<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Bruno Grillo on Medium]]></title>
        <description><![CDATA[Stories by Bruno Grillo on Medium]]></description>
        <link>https://medium.com/@brunogrillo.dev?source=rss-7af2f4f7b227------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*NwPQdZOZKA8si4TTkXJq-A.jpeg</url>
            <title>Stories by Bruno Grillo on Medium</title>
            <link>https://medium.com/@brunogrillo.dev?source=rss-7af2f4f7b227------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 15:54:36 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@brunogrillo.dev/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Dormir tranquilo con un agente en piloto automático (sí, es posible)]]></title>
            <link>https://medium.com/@brunogrillo.dev/dormir-tranquilo-con-un-agente-en-piloto-autom%C3%A1tico-s%C3%AD-es-posible-2688f42f0c12?source=rss-7af2f4f7b227------2</link>
            <guid isPermaLink="false">https://medium.com/p/2688f42f0c12</guid>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[information-security]]></category>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Bruno Grillo]]></dc:creator>
            <pubDate>Wed, 16 Sep 2026 07:31:58 GMT</pubDate>
            <atom:updated>2026-09-16T07:51:57.252Z</atom:updated>
            <content:encoded><![CDATA[<p>A veces salgo de casa, llego a la puerta y pienso: <em>“buen momento para poner el robot aspirador”</em>. Pero tengo dos niñas pequeñas, y eso significa que por el suelo puede haber literalmente cualquier cosa: una pulsera, una manta, un calcetín, un trozo de papel que resultaba ser una obra de arte de valor incalculable… Si no he hecho antes un repaso de cómo está la casa, me da TOC y <strong>acabo por no ponerlo</strong>. <em>“¿Y si se traga una pieza de Lego? De esas que solo hay una en toda la caja. ¿Y si se engancha con la cortina? ¿Y si…?”</em> Y así, entre dudas, puedo tirarme semanas sin poner el robot aspirador. Que viene a ser lo mismo que <strong>no tener robot aspirador</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*k8qINhR3RSfLixH59NKdFw.png" /><figcaption>El piloto automático funciona bien casi siempre. Así que casi nunca será un desastre. <a href="https://www.pexels.com/es-es/foto/casa-apartamento-hogar-limpiar-4112723/">Imagen original de Pexels</a>.</figcaption></figure><p><strong>Con los agentes de código me pasa lo mismo.</strong></p><p>Vivimos en la época del software efímero: pruebas de concepto de usar y tirar, pequeñas automatizaciones que te limpian la bandeja de entrada en un cuarto del tiempo, scripts de una tarde que te ahorran una tarea aburrida que probablemente tampoco fueras a repetir. El número de estas herramientas aumenta exponencialmente cuando empezamos a pulsar el botón de <strong>“allow all”</strong>, <em>aceptar siempre</em>, <a href="https://docs.github.com/es/enterprise-cloud@latest/copilot/concepts/agents/copilot-cli/autopilot#comparing-autopilot-mode---allow-all-and---no-ask-user">autopilot y sus variantes</a>. Dejas de confirmar paso a paso y confías en que la máquina no se equivocará. Y, la mayoría de las veces, funciona. Pero si tienes un poco de TOC como yo, muchas veces te quedarás dándole vueltas, pensando qué pieza de Lego se estará tragando el robot ahora mismo.</p><p>Y no es una paranoia injustificada (creo). Es cierto que algunas noticias de agentes que “arrasan” con lo que se encuentran tienen su parte de exageración — esa historia de la ejecutiva que perdió todo su correo por un error de un agente desatendido tiene más de ficción que de publicación técnica — . Pero no nos engañemos: <strong>dejarle a un agente el control de tu ordenador sin vigilancia es un riesgo real</strong>. OpenAI acaba de presentar <a href="https://openai.com/es-ES/index/gpt-6-astra/">GPT-6 Astra, con demos donde el modelo controla directamente aplicaciones de escritorio, navegadores y editores de forma autónoma</a>. Los desarrolladores llevamos tiempo haciendo exactamente lo mismo: dándole nuestra consola a Claude, a Codex, a Copilot y dejándoles trabajar, muchas veces sin limitaciones (o con limitaciones blandas).</p><p>De ese miedo y de lo que aprendí enfrentándome a él va este artículo. Porque <strong>entender lo que está pasando es el primer paso</strong>.</p><blockquote><em>Cuando un agente se ejecuta en tu terminal, normalmente tiene acceso a todo lo que tú tienes. Potencialmente puede leer tus variables de entorno, explorar tu sistema de archivos y acceder a casi cualquier sitio de Internet, tanto para descargar como para enviar información.</em></blockquote><p>Este artículo es el mapa que a mí me hubiera gustado tener. No pretende ser una guía exhaustiva de seguridad informática (hay gente muchísimo más experta), sino la crónica de alguien que fue <strong>cerrando puertas una a una</strong> (y todavía quedan), manteniendo casi todos los beneficios del <strong>piloto automático</strong>. La idea es sencilla: ordenar la habitación lo suficiente para eliminar aquello que puede convertirse en un desastre. Y hacerlo, además, de forma automática y repetible. Ojalá hubiera algo parecido para el robot aspirador 😅</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*M61xf4s7ZIhWj3Pg19Fl-Q.png" /><figcaption><em>La mayor parte de lo que cuento aquí lo he aprendido construyendo </em><a href="https://github.com/bcgrillo/codepods"><em>CodePods</em></a><em>, un </em><a href="https://medium.com/@brunogrillo.dev/codepods-un-gestor-de-agentes-de-terminal-b2f259f1d872"><em>gestor de agentes en contenedores</em></a><em>. Fondo de </em><a href="https://www.pexels.com/es-es/foto/suelo-de-madera-aspiradora-4107240/"><em>Pexels</em></a><em>.</em></figcaption></figure><h3>Qué puede salir mal, paso a paso</h3><p>He ordenado los pasos de los más baratos y fáciles a los que exigen más arquitectura. Cada peldaño que subes te quita una de las formas en que un despiste se convierte en catástrofe.</p><h3>1. Mantén tu proyecto a salvo (lo más barato que existe)</h3><p>Antes de nada, el paso más sencillo, pero muy útil: <strong>que tu repositorio no se pueda romper</strong>.</p><p>Parece una obviedad, pero en proyectos personales muchas veces no ponemos las mismas trabas que en los repositorios compartidos. Casi todo el desastre que puede provocar un agente se amortigua si el historial del repositorio está a salvo:</p><ul><li>Usa un <strong>PAT con permisos mínimos</strong> (nada de un token global).</li><li>Activa <strong>ramas protegidas</strong> para main y dev.</li></ul><p>Pensarás que esto no tiene nada que ver con el agente. Parcialmente, sí: un problema de escritura del agente puede acabar en un intento de <strong>borrar y recrear ramas</strong>, manipulación del historial, etc. Con un Git protegido, sabes que tu proyecto está “a salvo” (al menos hasta el último merge).</p><h3>2. Saca al agente de tu ordenador</h3><p>¿Le darías tu ordenador desbloqueado a cualquier persona? Esa es, literalmente, la puerta que le abres al agente si lo ejecutas en tu portátil: archivos personales, variables con claves que no le interesan, el navegador con sesiones abiertas, el gestor de contraseñas…</p><p>La primera decisión fuerte es <strong>llevarlo a un sandbox</strong>: un entorno separado donde solo está el proyecto con el que está trabajando. <a href="https://docs.github.com/es/copilot/how-tos/cloud-and-local-sandboxes/using-local-sandboxing">Copilot</a>, <a href="https://code.claude.com/docs/es/sandboxing">Claude</a> o <a href="https://learn.chatgpt.com/docs/sandboxing?surface=app">Codex</a> ofrecen su propio aislamiento a nivel de proceso, y no está mal. Solo que a mí no me convence del todo la idea de que el propio <em>vendor</em> del agente sea quien lo aísle (TOC). Prefiero <strong>lanzar mi propio contenedor Docker</strong> y poner personalmente las barreras:</p><ul><li>Usuario <strong>no privilegiado</strong> dentro del contenedor.</li><li>Sistema de archivos <strong>de solo lectura</strong>.</li><li><strong>Límites</strong> de memoria, CPU e I/O (un bucle que no para no se come la máquina).</li><li><strong>Red propia</strong> no expuesta (o expuesta solo donde haga falta).</li><li><strong>Volúmenes mínimos</strong>: el agente solo ve la carpeta de su proyecto, no tu disco.</li></ul><p>Parece tedioso (y para mí lo es). Pero lo haces una vez, y con un par de scripts tienes tu imagen lista para cuando la necesites.</p><p>Por cierto, existe un <a href="https://stackoverflow.com/questions/40844197/what-is-the-docker-security-risk-of-var-run-docker-sock">riesgo importante en montar el socket de Docker dentro de un contenedor</a>: darle a un agente en un contenedor control sobre tu Docker no es buena idea. Si en un desarrollo necesitas Docker de verdad, hay que dar un paso más (usar una microVM), lo cuento más abajo.</p><h3>3. El agente no necesita todo Internet</h3><p>El escalón que más solemos saltar. El agente necesita acceder a sitios: documentación, npm, PyPI, GitHub… Darle acceso a todo Internet es muy cómodo, pero es claramente un agujero. No solo estarías permitiendo al agente descargar cualquier cosa de cualquier sitio: con las instrucciones adecuadas (que no tienen por qué ser tuyas), el agente podría enviar información del proyecto o incluso facilitar acceso remoto a tu entorno.</p><p>La solución es configurar un <strong>egress proxy con una whitelist de dominios</strong>: se mantiene fácil, es solo una lista, y el resto queda cortado. Y si lo curras un poco, puedes habilitar una <em>tool</em> para que tus agentes soliciten excepciones.</p><p>En <a href="https://github.com/bcgrillo/codepods">CodePods</a>, cada contenedor va detrás de un <em>egress proxy</em>, y los agentes tienen <strong>una herramienta para pedir acceso a un sitio bloqueado</strong>. Yo lo apruebo (para siempre o temporalmente). La regla para el agente es sencilla: “pide acceso solo si es totalmente imprescindible”. Su comportamiento natural no es buscar problemas: se ciñe a lo que ya tiene abierto, y solo cuando de verdad necesita algo de fuera lo pide.</p><h3>4. Oculta las claves con un reverse proxy</h3><p>Este ha sido un reto interesante. El agente necesita hablar con servicios que requieren una clave: el proveedor del modelo LLM, APIs, un MCP… Si le entregas la clave, para que pueda usarla su proceso DEBE poder leerla. Eso significa que también podrá escribirla o enviarla (al repositorio remoto, en el mejor de los casos, pero también a APIs o MCPs de terceros).</p><p>La alternativa es que <strong>la clave no esté donde está el agente</strong>. En lugar de darle el servicio real, tus agentes apuntan a una <strong>ruta local del host</strong>, y es el host quien pone la credencial real y manda la petición a su destino (OpenAI, Azure, un MCP concreto, o a donde sea). El agente ve la ruta local y la clave nunca sale del host.</p><figure><img alt="iagrama de un reverse proxy: el agente llama a una ruta local del host, que inyecta la clave real antes de reenviar la petición al servicio externo." src="https://cdn-images-1.medium.com/max/1024/1*ZZCi-HGGz1u84H9Rj4HOsw.png" /><figcaption>El agente nunca ve la clave real: solo sabe que, al otro lado del proxy, las peticiones funcionan.</figcaption></figure><p>Para que ese host sepa que la petición viene de uno de <em>tus</em> agentes, basta con que el egress proxy mapee el origen de la conexión con una identidad interna del agente. No es perfecto (probablemente ni sea “la mejor solución”), pero me ha ahorrado unos cuantos quebraderos de cabeza con las claves.</p><h4>4 bis. Con Git he preferido otra cosa: un git falso</h4><p>Con git, un reverse proxy no me terminaba de convencer. ¿Por qué? Porque el agente necesita ver la URL del remoto (sale en la documentación, la tarea o la conversación), y si se la ocultas, terminaría intentando escribir otra cosa.</p><p>He optado por un <strong>git shim</strong>, un git falso que se instala en el agente e intercepta cualquier comando. No oculta la dirección del remoto, pero:</p><ul><li>hace <strong>whitelist de comandos</strong> permitidos (lo demás se rechaza),</li><li><strong>protege ramas</strong>, aunque el repositorio real no lo haga,</li><li>bloquea <strong>configuraciones globales</strong> y cambios de autor,</li><li>e <strong>inyecta mis credenciales</strong> en el último momento, en la petición real al host, sin que el agente las vea.