IA en la práctica: 20 respuestas directas

Este tipo de aplicaciones (Duet, que muestra tus agentes y proyectos en el celular, es un ejemplo) funciona bien para quienes ya tienen las herramientas conectadas mediante servidores MCP (conectores que permiten al asistente de IA usar otros programas, como el correo electrónico, el calendario o una hoja de cálculo) y quieren seguir los proyectos lejos de la computadora.

El riesgo es el contrario: abrir la aplicación y encontrar diecisiete avisos sobre cosas que aún no has hecho. En vez de organizarte, eso aumenta el estrés.

La alternativa es abrir intencionalmente la sesión del asistente en la que quieres trabajar ahora, sin que todos los proyectos a medio terminar llamen tu atención.

Con las dos aplicaciones abiertas, le pides a Codex que supervise Claude: que revise lo que produjo, navegue, responda una pregunta, abra otra sesión o destrabe algo que se detuvo durante la noche.

Lo que hace que esto funcione es el contexto que le das: el objetivo y las decisiones que tomarías en su lugar.

Atención: para actuar en la pantalla, Codex necesita permiso para controlar la computadora (mouse, teclado, ventanas). Dale ese permiso solo en una máquina y una cuenta sin datos confidenciales abiertos, y supervisa las primeras veces.

También puedes coordinar ambos desde la línea de comandos, pero las aplicaciones de escritorio ya resuelven el problema sin tener que mantener otro sistema.

Un ejemplo: sacar las pruebas automáticas de GitHub Actions (el servicio de GitHub que ejecuta tareas en la nube y cobra por el tiempo de uso) y pasarlas a computadoras propias de la oficina. Desde la terminal (con Warp, por ejemplo, que permite acceder a otras máquinas de la red), puedes ver cada solicitud que llega y asegurarte de que cada tarea se ejecute en la computadora correcta.

En una implementación común no hace falta seguir cada línea de código. Basta con que el resultado funcione y pasen las pruebas adecuadas.

Nadie necesita copiar la configuración de otra persona. Cada quien tendrá su propia combinación de herramientas; lo importante es que se comuniquen entre sí.

La capacidad actual de los modelos ya alcanza para mucho trabajo útil. El punto de atención es otro: quienes ya saben atacar sistemas empiezan a hacerlo con más automatización y a una escala mucho mayor.

Al mismo tiempo, las empresas siguen lanzando aplicaciones que no entienden por completo.

Por eso tiene sentido dedicar más tiempo a proteger lo que ya se construyó, ayudar a las empresas a reconocer sus riesgos y preparar el propio negocio para un entorno más difícil.

Quienes solo desarrollan ya sienten la presión: en sitios para freelancers aparecen proyectos complejos ofrecidos por valores muy bajos. Si tu única propuesta es «yo construyo esto con IA», compites con cada vez más personas y herramientas.

Las empresas siguen necesitando a alguien que entienda qué quieren lograr, sepa dónde conviene invertir, encuentre los problemas y enseñe al equipo a usar las herramientas de la manera adecuada.

Todavía hay buenos clientes para desarrollo. Pero conviene prestar más atención a la consultoría empresarial y a la capacitación de equipos.

Empezar con recursos propios (lo que se conoce como bootstrap) mantiene el control en tus manos.

Si necesitas un inversionista, aquí tienes un criterio práctico para calcular el plazo: cuenta cuántos meses faltan para la próxima meta que hará que la empresa valga claramente más (ingresos, clientes, producto listo) y agrega un margen de unos seis meses para los retrasos. Prueba ese plazo en el escenario pesimista; si no alcanza, el efectivo es insuficiente. Si el cálculo te da entre 18 y 24 meses, elige 24: hoy, recaudar fondos suele tardar más de lo previsto.

Tener más dinero da margen para atravesar un período difícil, pero una ronda grande con condiciones asfixiantes crea otro problema. Al comparar propuestas, ya sean de inversionistas ángeles (personas que invierten su propio dinero en empresas que recién empiezan) o de fondos de capital de riesgo (administradoras que invierten dinero de terceros en empresas con potencial de crecer rápido), recuerda que el origen del dinero, lo que esperan obtener y cuánto control conservas pesan tanto como el monto anunciado.

