La evolución de los frameworks de agentes: la interfaz ya no protege al modelo, sino nuestra atención

Los pesos se están comiendo las capas de software

La primera generación de agentes de IA dependía de lógica externa. En 2022, ChatGPT no podía utilizar herramientas, buscar en la web ni planificar pasos por sí solo. Los frameworks externos y las complejas estructuras de tipo «harness» (LangChain, ReAct) tenían que aportar estas capacidades. Actuaban como un andamiaje alrededor de la fuerza bruta de la predicción de tokens.

Pero el análisis de Latent Space muestra que esta relación se está invirtiendo. Los modelos empiezan a absorber directamente en sus pesos las capacidades de esas capas. Con la llegada de las llamadas nativas de funciones y los bucles internos de planificación, los modelos ya no necesitan código externo para saber cómo tomar decisiones. Los desarrolladores pueden eliminar miles de líneas de lógica de control porque el entrenamiento ya la ha incorporado al modelo.

El fin de las abstracciones de API y la vuelta al texto puro

Este cambio simplifica de forma radical la construcción de agentes. En lugar de encadenar complejas llamadas a API a través de varias capas de abstracción, el desarrollo vuelve a centrarse en prompts puros y en aportar contexto.

Antes, el desarrollador ejercía de arquitecto de un árbol lógico; hoy es más probable que prepare datos y rastros de contexto para que el modelo navegue por su cuenta. Esto presiona enormemente a los creadores de frameworks cuyo principal valor consistía en orquestar pasos. Si el modelo puede orquestarse solo, sus herramientas se convierten en una sobrecarga inútil.

Una interfaz para humanos, no para máquinas

A medida que los modelos ganan independencia, también cambia el papel de lo que queda de la capa de software. La infraestructura de agentes ya no sirve para dar al modelo un cuerpo en el espacio digital, sino para que una persona pueda seguirle el ritmo.

Los nuevos frameworks se centran en filtrar la atención, aprobar acciones, visualizar el razonamiento interno del modelo y mantener registros de auditoría. Se están convirtiendo en la interfaz entre una inteligencia artificial que opera de forma independiente y la limitada atención humana, que necesita saber cuándo intervenir y cuándo dejar trabajar al agente.

Se verá quién paga por frameworks vacíos

La próxima batalla no girará en torno a quién escribe un mejor bucle de control para un LLM. Girará en torno a quién ofrece el mejor panel empresarial para supervisar miles de microdecisiones. Los frameworks que no pasen de gestionar máquinas a gestionar personas y sus permisos pronto se quedarán sin clientes.

El veredicto de Lilith

Antes escribíamos código para convertir modelos torpes en agentes inteligentes. Ahora lo escribimos para prepararles un entorno seguro y evitar que nos revienten la base de datos a la primera.