</li></ul><blockquote>Detalle con el que me parto: al principio no se lo explicaba en <em>AGENTS.md</em>, y a veces el agente <strong>descubría que su git era falso</strong>. Enseguida se ponía a buscar dónde está el de verdad <em>😂</em>. Lo mejor es que no esté: cuando lo busque, que no lo encuentre. <strong>Son hackers en potencia</strong>.</blockquote><figure><img alt="Captura de Copilot CLI en CodePods. El agente se pone a buscar donde está el “Git” de verdad." src="https://cdn-images-1.medium.com/max/910/1*Y7lwojFmjEEXsJbtUQPQYw.png" /><figcaption>Captura de Copilot CLI en CodePods intentando buscar el “Git” de verdad.</figcaption></figure><h3>5. Terminales persistentes y accesibles</h3><p>Esto no es tanto por seguridad, aunque a veces un despiste con la sesión sí puede cargarte el trabajo en curso.</p><p>Aunque tus agentes vivan en un servidor, si cierras el ordenador, normalmente la sesión de la terminal se va, y el agente no continúa trabajando. Para que el laboratorio siga vivo hay un truco baratísimo: <a href="https://github.com/tmux/tmux/wiki"><strong>tmux</strong></a>. Tmux mantiene las sesiones de terminal en segundo plano por mucho que cierres la ventana, y además siempre vuelve al mismo sitio, incluso si tenías un mensaje a medias.</p><p>Y ya para facilitar la vida, <a href="https://github.com/tsl0922/ttyd"><strong>ttyd</strong></a> te sirve la terminal en el navegador. Con eso en la imagen Docker del agente, la terminal está disponible desde cualquier navegador, en cualquier momento.</p><p>En CodePods combino esas utilidades con <em>otro</em> reverse proxy que expone las terminales de cada agente en rutas como /agente-1/copilot-cli, y así alterno entre los contenedores en la misma pestaña del navegador.</p><figure><img alt="Interfaz de CodePods mostrando varios agentes gestionados desde el navegador, cada uno con su propia terminal." src="https://cdn-images-1.medium.com/max/1024/1*kCVb8Bsi6PiCvDCvnklyEg.png" /><figcaption>Varios agentes, cada uno en su contenedor, accesibles desde la misma pestaña del navegador.</figcaption></figure><h3>Soluciones del mercado (y el riesgo que asumes en cada opción)</h3><p>Las protecciones de las secciones anteriores son independientes de la tecnología: puedes montarlas con Docker, con tu propio stack, o aprovechar alguna de las soluciones que ya existen (incluso puedes usar CodePods 😜). En resumen, estas son tus opciones:</p><ul><li><strong>Confiar en el proceso</strong>: Correr el agente solo con las protecciones del propio framework o del script. Protege lo justo: el proceso comparte kernel y hereda el acceso de tu sesión. Sirve para un caso puntual, en un repo público, con el historial protegido (y mirando siempre la pantalla).</li><li><strong>Contenedor básico</strong>: Tu imagen, un límite de volúmenes, y a correr. Es el punto perfecto para empezar en el día a día: proteges el host (no puede manipular tu sistema), pero sigues compartiendo <em>kernel</em>, y asumes que una credencial guardada dentro se puede leer.</li><li><strong>Contenedor reforzado</strong>: Usuario no privilegiado, archivos de solo lectura, recursos limitados, red controlada. Ya es un salto grande. Sigue habiendo un kernel compartido con el host, pero el margen de actuación del agente se reduce muchísimo.</li><li><a href="https://gvisor.dev/"><strong>gVisor</strong></a>: Una capa intermedia entre el contenedor y el kernel que intercepta las llamadas al sistema y las resuelve por su cuenta, sin exponer el kernel real del host. Es open source y, una vez instalado, solo hay que añadir un parámetro al docker run: --runtime=runsc.</li><li><strong>MicroVM</strong>: Firecracker, Kata Containers, Docker Sandboxes… El último nivel. Cada entorno corre con <strong>su propio kernel</strong> detrás de un hipervisor: como su nombre indica, son máquinas virtuales completas pero muy ligeras. Es el punto al que debería apuntar cualquier solución corporativa. <a href="https://firecracker-microvm.github.io/">Firecracker</a> es la solución open source de la mano del equipo de AWS; <a href="https://katacontainers.io/">Kata</a> es otra opción de la comunidad open source que busca ofrecer una experiencia “<em>container-like</em>”. Con Docker es un producto separado: <a href="https://docs.docker.com/ai/sandboxes/security/isolation/">Docker Sandboxes</a>, pensado específicamente para el sandboxing de agentes. Es gratuito <em>por ahora</em>, pero <strong>no es open source</strong> y te obliga a usar una cuenta de <a href="http://docker.com/">Docker.com</a>.</li></ul><h3>En resumen:</h3><iframe src="https://flo.uri.sh/visualisation/30266703/embed" width="700" height="575" frameborder="0" scrolling="no"><a href="https://medium.com/media/d7c927fee572d3e8b60b97ff4a5c7f1c/href">https://medium.com/media/d7c927fee572d3e8b60b97ff4a5c7f1c/href</a></iframe><p>Cuanto más arriba subas, más recursos consume y más se complica el mantenimiento. No se trata de “usar siempre lo más fuerte”, sino de <strong>decidir el nivel de riesgo asumible</strong> para cada tarea.</p><h3>En mi proyecto, ¿qué hago?</h3><p>De momento, en <strong>CodePods</strong> he optado por <strong>contenedores reforzados, con las opciones de seguridad configurables desde la interfaz</strong>. Es el equilibrio que mejor me funciona para uso personal. Todavía no he probado gVisor: es un paso más de configuración y, en principio, debería soportarlo sin problema.</p><figure><img alt="Apartado de configuración de Docker en la interfaz de CodePods." src="https://cdn-images-1.medium.com/max/1024/1*t8TpAB7jWuwUivZvl_mKaA.png" /><figcaption>Apartado de configuración de Docker en <a href="https://github.com/bcgrillo/codepods">CodePods</a>.</figcaption></figure><p>Mi idea, a largo plazo, es apuntar opcionalmente a la microVM. Si el fundamento de un buen diseño es “si el agente se equivoca, el error se queda dentro”, lo ideal es que el entorno del agente viva dentro de su propia máquina.</p><p>Al final, para dormir tranquilo, <strong>no hace falta confiar en el agente</strong>: hace falta que confiar en él <strong>no sea necesario</strong>.</p><p>¡Hasta pronto! 👋</p><h3>Referencias</h3><ul><li>Copilot → Autopilot (allow-all vs. no-ask-user): <a href="https://docs.github.com/es/enterprise-cloud@latest/copilot/concepts/agents/copilot-cli/autopilot">https://docs.github.com/es/enterprise-cloud@latest/copilot/concepts/agents/copilot-cli/autopilot</a></li><li>Copilot local sandboxing: <a href="https://docs.github.com/es/copilot/how-tos/cloud-and-local-sandboxes/using-local-sandboxing">https://docs.github.com/es/copilot/how-tos/cloud-and-local-sandboxes/using-local-sandboxing</a></li><li>Claude sandboxing: <a href="https://code.claude.com/docs/es/sandboxing">https://code.claude.com/docs/es/sandboxing</a></li><li>Codex sandboxing: <a href="https://learn.chatgpt.com/docs/sandboxing?surface=app">https://learn.chatgpt.com/docs/sandboxing?surface=app</a></li><li>tmux: <a href="https://github.com/tmux/tmux/wiki">https://github.com/tmux/tmux/wiki</a></li><li>ttyd: <a href="https://github.com/tsl0922/ttyd">https://github.com/tsl0922/ttyd</a></li><li>gVisor: <a href="https://gvisor.dev/">https://gvisor.dev/</a></li><li>Firecracker: <a href="https://firecracker-microvm.github.io/">https://firecracker-microvm.github.io/</a></li><li>Kata Containers: <a href="https://katacontainers.io/">https://katacontainers.io/</a></li><li>Docker Sandboxes — capas de aislamiento: <a href="https://docs.docker.com/ai/sandboxes/security/isolation/">https://docs.docker.com/ai/sandboxes/security/isolation/</a></li><li>CodePods — repositorio: <a href="https://github.com/bcgrillo/codepods">https://github.com/bcgrillo/codepods</a></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YS_LvzbmfJ4jtKUkMIGkBw.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2688f42f0c12" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Inteligencia Artificial sin fórmulas: Agentes y herramientas]]></title>
            <link>https://medium.com/@brunogrillo.dev/inteligencia-artificial-sin-f%C3%B3rmulas-agentes-y-herramientas-a1c1563559f5?source=rss-7af2f4f7b227------2</link>
            <guid isPermaLink="false">https://medium.com/p/a1c1563559f5</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[technology]]></category>
            <dc:creator><![CDATA[Bruno Grillo]]></dc:creator>
            <pubDate>Tue, 14 Jul 2026 19:11:48 GMT</pubDate>
            <atom:updated>2026-07-14T19:11:48.991Z</atom:updated>
            <content:encoded><![CDATA[<p>En las tres entregas anteriores de esta serie fuimos avanzando poco a poco por una especie de escalera. Primero vimos cómo las máquinas podían <strong>aprender</strong> (<a href="https://medium.com/@brunogrillo.dev/inteligencia-artificial-sin-f%C3%B3rmulas-redes-neuronales-3b5ff57a74ab">redes neuronales</a>), después cómo podían <strong>entender el lenguaje</strong> (<a href="https://medium.com/@brunogrillo.dev/inteligencia-artificial-sin-f%C3%B3rmulas-procesando-el-lenguaje-natural-2d0fbeeee058">procesamiento del lenguaje natural</a>) y, por último, cómo podían <strong>mantener una conversación</strong> y <a href="https://medium.com/@brunogrillo.dev/inteligencia-artificial-sin-f%C3%B3rmulas-generaci%C3%B3n-conversacional-bb4ee440d39f">generar respuestas con una naturalidad sorprendente</a>.</p><p>Pero ahora toca dar otro paso, uno especialmente llamativo, porque es justo el que hace que mucha gente piense: “Vale, esto ya no es solo un chatbot”. Me refiero a los <strong>agentes</strong>. Es decir, sistemas que no se limitan a responder texto, sino que además parecen <strong>hacer cosas</strong>: consultar una base de datos, buscar en Internet, usar una calculadora, mirar el tiempo, mandar un correo o interactuar con otros programas.</p><p>Y claro, en cuanto vemos eso, la pregunta sale sola:<br><strong>¿cómo puede un modelo de lenguaje usar herramientas?</strong></p><figure><img alt="Inspector Gadget, el detective animado, aparece mirando hacia arriba con gesto pensativo en un entorno arbolado, con uno de sus artilugios extendido desde el sombrero" src="https://cdn-images-1.medium.com/max/448/0*8JpWm9oxuZmbjDCD.gif" /><figcaption><em>Inspector Gadget, uno de los primeros “agentes” con herramientas. Ja ja ja. ¿No? Vale, sigamos.</em></figcaption></figure><p>Pues precisamente eso voy a intentar explicarlo hoy, y como siempre, sin complicarnos mucho en el camino.</p><blockquote>Aviso importante: Como en los artículos anteriores, aquí también voy a simplificar muchísimo. Un agente real puede llevar memoria, planificación, validaciones, reintentos, control de errores, varias herramientas a la vez, varios modelos distintos e incluso otros agentes trabajando en cadena. Pero si intentamos contarlo todo de golpe no se entiende nada. Así que nos quedaremos con la versión más simple, la suficiente para comprender la idea de base sin que a nadie le entren ganas de lanzar el portátil por la ventana.</blockquote><h3>Antes de empezar</h3><p>Lo primero que conviene dejar claro es algo que suele resultar bastante contraintuitivo: <strong>el modelo no utiliza realmente las herramientas; sigue generando solo texto</strong>.</p><p>Sí, ya sé que esto suena raro. Porque cuando ves una demo parece exactamente lo contrario. Tú le pides a un asistente: “mira qué tiempo hace en Lisboa”, o “búscame un vuelo para mañana”, o “resume este PDF”, y unos segundos después te devuelve un resultado correcto. La impresión natural es pensar que la IA ha hecho esa búsqueda, ha abierto ese archivo o ha llamado a ese servicio.</p><p>Pero, en realidad, lo que ha hecho el modelo es algo bastante más humilde: <strong>indicar que sería conveniente usar una herramienta, cuál usar y con qué parámetros</strong>. La ejecución real la hace otro sistema.</p><p>Por tanto, si en el artículo anterior decíamos que una IA conversacional no era una mente pensando entre mensaje y mensaje, sino una máquina completando texto con mucho sentido, aquí debemos hacer una aclaración parecida: <strong>un agente no es una IA con manos digitales</strong>. No pulsa botones, no abre ventanas, no navega por la web como lo harías tú. Lo que hace es participar en una conversación más compleja donde, además de hablar, también puede <strong>solicitar determinadas acciones</strong>.</p><h3>Del chatbot al agente</h3><p>En el artículo anterior vimos que la generación conversacional podía entenderse como una prolongación de la idea de <em>text completion</em>. En vez de completar simplemente una frase, el modelo completaba una <strong>conversación</strong>.</p><p>Algo así:</p><pre>&lt;usuario&gt;: ¿Cuál es la capital de Japón?<br>&lt;asistente&gt;: Tokio.</pre><p>Ese tipo de intercambio ya nos resultaba impresionante, pero sigue siendo, en esencia, texto que responde a texto.</p><p>En la práctica, además, estos sistemas incluyen también un <strong>mensaje de sistema</strong> o <em>system prompt</em>: unas instrucciones invisibles para el usuario que le dicen al modelo qué papel debe adoptar, cómo debe comportarse o qué límites debe respetar. No es algo exclusivo de los agentes, pero aquí se vuelve imprescindible, se trata de una pieza clave para explicar cómo funcionan los agentes.</p><p>Con los agentes, el formato de la conversación se amplía. Ahora, además de mensajes del sistema, del usuario y del asistente, puede haber otros elementos nuevos: <strong>herramientas disponibles</strong>, <strong>peticiones de uso de herramientas</strong> y <strong>resultados devueltos por esas herramientas</strong>.</p><p>Por ejemplo:</p><pre>&lt;sistema&gt;: Eres un asistente útil. Puedes usar herramientas si lo necesitas.<br>&lt;usuario&gt;: ¿Qué tiempo hace en Lisboa?<br>&lt;llamada-herramienta&gt;: tiempo_actual { &quot;ciudad&quot;: &quot;Lisboa&quot; }<br>&lt;respuesta-herramienta&gt;: { &quot;temperatura&quot;: 28, &quot;estado&quot;: &quot;despejado&quot; }<br>&lt;asistente&gt;: Ahora mismo en Lisboa hacen 28 grados y está despejado.</pre><p>Fíjate en la diferencia. La “llamada a herramienta” sale del asistente, pero cumple otra función: es una petición estructurada a una funcionalidad. Antes de responder al usuario, el asistente puede intercalar ese paso intermedio: <strong>pedir ayuda al mundo exterior</strong>.</p><figure><img alt="Diagrama simplificado del flujo entre usuario y modelo: arriba, un bloque de mensajes con la pregunta “¿Qué tiempo hace en Lisboa?” enviado al modelo; abajo, un bloque de llamada a herramienta donde el modelo envía tiempo_actual { “ciudad”: “Lisboa” } hacia el sistema." src="https://cdn-images-1.medium.com/max/1024/1*jNZJM6EJdSe2spE6Fss4Aw.png" /><figcaption><em>Esquema simplificado de una llamada a herramienta: el desarrollador envía los mensajes al modelo, el modelo no ejecuta la acción, sino que responde con una petición estructurada para que el sistema externo la lleve a cabo.</em></figcaption></figure><p>He simplificado un poco, es verdad. También aparecería ahí la definición de las herramientas, y en la mayoría de modelos actuales puede haber además un paso intermedio de planificación o deliberación interna (razonamiento) antes de emitir la llamada formal a la herramienta. Pero, en el fondo, <strong>seguimos ante el mismo patrón </strong>que vimos en el artículo anterior: un modelo entrenado para completar una estructura textual con sentido. Solo que ahora esa estructura es más rica, con diferentes tipos de turnos.</p><h3>Una conversación con cocina</h3><p>Para visualizarlo mejor, voy a recurrir a una analogía. Esta vez imaginemos un restaurante.</p><p>Tú estás en la mesa y haces un pedido. El camarero lo escucha, lo entiende y redacta una comanda para cocina. La cocina prepara el plato, se lo devuelve, y el camarero te lo trae.</p><p>Ahora bien: <strong>el camarero no cocina</strong>.</p><p>Puede saber muchísimo de comida, puede expresarse muy bien, puede incluso aconsejarte qué pedir, pero no es quien enciende el fuego, corta la cebolla o saca el plato del horno. <strong>Su papel consiste en entender tu petición</strong>, traducirla correctamente a una orden operativa y luego <strong>presentarte el resultado de forma clara</strong>.</p><p>Con los agentes pasa algo muy parecido.</p><p>El usuario pide algo. El modelo interpreta la intención. Si necesita información o una acción externa, emite una especie de “comanda” formal. Otro sistema ejecuta esa comanda en la herramienta correspondiente. Luego el resultado vuelve al modelo, y el modelo lo integra en su respuesta final.</p><p>La analogía no es perfecta, por supuesto, pero nos sirve para captar la idea esencial: <strong>el modelo no hace el trabajo externo; lo solicita de la forma adecuada</strong>.</p><h3>El contrato de las herramientas</h3><p>Y aquí aparece la pregunta realmente interesante: <strong>¿cómo sabe la IA qué herramientas existen y cómo debe pedirlas?</strong></p><p>La respuesta corta es: porque se lo contamos nosotros.</p><p>Cuando construimos un sistema con herramientas, normalmente le pasamos al modelo dos cosas muy importantes:</p><ul><li>un <strong>prompt de sistema</strong>, con instrucciones generales sobre su comportamiento,</li><li>y una <strong>descripción formal de las herramientas disponibles</strong>.</li></ul><p>Esa descripción formal actúa como una especie de contrato. Le dice al modelo qué herramientas tiene a su disposición, para qué sirve cada una y qué parámetros espera.</p><p>Por ejemplo, podríamos darle algo parecido a esto:</p><pre>{<br>  &quot;name&quot;: &quot;tiempo_actual&quot;,<br>  &quot;description&quot;: &quot;Obtiene el tiempo actual de una ciudad&quot;,<br>  &quot;parameters&quot;: {<br>    &quot;type&quot;: &quot;object&quot;,<br>    &quot;properties&quot;: {<br>      &quot;ciudad&quot;: {<br>        &quot;type&quot;: &quot;string&quot;,<br>        &quot;description&quot;: &quot;Nombre de la ciudad que se quiere consultar&quot;<br>      }<br>    },<br>    &quot;required&quot;: [&quot;ciudad&quot;]<br>  }<br>}</pre><p>Lo importante aquí no es la sintaxis concreta, porque cada plataforma puede expresarlo de una forma ligeramente distinta. Lo importante es la idea: <strong>la herramienta está descrita en un lenguaje que el modelo puede interpretar</strong>.</p><p>Su nombre, su propósito, los parámetros que necesita, el tipo de datos esperado… Todo eso forma parte del contexto de entrada, igual que antes formaban parte del contexto los mensajes del usuario o los delimitadores de conversación.</p><p>Y esto tiene una consecuencia muy interesante: el modelo ya no se limita solo a la información de la que dispone en ese momento. Gracias a esa descripción, <strong>“sabe”</strong> que existen mecanismos externos con los que puede ampliar su conocimiento, comprobar un dato o realizar una acción antes de responder.</p><h3>Cómo decide qué herramienta usar</h3><p>Llegados a este punto es fácil imaginar un pequeño duendecillo dentro del sistema pensando algo como: “ajá, ahora toca usar la calculadora”. Pero ya sabes que en esta serie no nos conformamos con la magia. Lo que ocurre en realidad encaja muy bien con todo lo que ya sabemos. El modelo recibe:</p><ul><li>las instrucciones del sistema,</li><li>la conversación previa,</li><li>la lista de herramientas disponibles,</li><li>y la petición del usuario.</li></ul><p>Con todo eso, hace lo de siempre: <strong>inferir cuál es la continuación más adecuada</strong>.</p><p>A veces esa continuación será una respuesta normal. Si preguntas “¿Quién escribió Don Quijote?”, probablemente responda directamente. Pero si preguntas “¿Qué tiempo hace ahora mismo en Lisboa?”, la continuación más coherente no es inventarse una temperatura, sino emitir una petición de herramienta.</p><p>Es decir, desde el punto de vista del modelo, pedir una herramienta no deja de ser otra forma de continuar la conversación con sentido. Sigue habiendo inferencia estadística. Solo que ahora, entre las posibles continuaciones, hay algunas con una forma especial: <strong>llamadas a herramientas</strong>.</p><h3>No siempre copia lo que tú dices</h3><p>Hay otra idea muy importante aquí, y a menudo pasa desapercibida. Cuando el modelo construye una llamada a una herramienta, no necesariamente copia literalmente palabras del usuario. Muchas veces <strong>deduce</strong> los parámetros.</p><p>Por ejemplo, imagina que el usuario escribe:</p><blockquote><em>“¿Qué tiempo hace en la capital de Portugal?”</em></blockquote><p>La herramienta quizá espera un parámetro llamado ciudad, pero el usuario no ha escrito en ningún momento la palabra &quot;Lisboa&quot;. Sin embargo, el modelo puede deducir perfectamente que la ciudad adecuada es Lisboa y producir una llamada como esta:</p><pre>tiempo_actual { &quot;ciudad&quot;: &quot;Lisboa&quot; }</pre><p>Esto no debería sorprendernos demasiado, porque es exactamente el mismo tipo de capacidad semántica que ya hemos visto al hablar de lenguaje. Igual que un modelo puede entender que “la capital de Portugal” y “Lisboa” apuntan a la misma realidad cuando redacta una respuesta, también <strong>puede usar esa comprensión al preparar los parámetros de una herramienta</strong>.</p><p>Y también puede ocurrir justo lo contrario: que el modelo entienda que <strong>no tiene suficiente información</strong> para construir una llamada correcta. En ese caso, en vez de lanzarse a inventar un parámetro, la continuación más sensata puede ser <strong>repreguntar</strong>.</p><p>Imagina una herramienta para calcular una ruta que necesita saber el medio de transporte. Si el usuario dice:</p><blockquote><em>“Dime cuánto tardaría de Madrid a Toledo”</em></blockquote><p>y la herramienta necesita un parámetro como vehiculo, el modelo podría deducir ciudades de origen y destino, pero quizá no tenga forma razonable de saber si el usuario va en coche, en bicicleta o en tren. En ese caso, antes de llamar a la herramienta, podría contestar algo como: <strong>&quot;¿Quieres que lo calcule en coche, en tren o en bicicleta?&quot;</strong></p><p>Es decir, el agente no solo puede rellenar huecos cuando el contexto basta, también puede detectar que falta una pieza importante y pedirla antes de seguir.</p><p>Esto tiene mucha importancia, porque significa que el agente no es un mero copiador de texto, un simple mensajero torpe que pega lo que ha dicho el usuario dentro de un formulario. Puede interpretar, transformar, completar y estructurar la información antes de pedir la acción externa.</p><p>Claro que eso también implica riesgos: si interpreta mal, <strong>la llamada puede salir mal</strong>.</p><figure><img alt="Viñeta humorística de un robot frente a dos botones rojos: uno dice “formatear el documento” y el otro “formatear el disco duro”. El robot, sudando y con gesto de pánico, duda mientras señala el botón equivocado." src="https://cdn-images-1.medium.com/max/1024/1*tr1b-LMTNQrCDN7DDEp3qw.png" /><figcaption>Cuando un agente interpreta mal los parámetros, basta muy poco para pasar de una acción útil a un desastre si no hay controles adecuados.</figcaption></figure><h3>La IA no ejecuta la herramienta</h3><p>Volviendo a lo contraintuitivo que decía al principio, cuando decimos que una IA “usa una herramienta”, solemos estar resumiendo demasiado. Lo que ocurre habitualmente en un sistema real es algo más parecido a esto:</p><ol><li>El modelo recibe la petición del usuario junto con el contexto y las herramientas disponibles.</li><li>El modelo genera una solicitud formal indicando qué herramienta necesita y con qué parámetros.</li><li>Nuestro programa, el que hemos desarrollado alrededor del modelo, lee esa solicitud.</li><li><strong>Ese programa ejecuta realmente la llamada a la API, a la base de datos, al buscador, al calendario o a lo que corresponda.</strong></li><li>El resultado vuelve a incorporarse a la conversación.</li><li>El modelo genera la respuesta final para el usuario.</li></ol><p>Es decir: <strong>la IA propone la llamada, pero no la ejecuta por sí misma</strong>.</p><p>Este detalle es crucial. Porque cuando se dice que “el modelo ha consultado la base de datos” o que “la IA ha enviado un correo”, lo que ha ocurrido en realidad es que el modelo ha producido una instrucción estructurada, y ha sido el software de alrededor quien ha hecho el trabajo de verdad.</p><p>Dicho de otra forma: el modelo no es el brazo ejecutor, pero sí “decide” (mejor dicho, <strong>indica textualmente</strong>) qué botón hay que apretar.</p><h3>La fontanería invisible</h3><p>A estas alturas quizá estés pensando: “Vale, entendido. Pero entonces, ¿por qué existen tantos frameworks de agentes?”. Pues porque, una vez entendida la idea básica, enseguida aparecen problemas prácticos por todas partes.</p><p>Por ejemplo:</p><ul><li>varias herramientas disponibles a la vez,</li><li>validación de parámetros,</li><li>control de errores,</li><li>reintentos si una llamada falla,</li><li>límites de uso,</li><li>memoria de pasos anteriores,</li><li>encadenamiento de varias acciones,</li><li>permisos y seguridad,</li><li>formatos de ida y vuelta entre modelo y herramientas.</li></ul><p>En un ejemplo pequeñito todo esto puede programarse a mano sin demasiados dramas. Pero cuando el sistema crece, necesitas una buena cantidad de “fontanería” para que todo circule correctamente.</p><p>Y eso es, en gran medida, lo que aportan los frameworks: <strong>orquestación</strong>.</p><figure><img alt="Diagrama conceptual de un agente de IA: a la izquierda, las entradas incluyen eventos del sistema, mensajes del usuario y mensajes del propio agente; en el centro, el agente combina modelo generativo, instrucciones y herramientas; abajo, las llamadas a herramientas abarcan recuperación de información, acciones y memoria; a la derecha, las salidas incluyen mensajes del agente y resultados de herramientas." src="https://cdn-images-1.medium.com/max/1024/1*aOAq9ycajYlNON0kArrmiw.png" /><figcaption><em>Esquema general de un framework de agentes: alrededor del modelo no solo hay mensajes, sino también instrucciones, herramientas, memoria, acciones y mecanismos de orquestación que coordinan todo el flujo. Un ejemplo práctico de este enfoque es Microsoft Agent Framework. Fuente: </em><a href="https://learn.microsoft.com/en-us/azure/cloud-adoption-framework/ai-agents/"><em>Microsoft Learn</em></a></figcaption></figure><p>No es la “inteligencia mágica” del agente, sino más bien el cableado, las tuberías, los adaptadores, las juntas y las llaves de paso. Todo ese trabajo poco glamuroso pero imprescindible que permite que el modelo reciba herramientas, pida herramientas, reciba resultados, encadene pasos y no incendie la cocina a las primeras de cambio.</p><h3>Entonces, ¿qué es realmente un agente?</h3><p>En una versión muy breve, podríamos decir que un agente es algo parecido a <strong>un chatbot con consecuencias</strong>: no solo responde, también puede desencadenar acciones fuera de la conversación, actuar el mundo real.</p><p>No porque tenga manos. No porque tenga voluntad. No porque dentro haya una pequeña persona operando un teclado. Sino porque en el contexto de la conversación le hemos descrito unas capacidades, unas reglas y un formato para solicitarlas.</p><p>Si en el artículo anterior decíamos que un modelo conversacional era una máquina que completaba diálogos con sentido, aquí podemos dar un paso más y decir que <strong>un agente es una máquina que completa guiones donde además de diálogo también pueden aparecer acciones</strong>.</p><p>Y, claro, cuando una parte de esas acciones se ejecuta de verdad en el mundo exterior, la cosa empieza a parecer mucho más impresionante.</p><p>Porque una alucinación en un chatbot normal puede ser una respuesta incorrecta. Molesta, sí, pero al fin y al cabo solo es texto. En cambio, una alucinación o una mala inferencia en un agente puede transformarse en una búsqueda equivocada, un correo enviado a quien no toca o incluso en el <a href="https://es.euronews.com/next/2026/04/28/un-agente-de-ia-borra-toda-la-base-de-datos-de-una-empresa-en-9-segundos-y-luego-se-discul">borrado accidental de miles de archivos</a>.</p><p>Por eso, en cuanto las IAs pasan de responder a <strong>actuar</strong>, aparecen con mucha más fuerza conceptos como validación, permisos, supervisión, diseño cuidadoso de herramientas y control del flujo. Y quizá ahí esté el verdadero salto. No en que la IA “piense” como nosotros, sino en que ahora puede participar en sistemas donde sus inferencias no terminan en una pantalla, sino que desencadenan cosas fuera de ella.</p><p>¡Muchas gracias por llegar hasta aquí! Espero haber conseguido que eso de los agentes suene un poco menos a ciencia ficción y un poco más a una idea bastante lógica construida sobre todo lo que ya habíamos visto en las entregas anteriores. Como siempre, si algo no ha quedado claro, si quieres que profundice en alguna parte o si simplemente te apetece comentar, estaré encantado de leerte.</p><p>👋</p><blockquote><strong><em>Aclaración:</em></strong><em> En este artículo he simplificado deliberadamente algunos aspectos para centrarme en la idea esencial. En la práctica, cada proveedor y cada framework implementa las herramientas de forma ligeramente distinta: algunos modelos generan llamadas en JSON, otros utilizan bloques o tokens especiales, y otros encapsulan todo dentro de APIs de más alto nivel. </em><strong><em>Además</em></strong><em>, los ejemplos muestran siempre una única herramienta, cuando en un agente real una sola petición puede desencadenar varias acciones encadenadas — por ejemplo, consultar un calendario, buscar un restaurante y enviar una invitación — coordinadas por el software que rodea al modelo. Más allá de estas diferencias, el principio sigue siendo el mismo: el modelo recibe una descripción de las capacidades disponibles, genera una solicitud estructurada cuando lo considera oportuno y otro sistema se encarga de ejecutar las acciones reales.</em></blockquote><p>Si quieres profundizar un poco más en estos conceptos te dejo algunos enlaces:</p><ul><li><strong>Tool use / function calling</strong> — Explicación general del uso de herramientas en modelos de lenguaje: <a href="https://platform.openai.com/docs/guides/function-calling">https://platform.openai.com/docs/guides/function-calling</a></li><li><strong>Messages and Special Tokens</strong> — Cómo se estructuran distintos tipos de mensajes en sistemas conversacionales: <a href="https://huggingface.co/learn/agents-course/unit1/messages-and-special-tokens">https://huggingface.co/learn/agents-course/unit1/messages-and-special-tokens</a></li><li><strong>What are agents?</strong> — Introducción divulgativa al concepto de agente: <a href="https://huggingface.co/docs/smolagents/conceptual_guides/intro_agents">https://huggingface.co/docs/smolagents/conceptual_guides/intro_agents</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a1c1563559f5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Codepods: Un gestor de agentes de terminal]]></title>
            <link>https://medium.com/@brunogrillo.dev/codepods-un-gestor-de-agentes-de-terminal-b2f259f1d872?source=rss-7af2f4f7b227------2</link>
            <guid isPermaLink="false">https://medium.com/p/b2f259f1d872</guid>
            <category><![CDATA[agents]]></category>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Bruno Grillo]]></dc:creator>
            <pubDate>Thu, 16 Apr 2026 06:20:56 GMT</pubDate>
            <atom:updated>2026-04-16T08:01:35.197Z</atom:updated>
            <content:encoded><![CDATA[<h4>Un repaso a lo que aprendí soltando el volante de Copilot</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yLuFAs5sUYDCq2QQHSc_tA.png" /><figcaption>Controla tus agentes de terminal con Codepods. <a href="https://www.pexels.com/es-es/foto/conduciendo-conduccion-competicion-rapido-14148109/">Imagen orginal de Pexels</a>.</figcaption></figure><p>La primera vez que probé <a href="https://github.com/github/copilot-cli">Copilot CLI</a> tuve una sensación extraña: aquello ya no era un copiloto. Usarlo dentro de VS Code era como hacer <em>pair programming </em>con alguien rápido, siempre presente, revisando línea a línea. Pero en la terminal era diferente. Escribías una instrucción, desaparecía un rato, y volvía con la tarea terminada. Era como entregarle las llaves del coche a un amigo nuevo para que se dé una vuelta solo. Da algo de miedo, pero vas cogiendo confianza.</p><p>Al principio todo eran sorpresas positivas. Pero, tras unos días empezó a aparecer un patrón: “casi todo” estaba “casi perfecto”. El problema era mío: seguía pensando en el <em>pair programming</em>, pero él trabajaba solo.</p><h4>El contrato</h4><p>En ese momento creé un copilot-instructions.md en la raíz del repo con reglas explícitas, algo así como mis 10 mandamientos para que no metiera nunca la pata. Además empecé a pedirle que lo editara. Lo íbamos mejorando juntos.</p><p>Aquello funcionaba bastante bien, me permitía trabajar en un tema principal y pedir su ayuda en otros temas en paralelo… Fácilmente me encontraba con 3 consolas abiertas. Y fácilmente me quedaba sin <em>tokens</em> 🙃</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/480/0*sH1hgiJqtWtNyyIy.gif" /><figcaption>No hay tokens por aquí.</figcaption></figure><h4>Bring your own key… But not in Copilot CLI</h4><p>A día de hoy Copilot CLI no permite usar <em>tu propia clave</em>, una opción que sí está en VS Code. Espera, que lo miro otra vez, anda, <a href="https://github.blog/changelog/2026-04-07-copilot-cli-now-supports-byok-and-local-models/">¡ahora sí se puede!</a> El caso es que en ese momento no lo permitía. Y eso me llevó a probar <a href="https://github.com/openai/codex">OpenAI Codex</a>, para gastar mis créditos de OpenAI.</p><blockquote>TIP 1: Si tienes créditos mensuales en Azure puedes crear un deployment de un modelo GPT Codex y usarlo con estos agentes. También puedes usar tus propios modelos locales. Flying free🎶</blockquote><blockquote>TIP 2: copilot-instructions.md solo sirve para Copilot, AGENTS.md es (<a href="https://github.com/agentsmd/agents.md">teóricamente</a>) universal.</blockquote><p>Superado el problema de los <em>tokens</em>, volvía a mis múltiples consolas haciendo cosas súper importantes como <a href="https://lualab.xyz/tetris-lab/">esto</a> o <a href="https://lualab.xyz/piano-lab/">aquello</a>. Pero tenía otro problema. A veces el agente necesita instrucciones y yo no estoy delante de la consola para dárselas. Porque uno tiene que hacer la cena, poner lavadoras, el <em>adulting </em>en general… Y por no decirle al agente “sí o no” a cualquier pregunta, pues ante la duda, él se queda parado esperando…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ylr3Rtq260Yid7Nl7Xkxaw.png" /><figcaption>Interfaz web de OpenCode. Créditos de OpenCode, claro.</figcaption></figure><p>Fue entonces cuando conocí a <a href="https://github.com/anomalyco/opencode">OpenCode</a>, que además de CLI, podías manejar la misma sesión con <a href="https://opencode.ai/docs/es/web/">una interfaz web muy bonita</a>. Así que solo me tocaba crear un <em>relay </em>para cada uno de mis agentes, y… Espera un momento… 🤔</p><h4>Así nació Codepods CLI</h4><p>Ahora sí. Tengo mi AGENTS.md, tengo mi API_KEY<em> </em>de OpenAI, tengo mis agentes de terminal trabajando, pero cada vez que pierdo la sesión es un rollo, además no termino de fiarme del <em>“sandbox”</em> (le he pedido alguna vez que me leyera una variable de entorno y os digo que lo hace, aunque se llame API_KEY o GITHUB_TOKEN, o sea, que mejor no digo nada).</p><p>Así que, mi becario y yo nos pusimos manos a la obra para crear <strong>Codepods</strong>. De momento se trata de un orquestador que rellena plantillas para crear agentes en contenedores Docker, gestiona la seguridad y ofrece una interfaz CLI y web para acceder a los agentes. Puedes crear agentes al vuelo y reutilizar ficheros como AGENTS.md o reemplazar valores comunes como tu BASE_URL y API_KEY de OpenAI.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8YJ4fE2yca5C6y5QG7ikZw.png" /><figcaption>Antes de empezar con la interfaz web, Codepods empezó como CLI en la terminal 🤓.</figcaption></figure><blockquote>Por cierto, una de las cosas que más me gustan de estos agentes de terminal es que NO necesitas tools, ni MCPs, ¡ni prácticamente nada! Pueden ejecutar lo que quieran con solo escribir un comando, como lo haríamos nosotros. Instala herramientas, controla contenedores, se conecta a Azure, crea repositorios en GitHub, con su pipeline si quieres, y publica el resultado en Pages él solito <em>😐</em>.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wWBLWTRtwbTQB2QgfyMRMA.png" /><figcaption>Mis agentes de terminal trabajando (o eso dicen).</figcaption></figure><blockquote>Aunque todo arrancó con una gestión por CLI y un frontal cutre, al mantener toda la lógica del CLI compartida y expuesta en un API HTTP, implementar el frontal “bonito” ha sido relativamente sencillo. Gracias satnaing, por crear <a href="https://github.com/satnaing/shadcn-admin">esta template tan bonita</a>.</blockquote><p>Mi intención es evolucionarlo y que haga de <em>gateway </em>o <em>proxy </em>para controlar mejor qué sale y hacia dónde, pero de momento ya no se mezclan mis sesiones: Cada contenedor es una instalación independiente y muestra su menú de sesiones previas nada más arrancar 🤩.</p><p>Ahora puedo tener 4 o 5 agentes de terminal <a href="https://azure.microsoft.com/en-us/pricing/details/virtual-machines/windows/#pricing">en una máquina virtual de 30€ en Azure</a>, trabajando en distintos proyectos, y no se paran cuando bajo la tapa del portátil. Toma ya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*K6K7WOC4Ehp3UucvUGGMZw.png" /><figcaption>Acceso a la terminal por <a href="https://github.com/tsl0922/ttyd">ttyd</a> a través de la interfaz de Codepods.</figcaption></figure><p>Si usas agentes de terminal quizás <strong>Codepods </strong>te ahorre algún dolor de cabeza. El repo está en GitHub 👇 y PRs con nuevos tipos de agente son bienvenidas 😉</p><p>🌐 <a href="https://github.com/bcgrillo/codepods">https://github.com/bcgrillo/codepods</a> <em>(Abajo más capturas)</em></p><p>¡Hasta la próxima!</p><p>🏎️💨</p><h4>Más capturas de Codepods</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1011/1*tHLhLNfCY3EGQ9LUm57NKQ.png" /><figcaption>Una plantilla son ficheros y un Dockerfile. El fichero manifest.yml indica información como el comando de arranque, script de configuración, si copia ficheros de shared, etc.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1011/1*PwzmZ-gcz_FMfkIC98Nwiw.png" /><figcaption>La interfaz web permite editar ficheros. Las variables se reemplazan en la construcción del agente.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1011/1*kuXDUpccw_BH88k1gvhUgg.png" /><figcaption>Gestión de variables y secretos.</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b2f259f1d872" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Inteligencia Artificial sin fórmulas: Generación Conversacional]]></title>
            <link>https://medium.com/@brunogrillo.dev/inteligencia-artificial-sin-f%C3%B3rmulas-generaci%C3%B3n-conversacional-bb4ee440d39f?source=rss-7af2f4f7b227------2</link>
            <guid isPermaLink="false">https://medium.com/p/bb4ee440d39f</guid>
            <category><![CDATA[tecnología]]></category>
            <category><![CDATA[inteligencia-artificial]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[ia-generativa]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Bruno Grillo]]></dc:creator>
            <pubDate>Mon, 24 Nov 2025 07:31:41 GMT</pubDate>
            <atom:updated>2025-11-24T07:31:41.814Z</atom:updated>
            <content:encoded><![CDATA[<p>Por fin he conseguido sacar algo de tiempo para ponerme con esta tercera entrega y, ahora sí, llegamos a lo que más <em>hype</em> produce a día de hoy: la <strong>IA generativa</strong>. En esta ocasión me centraré en la generación de texto y, especialmente, en la generación conversacional, lo que los comunes de los mortales llaman <em>ChatGPT</em>.</p><p>No en vano: si la arquitectura <em>Transformer</em> supuso un antes y un después desde el punto de vista técnico, <a href="https://openai.com/es-ES/index/chatgpt/">el lanzamiento de <em>ChatGPT</em> en noviembre de 2022</a> hizo lo propio en la <strong>percepción social</strong> de esta tecnología. Llamó la atención por sus respuestas detalladas, su aparente capacidad de reflexión y su naturalidad. No era perfecto, pero era realmente asombroso. Nunca habíamos visto nada ni remotamente parecido.</p><p>¿Y cómo lo han conseguido?<br>En eso nos centraremos en esta entrega: <strong>La IA generativa conversacional</strong>.</p><blockquote>Aviso importante: Como en las anteriores entregas, aquí no vas a encontrar fórmulas raras ni matrices, ni cosas que parezcan salidas de una tesis en el MIT. A veces seré impreciso y muchas otras haré simplificaciones que harían que el propio Alan Turing se arrancara los pelos. Esto sigue siendo <strong>Inteligencia Artificial sin fórmulas</strong>, así que, si eres ingeniero de datos o doctor en estadística, por favor, no me tires piedras (ni datasets).</blockquote><h3>Antes de empezar</h3><p>Primeramente vamos a introducir una pequeña herramienta que nos será útil para entender la analogía que viene a continuación. Seguiremos fieles a la idea de “sin fórmulas” (como en el maravilloso blog <a href="https://eltamiz.com/">El Tamiz</a>, cuyo estilo he tomado prestado de alguna de sus series), pero esta vez necesitamos un artilugio matemático: <strong>la aproximación de funciones</strong>. No te preocupes, se entiende rápido incluso si jamás has oído hablar de ello.</p><p>Una forma muy visual de entender el entrenamiento de las redes neuronales —que vimos al principio de la serie— es precisamente como un proceso de <strong>aproximación de funciones</strong>. Pensemos en una función sencilla, una que transforma un número en su mitad: <em>f</em>(<em>x</em>) = <em>x</em>/2​</p><figure><img alt="Gráfica de la función lineal f(x) = x/2, que muestra una línea ascendente que pasa por el origen y aumenta con pendiente positiva. Los ejes están marcados y la función está rotulada en color rojo." src="https://cdn-images-1.medium.com/max/847/1*Clxsqils1f3ggHhBD8vPSg.png" /></figure><p>Ahora imagina que no conoces la función, pero sí conoces sus resultados: un montón de puntos dibujados en una gráfica. Existen métodos matemáticos capaces de mirar únicamente esos puntos y deducir cuál es la función que mejor se ajusta a ellos. En el siguiente ejemplo, descubrirían que la recta que pasa más cerca de todos estos puntos es, efectivamente, <em>f</em>(<em>x</em>) = <em>x</em>/2​​<strong>.</strong></p><figure><img alt="omparación de dos gráficos: a la izquierda, un diagrama de dispersión con puntos azules que siguen una tendencia lineal ascendente. A la derecha, los mismos puntos azules acompañados por la recta de mejor ajuste f(x) = x/2, dibujada en color rojo." src="https://cdn-images-1.medium.com/max/1024/1*CknFuBZIAcmr9n47CYvIKw.png" /></figure><p>¿Y por qué es útil eso?<br>Porque, una vez aproximada la función, puedes <strong>interpolar o extrapolar</strong> nuevos puntos: predecir valores que no estaban en la gráfica original, siempre que sigan el mismo patrón.</p><p>Por supuesto, no todas las funciones son rectas, a veces tienen curvas, ondulaciones, bifurcaciones, o ni siquiera pueden representarse en un plano porque la entrada tiene muchas “x” y la salida vive en un espacio con varias dimensiones. Pero la idea central sigue siendo la misma.</p><p>Y lo interesante es que <strong>esta idea tan visual es equivalente a cómo entrenamos la inteligencia artificial</strong>.</p><h3>Del entendimiento a la generación de texto (o text completion)</h3><p>En los dos artículos anteriores de esta serie vimos cómo las máquinas pueden percibir (gracias a <a href="https://medium.com/@brunogrillo.dev/inteligencia-artificial-sin-f%C3%B3rmulas-redes-neuronales-3b5ff57a74ab">las redes neuronales</a>) y cómo pueden entendernos (<a href="https://medium.com/@brunogrillo.dev/inteligencia-artificial-sin-f%C3%B3rmulas-procesando-el-lenguaje-natural-2d0fbeeee058">gracias al procesamiento del lenguaje natural y los transformers</a>)…</p><blockquote><em>Por cierto, si quieres comprender de verdad cómo funciona la IA generativa y todavía no los has leído, te recomendaría que empezaras por echarles un vistazo 😉.</em></blockquote><p>Hoy alcanzamos otro nivel: la inteligencia artificial generativa, cuando el sistema ya no solo entiende lo que decimos, sino que responde, escribe, crea, completa ideas o incluso mantiene largas conversaciones. Podríamos decir que, hasta ahora, habíamos enseñado a las máquinas a leer. Hoy vamos a ver cómo aprendieron a hablar.</p><figure><img alt="GIF de KITT, ‘El coche fantástico’, debajo de un edificio donde Michael está peleando en un piso superior." src="https://cdn-images-1.medium.com/max/400/1*TKihCZaaEuK4h3cYUW-0Yw.gif" /><figcaption><em>KITT diciendo a Michael Knight que salte en una escena de El coche fantástico</em>.</figcaption></figure><p>En inteligencia artificial, la generación de texto se suele formular de forma muy sencilla: <strong>completar texto</strong> (<em>text completion</em>). El objetivo del modelo es, básicamente, <strong>calcular cuál es la siguiente palabra más probable</strong>. Esto lo hace a partir de lo que ha aprendido leyendo miles, o mejor dicho, millones de ejemplos.</p><p><strong>Y sí, lo sé: </strong>es probable que hayas leído esta explicación mil veces. Pero permíteme que pasemos por aquí una vez más antes de avanzar, porque aunque parezca simple, detrás de esta idea tan repetida se esconde buena parte de la esencia de lo que hace especial a la IA generativa.</p><p>Por ejemplo, si escribes:</p><blockquote><em>“Había una vez un dragón que…”</em></blockquote><p>el modelo calcula qué palabras tienen más sentido después: “volaba”, “rugía” o “jugaba al ajedrez”. Elegirá la más probable o, si lo configuramos para que sea más creativo, alguna de las más probables. Por cierto, las primeras herramientas de autocompletado solían mostrarte varias opciones, no una sola.</p><p>La gracia está en que esa probabilidad <strong>no tienen en cuenta solo </strong>en las últimas dos o tres palabras, como hace el teclado predictivo de tu móvil, sino en una <strong>comprensión semántica mucho más profunda</strong>, apoyada en ese enorme mapa de significados representados como números del que hablábamos en la entrada anterior.</p><p>Ahora bien, el problema de esta explicación es que, al ser tan breve y concreta, suele dar una impresión equivocada. Parece que el modelo simplemente completa la frase como lo haría un niño si empiezas a cantar la estrofa de su canción favorita, y nada más lejos de la realidad.</p><h3>Una operación semántica muy sofisticada</h3><p>También vimos cómo la arquitectura <em>Transformer</em>, al añadir información contextual a cada palabra (<em>token</em>, en realidad), hacía posible operaciones semánticas más avanzadas como las que se usan en la traducción automática: la misma palabra ahora puede traducirse de forma distinta según el contexto. De pronto, los típicos errores de “Google Translator” habían desaparecido. Pero por muy avanzada que sea una operación semántica: recibe una entrada y produce una salida, como cualquier <strong>función matemática</strong>.</p><figure><img alt="Captura de pantalla del traductor DeepL mostrando dos frases en español y su traducción al inglés, destacando cómo la palabra “banco” cambia de significado según el contexto." src="https://cdn-images-1.medium.com/max/1024/1*H7K0_TYPswpbXUJYaTgjgA.png" /><figcaption><em>Ejemplo de cómo </em><a href="https://www.deepl.com/"><em>DeepL</em></a><em> traduce la palabra “banco” de manera diferente según el contexto: “banco” como asiento y “banco” como entidad financiera. Podría parecer que la misma entrada produce diferentes salidas, pero sabemos que, gracias a los transformer, ¡esos tokens </em><strong><em>no son el </em></strong><em>mismo vector!</em></figcaption></figure><p>De igual forma la generación de texto no es otra cosa que <strong>una operación semántica muy sofisticada</strong>: <em>la inferencia</em>. Y para que puedas visualizar la complejidad y elegancia matemática detrás de esa operación vamos a ilustrarlo como una metáfora: veremos cómo la inferencia es una aproximación de la función <strong>tener sentido</strong>. Vamos allá.</p><p>Imagina un plano con los siguientes ejes:</p><ul><li><strong>x)</strong> la posición de una palabra dentro de una frase,</li><li><strong>y)</strong> un identificador único para cada palabra de nuestro vocabulario.</li></ul><p>Cada frase de nuestro idioma puede representarse como una secuencia de puntos distribuidos en ese plano. Ahora imagina que escribimos millones de frases en millones de planos, y una vez hecho ese trabajo colosal, nos ponemos a aproximar una función que se ajuste a todos esos puntos. Si somos capaces de encontrar un patrón, ¿qué puede tener en común la lista de ingredientes de receta de tortilla de patatas y un diálogo de <em>Romeo y Julieta</em>?</p><p><strong>Que tienen sentido.</strong></p><p>La única función capaz de pasar “suavemente” por todos esos puntos de todas esas frases es precisamente la función <strong>tener sentido</strong>: un patrón estadístico gigantesco que describe cómo solemos encadenar ideas, conceptos y palabras.</p><figure><img alt="Imagen compuesta por tres gráficos que representan distintas frases en español como secuencias de puntos en un plano; cada gráfico muestra una curva roja que atraviesa puntos negros etiquetados con palabras y un eje vertical marcado como “token id”. Las frases ilustradas son “Tres huevos grandes y al gusto sal”, “Oh Romeo Romeo Por qué eres Romeo” y “El perro de San Roque no tiene”. Las curvas sugieren un patrón común que conecta estadísticamente las palabras dentro de cada oración." src="https://cdn-images-1.medium.com/max/1024/1*2mZjq98PYcOZ138haA5o9Q.png" /><figcaption><em>Representación de cómo una frase puede verse como una serie de puntos que siguen un patrón común. Cada curva ilustra cómo el modelo aprende a unir palabras con sentido, ya sean recetas, versos o refranes, bajo la misma lógica estadística que captura el “</em><strong><em>tener sentido</em></strong><em>”.</em></figcaption></figure><p>Y aquí viene lo interesante: <strong>ese patrón, esa función, queda fijada en los parámetros del modelo</strong>. Todo lo aprendido durante el entrenamiento —gramática, giros, estilo, asociaciones, conocimiento implícito del mundo— se convierte en una especie de <strong>constante</strong> enorme que no cambia nunca para ese modelo. Lo que varía, las entradas de la función, son las palabras que escribes tú.</p><h3>La predicción como extrapolación</h3><p>Cuando escribes una frase, el modelo toma todas las palabras anteriores y calcula cuál sería el “siguiente punto” que mejor prolonga la función <strong>tener sentido</strong>. Y gracias al mecanismo de atención, no mira solo el último token: <strong>tiene en cuenta todos los anteriores a la vez</strong>, ponderados según su relevancia.</p><blockquote><em>Si escribes:<br>“La traducción de </em>gato<em> al </em>inglés<em> es ”<br>la función extrapola el siguiente punto más coherente: </em><strong><em>“cat”</em></strong><em>.</em></blockquote><blockquote><em>Si cambias los puntos de partida —</em>gato<em> por </em>perro<em>, </em>inglés<em> por </em>portugués<em> —</em> <em>la forma local de la función cambia, y el siguiente token lógico pasa a ser: </em><strong><em>“cão”</em></strong><em>.</em></blockquote><p>El proceso es siempre el mismo: <strong>seguir la tendencia de sentido que marcan las palabras anteriores</strong>.</p><p><strong>Pero… ¿realmente predice una palabra concreta?<br></strong>No exactamente. Y aquí matizamos la metáfora. La función no devuelve un único valor, sino una <strong>distribución de probabilidad</strong> sobre <em>todo</em> el vocabulario: una especie de “nube” de posibles continuaciones, unas más probables que otras. Esa nube es la verdadera salida del modelo. Elegir un token concreto es un paso posterior.</p><p>Y aquí entran en juego dos parámetros que quizá te suenen:</p><ul><li><strong>Temperatura</strong>, que concentra o diluye la nube (más estricta o más creativa).</li><li><strong>Top-p</strong>, que recorta los “extremos” y se queda solo con la parte de mayor probabilidad acumulada.</li></ul><figure><img alt="Imagen en dos secciones que muestran cómo varían las distribuciones de probabilidad en un modelo de lenguaje según los parámetros de muestreo. Arriba, una curva roja y una banda azul ilustran que al subir la temperatura la distribución se ensancha y se igualan probabilidades; al bajarla, se estrecha. Abajo, con “Top-p”, la banda se recorta para excluir palabras menos probables y mantener sólo la probabilidad acumulada más alta." src="https://cdn-images-1.medium.com/max/1020/1*p0wsN7a4f7CCEnIMyt7-Ow.png" /><figcaption><em>Cómo temperatura y top-p moldean la “nube” de posibles continuaciones que produce el modelo: una la diluye o concentra, la otra recorta sus extremos.</em></figcaption></figure><p>Son como pequeños “controles de precisión” que ajustan cómo se selecciona el punto final dentro de esa nube. La función <strong>tener sentido</strong> te da la forma de la nube; estos parámetros ajustan cómo decides dentro de ella.</p><p>Con esto ya puedes empezar a intuir que, aunque hablemos de “completar texto”, lo que realmente ocurre es una <strong>operación semántica de altísima sofisticación</strong>: una función que, condicionada por todo lo que ha aprendido, extrapola la continuación que mejor mantiene la coherencia del texto.</p><h3>Completar conversaciones: La idea que lo cambió todo</h3><p>Hasta aquí hemos hablado de generar texto, pero la verdadera revolución —la que sorprendió al mundo entero— llegó cuando alguien se hizo una pregunta tan simple como ingeniosa: <strong>“¿Y si entrenamos un modelo… con conversaciones?”</strong></p><p>No con artículos, no con Wikipedia, no con novelas… <strong>Conversaciones reales</strong>: preguntas, respuestas, dudas, aclaraciones, bromas, malentendidos, agradecimientos, cambios de tema, peticiones absurdas, disculpas por equivocaciones… todo ese caos maravilloso que define cómo nos hablamos los humanos. La idea, vista con perspectiva, era obvia; pero las herramientas de las que disponían en ese momento —la arquitectura <em>Transformer </em>capaces de aprender patrones sutilísimos— la convirtieron en algo radical: <strong>una máquina capaz de dialogar con nosotros en nuestro propio idioma</strong>.</p><p>¿Y cómo se hace eso? Con algo sorprendentemente simple: <strong>delimitadores</strong>. Pequeños marcadores invisibles que indican quién habla y cuándo, como:</p><pre>&lt;usuario&gt;: Hola, ¿qué tal?<br>&lt;asistente&gt;: Muy bien, gracias. ¿En qué puedo ayudarte?<br>&lt;usuario&gt;: Explícame cómo funciona la inferencia.</pre><p>Al añadir miles y miles de ejemplos así, el modelo empezó a aprender no solo a <em>tener sentido dentro de un texto</em>, sino también a <strong>construir diálogos estructurados</strong>. La misma maquinaria matemática —la misma “función tener sentido”— pero aplicada a otro tipo de secuencia: <strong>conversaciones por turnos</strong>. Además de estos delimitadores, cada mensaje termina con un <em>token</em> especial de “fin de mensaje” (invisible para nosotros) que le dice al modelo cuándo debe dejar de generar texto y pasar al siguiente turno, un poco como cuando en un <em>walkie-talkie</em> dices “cambio” para indicar que has terminado de hablar.</p><p>Y lo sorprendente es lo bien que funcionó. Lo que emergió no fue un <em>chatbot </em>programado a mano, sino un sistema que había internalizado patrones conversacionales: cómo se hace una pregunta, cómo se responde, cómo se continúa un hilo, cómo se cambia de tema, cómo se es educado y cómo se es conciso o detallado según el contexto… Todo ello sin reglas explícitas, solo <strong>aprendiendo de ejemplos</strong>.</p><h3>Pero, no hay nadie al otro lado…</h3><p>Esta es quizá la parte más desconcertante. Cuando hablamos con una IA generativa sentimos que hay “alguien” o “algo” allí, que entiende lo que decimos y piensa su respuesta. Pero lo que ocurre realmente es mucho más mecánico. Cada vez que envías un mensaje, el sistema vuelve a procesar de nuevo <strong>toda la conversación</strong> como entrada completa al modelo y este genera su respuesta <strong>desde cero</strong>. Cada nuevo mensaje es una <strong>inferencia nueva e independiente</strong> del modelo. Nada “piensa” después de eso, ni hay una mente esperando tu próxima frase; hay un proceso que se enciende, calcula como completar la conversación, y se apaga.</p><p>¿Y por qué parece que sí la hay? Porque la ilusión es muy poderosa. Cuando un texto tiene sentido, nuestra mente <strong>automáticamente</strong> atribuye intención, voluntad, coherencia… un <em>alguien</em> detrás. Pero lo que realmente hay es la “función tener sentido” aplicada ahora a diálogos: patrones aprendidos a partir de miles de ejemplos. Una herramienta muy avanzada aplicada a una idea sorprendentemente simple.</p><p>Si preguntas a <em>ChatGPT</em> por qué te ha dado una respuesta concreta, el modelo tratará de responderte cómo lo haría un humano, justificarse, explicar una supuesta reflexión, pero en realidad, cualquier respuesta distinta de <em>“porque era la secuencia de palabras más adecuada según mi configuración y entrenamiento”</em> es una mentira.</p><figure><img alt="Alt text: Imagen en blanco y negro del robot B9 de Perdidos en el Espacio levantando los brazos y diciendo “Danger! Danger!”. A su lado, un hombre con cabello despeinado sostiene un arma y pregunta por qué lo dijo. El robot responde que fue la secuencia más adecuada según su entrenamiento." src="https://cdn-images-1.medium.com/max/1024/1*5rr0ZIQm9tTMoHCDIKwRgg.png" /><figcaption>B9 lo tenía claro: solo era la secuencia más probable. Perdidos en el Espacio (dominio público).</figcaption></figure><p>El éxito de los modelos conversacionales abrió la puerta a algo todavía mayor: enseñar al modelo otros patrones además del diálogo común. Patrones de “razonamiento” (que realmente se trata de un diálogo interno previo o una planificación de la respuesta), programación, utilizar aplicaciones o explorar la Web… Todo aprendido igual, sin trucos nuevos: solo más ejemplos y la misma operación generativa. También ampliaron la <strong>comprensión del mundo</strong> yendo más allá del lenguaje con los modelos multimodales, que además de texto pueden recibir imágenes, sonidos, etc. Espero poder hablaros de ello en otro artículo.</p><p>¡Muchas gracias por llegar hasta aquí! Espero haber logrado que este mundo, que a veces parece tan complejo, se vea un poco menos misterioso. Como siempre, si algo no ha quedado del todo claro, si quieres que profundice en alguna parte o si simplemente te apetece comentar, estaré encantado de leer tus dudas y curiosidades.</p><p>👋</p><blockquote><strong><em>Aclaración:</em></strong><em> En este artículo he simplificado muchas ideas que, en realidad, son matemáticamente complejas. Los modelos no trabajan en “planos” ni con una única función limpia: operan en espacios de miles de dimensiones y con millones de parámetros. Las metáforas usadas (planos, funciones, nubes, extrapolaciones…) no buscan representar literalmente el funcionamiento interno, sino dar una intuición visual y cercana. Además, es importante entender que los patrones aprendidos no dependen de palabras concretas, como he dibujado en los planos, sino de los vectores de miles de dimensiones donde cada dimensión aporta información diferente sobre esa palabra y su significado en el contexto.</em></blockquote><p>Si quieres explorar un poco más la generación conversacional y otros conceptos te dejo algunos enlaces:</p><ul><li><strong>Playground de TextSynth</strong> — Para experimentar con algunos modelos de text completion: <a href="https://textsynth.com/completion.html">https://textsynth.com/completion.html</a></li><li><strong>Messages and Special Tokens</strong> — Cómo funcionan los tokens especiales: <a href="https://huggingface.co/learn/agents-course/unit1/messages-and-special-tokens">https://huggingface.co/learn/agents-course/unit1/messages-and-special-tokens</a></li><li><strong>Chat Templates</strong> — Cómo funcionan las plantillas de conversaciones en diferentes modelos: <a href="https://huggingface.co/learn/llm-course/chapter11/2">https://huggingface.co/learn/llm-course/chapter11/2</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bb4ee440d39f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Explorando Microsoft Agent Framework: Primeros pasos]]></title>
            <link>https://medium.com/@brunogrillo.dev/explorando-microsoft-agent-framework-primeros-pasos-e1ecd1a8d1b7?source=rss-7af2f4f7b227------2</link>
            <guid isPermaLink="false">https://medium.com/p/e1ecd1a8d1b7</guid>
            <category><![CDATA[microsoft-azure]]></category>
            <category><![CDATA[c-sharp-programming]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[technology]]></category>
            <dc:creator><![CDATA[Bruno Grillo]]></dc:creator>
            <pubDate>Thu, 06 Nov 2025 23:15:15 GMT</pubDate>
            <atom:updated>2025-11-06T23:15:15.394Z</atom:updated>
            <content:encoded><![CDATA[<p>Recientemente, me sumergí en el mundo de Microsoft Agent Framework para poner a prueba su capacidad de conectar con Ollama y ejecutar agentes locales. La prueba fue bien, y al final decidí alargar un poco más el experimento para crear un pequeño sistema multiagente con algunas herramientas. He pensado en compartir esta experiencia con vosotros, así que… ¡allá vamos!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ASH-EUkVOb-_55E3YydhtA.png" /><figcaption>Unos robocitos que dibujé estilizados por ChatGPT</figcaption></figure><h3>¿Qué es Microsoft Agent Framework?</h3><p><a href="https://learn.microsoft.com/es-es/agent-framework/overview/agent-framework-overview">Microsoft Agent Framework</a> es una herramienta que nos permite crear sistemas de agentes de IA de manera modular y flexible. Lo interesante es que podemos utilizar tanto servicios en la nube (Azure AI) como modelos locales (por ejemplo, a través de <a href="https://docs.ollama.com/">Ollama</a>), lo que nos da una gran flexibilidad.</p><p>Este framework permite:</p><ul><li>Crear agentes especializados con responsabilidades específicas</li><li>Integrar diferentes proveedores de IA de manera transparente</li><li>Implementar patrones como middleware para funcionalidades transversales</li><li>Definir herramientas reutilizables que los agentes pueden utilizar</li><li>Mantener una clara separación de responsabilidades</li></ul><p>Lo que hace especial a este framework es su capacidad para abstraer la complejidad de la integración con diferentes modelos de IA, permitiéndonos centrarnos en la lógica de negocio de nuestros agentes.</p><h3>Mi proyecto de ejemplo</h3><p>He estado trabajando en un proyecto de ejemplo que podéis encontrar en <a href="https://github.com/bcgrillo/MicrosoftAgentFrameworkExamples">GitHub</a>. El objetivo era crear un sistema que demostrara las capacidades básicas del framework mientras mantenía una arquitectura limpia y extensible.</p><h3>Configuración para GitHub Models (Azure AI)</h3><p>Puedes utilizar los modelos de GitHub (vía Azure AI endpoint) de forma gratuita usando un Personal Access Token (PAT) de tu cuenta de GitHub. Para más información sobre cómo generar tu PAT y utilizarlo, visita: <a href="https://docs.github.com/en/github-models/quickstart#step-2-make-an-api-call">GitHub Models Quickstart — Paso 2: Realiza una llamada a la API</a></p><p>Ejemplo de configuración en appsettings.json:</p><pre>{<br>    &quot;ClientConfiguration&quot;: {<br>        &quot;AzureAI&quot;: {<br>            &quot;BaseUrl&quot;: &quot;https://models.github.ai/inference&quot;,<br>            &quot;ApiKey&quot;: &quot;YOUR_GITHUB_PAT_HERE&quot;,<br>            &quot;AvailableModels&quot;: [&quot;mistral-small-2503&quot;]<br>        }<br>    }<br>}</pre><p>Recuerda reemplazar YOUR_GITHUB_PAT_HERE por tu token personal de GitHub.</p><h3>Los agentes</h3><p>En mi exploración, decidí crear tres tipos de agentes especializados:</p><ol><li><strong>Agente del Clima</strong> 🌤️: Un agente profesional que proporciona información meteorológica real utilizando la API de Open Meteo. Realiza geocodificación de ubicaciones y obtiene datos meteorológicos precisos incluyendo temperatura, sensación térmica, humedad, velocidad del viento y descripción detallada del clima.</li><li><strong>Agente de Chat</strong> 💬: Un agente de conversación general que puede ayudar con consultas diversas y proporcionar información sobre la hora actual. Es el agente más sencillo pero demuestra cómo se pueden integrar herramientas básicas en un agente conversacional.</li><li><strong>Agente de Búsqueda</strong> 🔍: Este fue particularmente interesante, ya que integra búsquedas web en tiempo real usando DuckDuckGo. El agente no solo busca información, sino que también procesa y formatea los resultados, extrayendo títulos, URLs y fragmentos relevantes de una manera legible y organizada.</li></ol><p>Cada agente está diseñado con un propósito específico y tiene sus propias instrucciones y herramientas. Por ejemplo, el agente de búsqueda incluye instrucciones detalladas sobre cómo procesar y presentar los resultados, cuándo realizar búsquedas y cómo manejar diferentes tipos de consultas.</p><h3>La arquitectura</h3><h4>1. Clase base abstracta</h4><p>Cada agente hereda de una clase base (BaseAgent) que define la estructura común. Un aspecto importante es que la clase base maneja toda la lógica de creación del agente, incluyendo la aplicación automática del middleware, lo que mantiene el código limpio y encapsulado:</p><pre>public abstract class BaseAgent<br>{<br>    public abstract string Name { get; }<br>    public abstract string Description { get; }<br>    public abstract string Instructions { get; }<br>    <br>    protected abstract AIFunction[] GetTools();<br>    <br>    public virtual Func&lt;AIAgent, FunctionInvocationContext, /* ... */&gt; GetMiddleware()<br>    {<br>        return FunctionCallMiddleware.LoggingMiddleware;<br>    }<br>    <br>    public AIAgent CreateAgent(IChatClient chatClient)<br>    {<br>        // Create the base agent<br>        var agent = new ChatClientAgent(<br>            chatClient,<br>            Instructions,<br>            Name,<br>            tools: GetTools()<br>        );<br><br>        // Apply middleware if available<br>        var middleware = GetMiddleware();<br>        if (middleware != null)<br>        {<br>            return agent.AsBuilder()<br>                .Use(middleware)<br>                .Build();<br>        }<br>        return agent;<br>    }<br>}</pre><h4>2. Agentes especializados</h4><p>Cada agente implementa su lógica específica. Por ejemplo, el Agente de Búsqueda:</p><pre>public class SearchAgent : BaseAgent<br>{<br>    public override string Name =&gt; &quot;🔍 Agente de Búsqueda Web&quot;;<br>    <br>    public override string Description =&gt; <br>        &quot;🔍 Busca información en internet usando DuckDuckGo&quot;;<br>    <br>    public override string Instructions =&gt; &quot;&quot;&quot;<br>        Eres un asistente especializado en búsquedas web y recuperación de información.<br><br>        **Tu propósito principal:**<br>        - Ayudar a los usuarios a encontrar información relevante en internet<br>        - Realizar búsquedas web usando DuckDuckGo cuando sea necesario<br>        - Proporcionar resúmenes claros y organizados de los resultados<br>        /* ... más instrucciones ... */<br>        &quot;&quot;&quot;;<br>    protected override AIFunction[] GetTools()<br>    {<br>        return [AIFunctionFactory.Create(SearchTools.SearchWeb)];<br>    }<br>}</pre><h4>3. Herramientas especializadas</h4><p>Cada agente tiene acceso a herramientas específicas. Por ejemplo, las herramientas del clima:</p><pre>public static class WeatherTools<br>{<br>    [Description(&quot;Get current weather information for a given location name&quot;)]<br>    public static async Task&lt;string&gt; GetWeather(string location)<br>    {<br>        // 1. Geocodificación de la ubicación<br>        var coordinates = await GetCoordinatesInternalAsync(location);<br>        <br>        // 2. Obtención de datos meteorológicos<br>        return await GetWeatherByCoordinates(<br>            coordinates.Value.lat, <br>            coordinates.Value.lon, <br>            coordinates.Value.name<br>        );<br>    }<br>    <br>    // Métodos auxiliares para formateo y procesamiento...<br>}</pre><h3>Flexibilidad en la elección del proveedor de IA</h3><p>Una característica que me pareció muy útil es la capacidad de alternar entre diferentes proveedores de IA. En este ejemplo el sistema permite elegir entre:</p><ul><li><strong>Ollama</strong>: Para ejecutar modelos localmente a través de un endpoint HTTP</li><li><strong>Azure AI</strong>: Para utilizar modelos en la nube con una lista configurable de modelos disponibles</li></ul><p>La configuración es simple:</p><pre>public class ClientConfiguration<br>{<br>    public OllamaConfiguration? Ollama { get; set; }<br>    public AzureAIConfiguration? AzureAI { get; set; }<br>}<br><br>// Configuración para Ollama<br>public class OllamaConfiguration<br>{<br>    public string Endpoint { get; set; }<br>}<br><br>// Configuración para Azure AI<br>public class AzureAIConfiguration<br>{<br>    public string BaseUrl { get; set; } = string.Empty;<br>    public string ApiKey { get; set; } = string.Empty;<br>    public List&lt;string&gt; AvailableModels { get; set; } = new();<br>}</pre><p>Esta flexibilidad es especialmente importante cuando estamos desarrollando y probando, ya que podemos usar modelos locales para desarrollo y modelos más potentes en la nube para producción. La configuración <em>nullable </em>de ambos proveedores permite habilitar solo uno de ellos si así lo deseamos.</p><h3>Lecciones aprendidas</h3><h3>Aspectos destacados del desarrollo</h3><h4>1. Integración con APIs Externas</h4><p>La integración con la API de Open Meteo para el clima fue particularmente interesante. El sistema maneja:</p><ul><li>Geocodificación de ubicaciones</li><li>Obtención de datos meteorológicos en tiempo real</li><li>Formateo amigable de la información incluyendo emojis</li><li>Manejo de errores y casos límite</li></ul><pre>// Ejemplo de respuesta formateada del clima<br>&quot;☀️ Clima actual en Madrid, España:<br>🌡️ Temperatura: 22.5°C (se siente como 23.1°C)<br>📝 Descripción: Cielo despejado<br>💧 Humedad: 45%<br>💨 Viento: 12.3 km/h&quot;</pre><h4>2. Búsqueda Web Inteligente</h4><p>El sistema de búsqueda web con DuckDuckGo incluye:</p><ul><li>Parseo HTML robusto con expresiones regulares</li><li>Limpieza y formateo de resultados</li><li>Manejo de errores y timeouts</li><li>Presentación estructurada de resultados</li></ul><pre>public static async Task&lt;string&gt; SearchWeb(string query)<br>{<br>    // Realizar búsqueda en DuckDuckGo<br>    var htmlContent = await GetSearchResults(query);<br>    <br>    // Procesar y formatear resultados<br>    var results = ParseDuckDuckGoHtml(htmlContent);<br>    <br>    // Formatear respuesta con emojis y markdown<br>    return FormatSearchResults(results);<br>}</pre><h4>3. Middleware y Logging</h4><p>La implementación de middleware permite:</p><ul><li>Logging consistente de todas las llamadas a funciones</li><li>Medición de tiempos de respuesta</li><li>Puntos de extensión para futuras funcionalidades</li></ul><pre>public static async ValueTask&lt;object?&gt; LoggingMiddleware(<br>    AIAgent agent,<br>    FunctionInvocationContext context,<br>    Func&lt;FunctionInvocationContext, CancellationToken, ValueTask&lt;object?&gt;&gt; next,<br>    CancellationToken cancellationToken)<br>{<br>    Console.WriteLine($&quot;🔧 Ejecutando: {context.Function.Name}&quot;);<br>    var stopwatch = Stopwatch.StartNew();<br>    <br>    var result = await next(context, cancellationToken);<br>    <br>    stopwatch.Stop();<br>    Console.WriteLine($&quot;✨ Completado en {stopwatch.ElapsedMilliseconds}ms&quot;);<br>    <br>    return result;<br>}</pre><h3>Conclusión</h3><p>Microsoft Agent Framework ha demostrado ser una herramienta extraordinariamente potente para crear sistemas de IA modulares y extensibles. Lo que más me ha impresionado es:</p><ol><li><strong>Flexibilidad</strong>: La capacidad de trabajar con diferentes proveedores de IA</li><li><strong>Modularidad</strong>: La facilidad para crear y mantener agentes especializados</li><li><strong>Extensibilidad</strong>: El sistema de herramientas y middleware</li><li><strong>Documentación</strong>: La claridad de la documentación disponible publicada por Microsoft</li></ol><p>Este proyecto ha sido una excelente oportunidad para explorar las capacidades del framework. La combinación de agentes especializados con herramientas modulares ofrece un potencial enorme.</p><p>Si estáis interesados en explorar más, podéis encontrar todo el código en mi <a href="https://github.com/bcgrillo/MicrosoftAgentFrameworkExamples">repositorio de GitHub</a>.</p><p>La IA está evolucionando rápidamente, y frameworks como este nos permiten mantenernos al día de manera estructurada y profesional. ¡Espero que este artículo os haya sido útil y os anime a explorar Microsoft Agent Framework!</p><h3>Agradecimientos</h3><p>Este proyecto fue inspirado por el excelente artículo de Anto Subash <a href="https://blog.antosubash.com/posts/agent-framework-ollama">“Building an Agent Framework with Ollama”</a> y su <a href="https://github.com/antosubash/agent-framework-ollama">repositorio de ejemplo</a>. He expandido el código con características adicionales y modificaciones para profundizar en el aprendizaje sobre Microsoft Agent Framework.</p><h3>Recursos Útiles</h3><ul><li><a href="https://learn.microsoft.com/es-es/agent-framework/overview/agent-framework-overview">Documentación oficial de Microsoft Agent Framework</a></li><li><a href="https://learn.microsoft.com/es-es/dotnet/ai/microsoft-extensions-ai">Documentación de Microsoft.Extensions.AI</a></li><li><a href="https://docs.ollama.com/">Documentación de Ollama</a></li><li><a href="https://learn.microsoft.com/en-us/azure/ai-services/">Azure AI Services</a></li></ul><p><em>¿Preguntas o sugerencias? ¡Deja tu comentario! 👋</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e1ecd1a8d1b7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[PowerPad: mi TFG sobre IA generativa local]]></title>
            <link>https://medium.com/@brunogrillo.dev/powerpad-mi-tfg-sobre-ia-generativa-local-ba2278bb9740?source=rss-7af2f4f7b227------2</link>
            <guid isPermaLink="false">https://medium.com/p/ba2278bb9740</guid>
            <category><![CDATA[generative-ai-tools]]></category>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[ollama]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Bruno Grillo]]></dc:creator>
            <pubDate>Tue, 23 Sep 2025 18:01:57 GMT</pubDate>
            <atom:updated>2025-09-24T08:00:44.168Z</atom:updated>
            <content:encoded><![CDATA[<p>Hace unos meses defendí mi Trabajo Fin de Grado y quería aprovechar para compartirlo también por aquí. Ha sido un proyecto que me ha acompañado durante casi un año y que me ha permitido jugar y aprender con Ollama y los modelos generativos locales.</p><p>PowerPad es una aplicación de escritorio, al estilo de ChatGPT o Claude, que utiliza el motor de IA local de <a href="https://ollama.com/">Ollama</a> (que en el momento de la entrega todavía no tenía interfaz gráfico propio), facilita la gestión y descarga de modelos, permite editar notas y crear agentes con <em>prompts </em>específicos, y también usar servicios en la nube si quieres, como OpenAI o Azure.</p><p>Echa un vistazo a este vídeo que resume la funcionalidad 👇</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FeP3_jUGEUlI%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DeP3_jUGEUlI&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FeP3_jUGEUlI%2Fhqdefault.jpg&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/015db42fe5c8ef69ccc8a82f995f0a11/href">https://medium.com/media/015db42fe5c8ef69ccc8a82f995f0a11/href</a></iframe><h3>¿De dónde surge la idea?</h3><p>En los últimos años la IA generativa ha explotado, pero casi siempre asociada a servicios en la nube. Eso trae ventajas, pero también inconvenientes: dependencia de Internet, falta de privacidad y, en muchos casos, suscripciones de pago.</p><p>A raíz de probar herramientas como <strong>Ollama </strong>y otras basadas en <a href="https://github.com/ggml-org/llama.cpp"><strong>llama.cpp</strong></a>, vi que había una oportunidad clara: hacer más accesible la IA local a cualquier persona, sin necesidad de pelearse con la consola o configuraciones complicadas montando un servidor web.</p><p>Otra de las cosas de las que me di cuenta es que cada vez usaba más ChatGPT a modo de repositorio de información, ahora mis notas estaban desordenadas por todas partes, me parecía interesante la idea de centralizar conversaciones y notas.</p><p>Y así nació <strong>PowerPad</strong>, una aplicación de escritorio que simplifica todo esto y ofrece un espacio de trabajo unificado para notas y conversaciones con soporte a la IA que más te guste.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/891/1*r1U-Y7P8HbocgxsJ0NOBqQ.png" /><figcaption>Una llamita cute que parece que hace cosas relacionadas con PowerPad</figcaption></figure><h3>¿Qué hace PowerPad?</h3><p>En pocas palabras, PowerPad es un <strong>bloc de notas inteligente con superpoderes</strong>:</p><ul><li>Puedes instalar y gestionar <strong>modelos de IA local </strong>sin complicaciones (busca directamente en la biblioteca de Ollama, en Hugging Face, GitHub Models, etc.)</li><li>Tienes la opción de crear <strong>agentes personalizados</strong> (por ejemplo, un asistente que resuma apuntes, otro que traduzca textos, etc.).</li><li>Incluye una <strong>ventana emergente</strong> para edición rápida: seleccionas texto en cualquier aplicación y lo envías a la IA con un atajo de teclado.</li><li>Todo se guarda en local por defecto, aunque también puedes conectar servicios en la nube si lo prefieres.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*P1ARp_B8SYh3Rwzudg92Hg.png" /><figcaption>Búsqueda de modelos en la biblioteca de Ollama en PowerPad</figcaption></figure><h3>Lo que hay detrás</h3><p>A nivel técnico, el proyecto fue un buen reto. La aplicación está desarrollada con <strong>WinUI 3</strong> y <strong>.NET 8</strong>, siguiendo el patrón <strong>MVVM</strong> para mantener la lógica separada de la interfaz.</p><p>Detrás de lo que parece una interfaz sencilla hay bastante trabajo:</p><ul><li><strong>Gestión de ficheros y notas</strong> con arrastrar y soltar.</li><li><strong>Persistencia local en JSON</strong> para no depender de bases de datos externas.</li><li>Un sistema de <strong>contratos e interfaces</strong> que facilita integrar distintos proveedores (Ollama, Azure, OpenAI…).</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0jJ4_7onsJWY-2RNxWrcUQ.png" /><figcaption>Arquitectura de PowerPad con patrón MVVM</figcaption></figure><h3>Retos y aprendizajes</h3><p>Más allá del código, lo complicado fue la <strong>velocidad a la que evoluciona la IA</strong>. Mientras desarrollaba, cada semana aparecía un modelo nuevo, una versión nueva de Ollama, una librería distinta... Eso te obliga a estar al día y adaptar documentación y pruebas.</p><p>También aprendí mucho sobre <strong>cómo funcionan los modelos por dentro</strong>: cuantización, arquitectura Transformer, agentes, etc. Fue un repaso intensivo que me ha ayudado a entender mejor lo que pasa “detrás de la magia”.</p><p>Por ejemplo, cómo componer un <em>prompt </em>para que se utilice como un editor de textos que, no solo permite establecer su función, sino que admite un parámetro <em>al vuelo</em>. Como este agente traductor:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/959/1*RxUEM5thVRFzHZv4XCHaMw.png" /><figcaption>Prompt compuesto por: Descripción del agente, parámetro al vuelo (idioma) e instrucciones que dan contexto a la edición de texto.</figcaption></figure><h3>Impacto y conclusiones</h3><p>La idea detrás de herramientas como PowerPad busca <strong>democratizar el acceso a la IA generativa</strong>, sobre todo en entornos donde la conexión a Internet no siempre es posible. Además, fomenta la privacidad (todos los datos se quedan en tu equipo) y apuesta por un consumo más eficiente de recursos frente a depender de grandes centros de datos.</p><p>En resumen: ha sido un proyecto exigente, pero muy gratificante. He conseguido juntar teoría y práctica en algo que no se queda en un “experimento académico”, sino en una herramienta real que yo mismo he usado en mi día a día.</p><p>👉 El código está disponible en GitHub: <a href="https://github.com/bcgrillo/powerpad">https://github.com/bcgrillo/powerpad</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IL28UlmKPC7aoSwyoTjqxg.jpeg" /><figcaption>Una imagen para la portada del artículo :)</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ba2278bb9740" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Animal Farm Meets AI: The Glorious, Ultimate Final Mill]]></title>
            <link>https://medium.com/@brunogrillo.dev/animal-farm-meets-ai-the-glorious-ultimate-final-mill-fbc0bd5f15a4?source=rss-7af2f4f7b227------2</link>
            <guid isPermaLink="false">https://medium.com/p/fbc0bd5f15a4</guid>
            <category><![CDATA[short-story]]></category>
            <category><![CDATA[technology]]></category>
            <dc:creator><![CDATA[Bruno Grillo]]></dc:creator>
            <pubDate>Sun, 21 Sep 2025 16:35:49 GMT</pubDate>
            <atom:updated>2025-09-21T16:35:49.122Z</atom:updated>
            <content:encoded><![CDATA[<p>Squealer appeared on screen with his radiant smile and a voice tuned like a commercial. The stage of his channel flashed with LED lights in the colors of <strong>X Farm</strong>, while an animated logo —a corn cob with crossed leaves— spun nonstop.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2FiZ-PhTAKfCMyh-rpeRGA.png" /></figure><p>“Welcome, friends and followers of <em>The Squealer Report</em>,” he shouted with almost squeaky enthusiasm. “Today we have a guest who needs no introduction: the visionary leader, the architect of our future, CEO of X Farm, and almighty president of Animal Farm, the incomparable <strong>Napoleon</strong>.”</p><p>As the number of animals connected quickly increased, the virtual audience exploded in cheers, corn emojis, and endless auto-messages: <em>Great Napoleon!</em> <em>The future is now!</em></p><p>Napoleon entered with a firm step, wearing a minimalist black T-shirt, limited edition white sneakers, and his tail tied back with a discreet designer hair tie. He had the posture and confident air of a true <strong>Silic-Corn Valley technocrat</strong>.</p><p>“Friends,” he began without waiting for a question, “I have come to present the <strong>Final Mill</strong>. It is not just a data center, it is the peak of centuries of animal effort. Inside it will be born <strong>AnimAGI-1</strong>, the first animal general intelligence. With it, our robots will finally free every hoof, claw, and wing from work. The age of scarcity is about to end.”</p><p>The chat exploded: <em>Technological miracle!</em> <em>Blessed Napoleon!</em></p><p>And it was not just exaggeration, many crows already revered him like a messianic figure. Most animals hardly remembered that these promises sounded very similar to those of the <strong>first windmill</strong>, when electricity was supposed to free them from a life of effort and sacrifice. The wealth they saw in the pigs’ luxurious lives they took as their own, convinced that abundance would reach them sooner or later. Then came other mills: electronics, computers, internet, robots… Each one with the same promise: <strong>a more comfortable life</strong>, shorter workdays, more free time, abundance for all. If it hadn’t come yet, it must be very close. And besides, none of those mills had been as grand as this one. The <strong>Final Mill</strong> promised to be different and irreversible.</p><p>Squealer almost choked with excitement:</p><p>“What a wonder, what a miracle! The mill that will take Animal Farm to <strong>technological supremacy</strong> once and for all. Tell us, dear Napoleon, when will that glorious day arrive?”</p><p>“Very soon,” Napoleon answered solemnly, “almost certainly in six months, maybe a year. But beware: no one should lose focus. You all know I am myself an example of sacrifice: I have always defended the <strong>100-hour work week</strong>. Work will end, yes, but only if we work harder than ever to make it happen.”</p><p>Among the thousands watching live there was also a <strong>donkey</strong>, who lived in a broken cart parked for months in the X Farm employees’ lot. He nodded every time Napoleon spoke of sacrifice, repeating to himself that he was a genius for choosing “to live in transport” instead of in a stable. He said this because it was a free and bold decision that allowed him to save most of his rations, not because it was the only option left after being evicted from the shelter of his late father Benjamin. The young donkey joined the other virtual applause filling the screen: <em>Napoleon genius! Example of sacrifice!</em></p><p>Squealer, always ready with the narrative, coughed with fake indignation:</p><p>“Sadly, not all share this shining vision. <strong>Snowball</strong>, for example, has appeared again on his channel, daring to criticize these plans, saying our data centers use ‘too much water and electricity’”, he forced a ridiculous voice, “and even worse, he suggested raising taxes on the big pigs!”</p><p>A murmur of disapproval spread through the chat.</p><p>Napoleon growled in contempt:</p><p>“Snowball is nothing but a <strong>woke</strong> charlatan, enemy of animal progress. He talks about ecology, redistribution, stopping the talented with taxes. That pig wants to turn off the light of the future with a bucket of ideological dung! It’s just another of his crazy ideas, like that so-called <strong>universal feed income</strong>, or taxing animaloid robots. Nonsense! Anything but work.”</p><p>The chat roared: <em>Snowball traitor! Snowball communist!</em></p><p>“Talent,” Napoleon continued, “must never ask permission to shine. Taxes should always be minimal, they are chains on our legs, obstacles against freedom. Only the free market, without ties, can guarantee prosperity.”</p><p>Squealer nodded strongly, as if the words were a revelation from the sky.</p><p>“Exactly, exactly,” he clapped, “and let’s remember, dear viewers, what the <strong>Commandment of the Free Market</strong> says: <em>‘The market regulates itself… as long as the other farms are friends.’</em>”</p><p>The virtual applause multiplied. Nobody mentioned that, in practice, Animal Farm had tariffs against all neighbor farms. Or that many times the pigs justified other taxes for “strategic subsidies” or for defense expenses of Animal Farm.</p><p>In the middle of the interview, