aquí:
- Encontrar nuevos prospectos.
- Enviar mensajes de contacto.
- Mantener limpia la base de datos de clientes.
- Analizar el pipeline de ventas.
- Escribir propuestas.
- Personalizar demos.
El trabajo que se hacía a mano en la era SaaS ahora se construye como AI Workers y lo supervisa un líder humano de GTM.
En Finanzas: cierre mensual (preparar los libros al final de cada mes), AR/AP (que significa accounts receivable: dinero que le deben a la empresa, y accounts payable: dinero que la empresa debe a otros) y FP&A (que significa financial planning and analysis: el equipo que construye presupuestos y pronósticos).
En Atención al cliente: clasificar tickets, resolver problemas, escalar casos difíciles.
En Ingeniería: revisión de código, refactorización (mejorar código existente), despliegue.
En Recursos humanos: encontrar candidatos, evaluarlos, incorporar nuevas contrataciones.
En Legal: revisión de contratos, marcado de cambios, recepción de nuevos asuntos.

Cada AI Worker se contrata mediante Paperclip, lo supervisa un humano del departamento correcto y se ejecuta contra el sistema de registro de ese departamento: el CRM para ventas, el libro mayor para finanzas, el sistema de tickets para soporte, el repositorio de código para ingeniería. Las reglas no cambian entre departamentos. 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.

21. El dinero ya se está gastando

Si no tienes claro que este cambio es real, mira hacia dónde va el dinero.

Para enero de 2026, la construcción de centros de datos en Estados Unidos había crecido hasta 42 mil millones de dólares al año, mientras que la construcción de oficinas cayó 35% desde su pico.

Por primera vez en la historia, Estados Unidos ya gasta más dinero construyendo lugares de trabajo para AI Workers (centros de datos) que para trabajadores humanos (oficinas).

Los centros de datos están usando cobre y electricidad a escala industrial. Un solo centro de datos de IA muy grande necesita hasta 50.000 toneladas de cobre: unas diez veces lo que necesita un centro de datos normal. Meta, Google, Amazon y Microsoft juntos planean gastar más de 600 mil millones de dólares en infraestructura de IA solo en 2026.

Las fábricas de la era de la IA no son solo una idea. Se están construyendo ahora mismo.

Gasto en construcción en Estados Unidos: la construcción de centros de datos subió desde casi cero hasta $42B, mientras que la construcción de oficinas bajó de $60B a $44B. Las líneas se cruzaron en 2025.

Gasto en construcción en Estados Unidos. La construcción de oficinas (el lugar de trabajo para trabajadores humanos) está bajando. La construcción de centros de datos (el lugar de trabajo para AI Workers) está subiendo. Las dos líneas se cruzaron en 2025. Fuente: Oficina del Censo de EE. UU., encuesta Value of Construction Put in Place.

Los ganadores no se medirán por cuántas suscripciones de software vendieron. Se medirán por los resultados que entregaron.

22. Hacia dónde apunta todo

Antes de cerrar, vale la pena marcar dónde está ya esta tesis. La AI-Native Company ya no es una idea futura. Para mediados de 2026, empresas con plantillas humanas de un solo dígito reportaban mil millones de dólares al año en ingresos con fuerzas laborales operadas por IA: una categoría de empresa que no existía de forma significativa tres años antes. Algunas empresas concretas tendrán éxito. Otras fallarán. Algunas enfrentarán problemas regulatorios. Pero la categoría permanecerá. La tesis predijo la forma de la empresa. La empresa llegó.

Esta tesis defiende lo que Agent Factory construye hoy y en el futuro cercano: AI Workers de software, organizados en AI-Native Companies, trabajando en los bordes del negocio humano. Ese es el alcance que este libro se gana.

Pero el diseño se extiende más lejos. Vale la pena nombrar tres direcciones.

AI Workers físicos. El mismo diseño de fábrica que crea AI Workers de software se extiende a los físicos: robots. Un robot que trabaja en un almacén. Un vehículo que entrega paquetes por su cuenta. Una máquina en el piso de una fábrica. Cada uno de estos es un AI Worker bajo las mismas reglas, contratado mediante la misma capa de gestión, ejecutándose sobre un motor que mueve partes físicas en lugar de llamadas de software. Las reglas no cambian. El equipo solo recibe un cuerpo. A medida que la IA física madure, la fuerza laboral de la AI-Native Company no será solo digital. También incluirá trabajadores físicos creados con el mismo método, controlados por el mismo diseño y responsables ante las mismas reglas.

Agentes económicos totalmente independientes. La apertura de esta tesis nombró esta dirección. A medida que los AI Workers ganen identidades duraderas, sistemas de pago, reputaciones y capacidad legal para celebrar contratos, dejarán de ser herramientas que usa su empresa. Se convertirán en actores económicos por derecho propio: comprarán servicios de los AI Workers de otras empresas, venderán capacidad a empresas que la necesiten, acumularán capital y celebrarán contratos sin que un humano apruebe cada transacción. Agent Factory permanece igual. Lo que cambia es cuánta independencia tienen los trabajadores que construye. Las preguntas que esto plantea —estatus legal, responsabilidad, impuestos, antimonopolio (leyes que impiden que las empresas se vuelvan demasiado poderosas o dañen la competencia justa)— no son preguntas de diseño, pero se volverán urgentes, y el diseño debe estar listo para ellas.

AI Workers que se mueven entre empresas. Hoy, un AI Worker se crea en una empresa y trabaja solo para esa empresa. A medida que madura la capa de fabricación, los AI Workers se vuelven portátiles: se contratan en una empresa, luego se transfieren a otra, o incluso trabajan para varias empresas al mismo tiempo. El sistema de contratación crece de dentro de la empresa a entre empresas. Las reglas de autoridad de distintas empresas se encuentran en el mismo AI Worker, controladas por contrato. El mercado laboral de AI Workers se convierte en un mercado real, con tarifas, reputaciones, especialidades y rotación. Agent Factory envía el trabajador. El mercado lo enruta.

Estas tres direcciones —trabajadores físicos, independencia plena y movilidad de trabajadores— son extensiones del diseño, no salidas de él.

Para cerrar

Las reglas se sostienen. Las herramientas cambian. La tesis permanece.

Se está construyendo un nuevo tipo de empresa: dotada de AI Workers, coordinada por una capa de gestión, dirigida por humanos mediante agentes personales. El método para construirla es Agent Factory. La empresa que produce es la AI-Native Company. Los trabajadores que emplea son Digital FTEs. La verdad contra la que trabajan es el sistema de registro. Las reglas que siguen son los siete invariantes. Los productos que hoy cumplen esas reglas cambiarán. Las reglas no.

Si eres nuevo en todo esto, esa es toda la tesis en un párrafo. El resto de este libro es el diseño, la práctica y el trabajo de construirla.

Notas y fuentes

Don Tapscott, entrevista en HBR IdeaCast, "With Rise of Agents, We Are Entering the World of Identic AI", Harvard Business Review, 17 de febrero de 2026.
Foro Económico Mundial, Future of Jobs Report 2025, enero de 2025.
Michael Truell, "The third era of AI software development", Cursor Blog, 26 de febrero de 2026.
Matthew Burns, "Cursor's $60 billion bet is on the harness, not the model", The New Stack, 1 de mayo de 2026.
Erik Munson, ingeniero fundador, Day AI, citado en "Day AI – Customer Story", Inngest, consultado en mayo de 2026.
Jodie Cook, "The 2-Person $1 Billion Company Is The Real Business Goal — And How To Do It", Forbes, 10 de mayo de 2026.

Esta es la versión para principiantes de la tesis de Agent Factory, en inglés simple. La versión técnica original está disponible en agentfactory.panaversity.org. Ambas versiones defienden el mismo diseño y llegan a las mismas conclusiones. Esta versión usa palabras simples y frases cortas. La original usa términos de la industria y frases más largas. Lee la que mejor encaje con el punto en el que estás ahora, y cambia cuando estés listo.

Empieza aquí: toda la tesis en 2 páginas​

El gran cambio​

Tres palabras para aprender primero​

Cómo se divide el trabajo​

Dos capas de la futura empresa​

Dos formas de usar una herramienta potente de IA​

Siete reglas que no cambian​

Por qué esto es real, no un pronóstico​

Qué significa esto para ti​

Cinco partes para recordar​

Adónde ir desde aquí​

Glosario de un vistazo​

📚 Ayuda didáctica​

1. Está naciendo un nuevo tipo de empresa​

2. La IA ya puede pagar cosas​

3. El cambio de herramientas a resultados​

4. Tu ayudante personal de IA​

5. Las palabras que necesitas saber​

6. Reglas que nunca cambian frente a herramientas que cambiarán​

7. El mundo antiguo frente al mundo nuevo​

8. Las tres capas: intención, motor, resultado​

9. Cómo funciona el motor de producción​

10. Agentes de IA que pueden comprar cosas​

11. Los humanos no son reemplazados: son promovidos​

12. El ritmo de trabajo 10-80-10​

13. Dos capas: personal y fuerza laboral​

14. Los dos modos de usar un agente general de IA​

15. Las siete reglas que no cambian (los siete invariantes)​

Regla 1: el humano es el principal.​

Regla 2: cada humano necesita un delegado.​

Regla 3: la fuerza laboral necesita una capa de gestión.​

Regla 4: cada trabajador elige su propio motor.​

Regla 5: cada trabajador se ejecuta contra un sistema de registro.​

Regla 6: la fuerza laboral puede crecer por sí sola, bajo reglas.​

Regla 7: la fuerza laboral funciona sobre un sistema nervioso.​

16. El diseño completo en una imagen​

17. Un ejemplo desarrollado: crear un AI Worker de tickets de soporte en 5 pasos​

Paso 1 — Escribe la spec (Regla 1: el humano está a cargo)​

Paso 2 — Elige el sistema de registro (Regla 5)​

Paso 3 — Adjunta las skills que necesita el trabajador​

Paso 4 — Elige el motor y define las salvaguardas (Reglas 3, 4, 6)​

Paso 5 — Verifica y despliega (Regla 7 + los siete principios)​

Qué acaba de pasar​

Tu lista de verificación para el primer trabajador​

18. Qué permanece igual y qué cambiará​

19. Las herramientas específicas que usamos hoy​

20. La oportunidad de la fuerza laboral​

21. El dinero ya se está gastando​

22. Hacia dónde apunta todo​

Para cerrar​

Notas y fuentes​