Responde con cifras: ¿cuáles son los costos fijos mensuales? ¿Cuánto cuesta crecer? Si el producto consigue más clientes, ¿cuánto aumenta la factura de infraestructura? ¿Qué margen necesitas para cubrir retrasos o un contrato que tarda más de lo previsto?

Haz una simulación optimista y otra pesimista. Después, pregúntate si necesitarás otra ronda.

Cuidado con la trampa de la valuación (cuánto dice el inversionista que vale la empresa): recaudar capital con una valuación alta y luego necesitar dinero con una valuación más baja puede obligarte a ceder una parte mucho mayor de la empresa de lo que esperabas. La ronda más grande disponible no siempre es la mejor.

Un ritmo práctico es dividir las pruebas en niveles: una revisión rápida semanal y un análisis más profundo mensual.

Puedes agregar un tercer nivel, con pruebas mucho más amplias (y más costosas), cada trimestre. Este nivel completo todavía requiere un especialista o una herramienta avanzada; mientras tanto, un especialista contratado puede encargarse.

Con el tiempo, guarda los patrones encontrados en cada ronda: así las pruebas serán más útiles y no tendrás que explicarle el mismo enfoque al agente cada vez.

Un “modelo sin censura” es un modelo de IA al que alguien le quitó las barreras que hacen que rechace solicitudes riesgosas. Eso por sí solo no lo convierte en una herramienta de seguridad: el software que rodea al modelo define qué herramientas puede usar, qué recuerda, cómo da seguimiento a un hallazgo y qué intenta cuando un enfoque falla.

Un sistema diseñado para pruebas de seguridad ofrece al modelo un flujo de trabajo mucho más útil que una ventana de chat genérica. Las charlas de conferencias de seguridad, como Black Hat, son una buena base para ver cómo se construyen estos agentes y sus herramientas.

Por eso conviene separar siempre el modelo de la estructura que lo rodea: el mismo modelo ofrece resultados muy distintos según cómo esté construido el sistema.

Ejecutarlo por tu cuenta te da más control sobre la configuración. Un servicio alojado se encarga de la infraestructura y cobra por esa comodidad. RunPod, un servicio que alquila por hora computadoras con una tarjeta gráfica (GPU) potente, es una opción para alojar el modelo cuando tu máquina no puede con la tarea.

Distingue dónde se ejecuta el modelo de dónde se ejecutan las herramientas. Llevar el modelo a la nube no traslada automáticamente el resto del flujo de pruebas.

Y siempre: realiza pruebas solo con permiso del dueño del sistema y con el alcance (qué se puede y qué no se puede probar) acordado por escrito antes de empezar.

Los modelos de vanguardia entienden mejor lo que quisiste decir, así que puedes dejar más cosas implícitas.

Con modelos pequeños, conviene dar objetivos más claros, más contexto y más orientación cuando se atascan.

En un trabajo de seguridad, todo empieza con la pregunta concreta del cliente: ¿están expuestos los datos de sus clientes? ¿Se puede burlar una barrera de pago? ¿O se trata de un análisis general? Son trabajos distintos, y la solicitud y el alcance deben reflejarlo.

Piensa en una prueba autorizada en una tienda en línea pequeña: el agente intenta comprar un producto cambiando el precio en el proceso.

Hay una gran diferencia entre que el agente intente algo y demostrar que funcionó. Ver un intento de cambiar un precio no demuestra que el servidor (la computadora de la tienda que registra el pedido de verdad) haya aceptado el cambio.

Durante las pruebas, el sistema reúne información: un método que falló puede revelar una dirección o un detalle que valga la pena investigar en el siguiente intento. En la práctica, sigue siendo útil que una persona guíe al agente; anota qué funcionó para repetir la prueba sin tener que explicarlo todo de nuevo.

Construir algo sin revisar los detalles de ingeniería e inspeccionar un sistema en busca de fallas son actividades muy distintas. La seguridad exige atención a los detalles.

Convertirte en desarrollador y luego volver a formarte en seguridad requiere mucho trabajo y quizá ni siquiera te interese.

A algunas personas les va mejor enseñando, ofreciendo consultoría o ayudando a las empresas a darse cuenta de cuándo necesitan un especialista. Elige tu función antes de empezar otro plan de estudios largo.

Buena parte del aprendizaje viene de probar tus propias aplicaciones y leer paso a paso lo que intentó el agente.

Cuando aparezca algo que no entiendes, detente e investiga: ¿qué significa ese término? ¿Por qué intentó ese camino? ¿Qué impediría ese problema?

Decide también si te interesa la seguridad ofensiva (atacar para encontrar fallas, con autorización) o la defensiva (proteger): los cursos son diferentes. Y sé transparente con tus clientes sobre tu experiencia: no tener certificaciones no es un problema; fingir que eres especialista en todo sí lo es.

Una mejor manera de acercarse: las empresas de su sector están enfrentando ciertos problemas; ¿les gustaría recibir ayuda para verificar si también les afectan?

Da un motivo para conversar. Pide permiso. Explica qué puedes revisar y para qué tienes preparación.

Llegar diciendo «encontré todos sus defectos» es una pésima forma de empezar una relación.

Puede que la empresa ya tenga una herramienta que cubra todo lo que necesita. Decir que tu versión se puede personalizar más quizá no le haga ninguna diferencia.

Un sistema empresarial básico sirve para que las personas construyan sobre él; eso no significa que todas las empresas necesiten a alguien que les instale exactamente ese sistema.

La oferta se vuelve más sólida como parte de un servicio más amplio: entender el negocio, descubrir qué hace falta y entregar el sistema si resuelve ese problema. Un recurso adicional, por sí solo, no genera demanda.

Primero, los términos: la API es la puerta que ofrece tu sistema para que otros programas se comuniquen con él. El servidor MCP (el conector que usan los asistentes de IA) y la CLI (la versión de línea de comandos que se usa en la terminal) son dos formas de usar esa misma puerta.

Escribe en AGENTS.md (el archivo de instrucciones que los agentes de programación leen al abrir el proyecto) una regla sencilla: cuando cambie la API, revisa el servidor MCP y la CLI y aplica los cambios necesarios.

La API es la base de la que dependen esas interfaces. Cambiar la base y olvidar lo que se construyó encima se convierte en un problema de organización y mantenimiento.

Cada lanzamiento termina solo cuando las interfaces relacionadas también incorporan el cambio.

Algunos proveedores de IA tienen programas para profesionales de seguridad: te identificas, explicas el trabajo y el proveedor habilita un uso más amplio, con reglas y supervisión. Un modelo al que le quitaron las barreras no ofrece nada de eso.

En el trabajo defensivo, deja claro qué es tuyo, qué autorizó el cliente y qué estás probando. No esperes que el proveedor adivine el contexto de una solicitud ambigua.

Una diferencia práctica: en el programa del proveedor, pagas por el uso y el proveedor se encarga del alojamiento; el modelo propio lo alojas y mantienes tú.

Ten un motivo para el proyecto de entrenamiento. Un modelo pequeño para una tarea específica es algo muy distinto a intentar crear otro modelo de uso general.

Para la mayoría, lo más útil es aprender a adaptar modelos que ya existen y obtener de ellos el comportamiento que necesitas.

Y desconfía de las afirmaciones sobre modelos que «mejoran solos»: no toda promesa de ese tipo demuestra que eso ya ocurra como la gente se lo imagina.

Los parámetros son los «números aprendidos» del modelo; cuantos más parámetros tiene, más memoria ocupa. Una regla práctica aproximada es reservar para el modelo cerca de la mitad de la RAM: en este caso, unos 24 GB. Es una regla conservadora para empezar (la Mac permite usar más), no un límite técnico.

La cuenta: en la versión comprimida más común (cuantizada a 4 bits), cada mil millones de parámetros ocupa alrededor de 0,6 GB. Un modelo de 20 mil millones ocupa cerca de 12 GB y el resto de los 24 GB cubre la memoria de la conversación. El sistema y los demás programas siguen teniendo la otra mitad.

No elijas de entrada el modelo más grande que quepa en la máquina: con suficiente margen, la computadora sigue siendo usable mientras se ejecuta el modelo. En Mac, busca la versión MLX del modelo, diseñada para los chips de Apple.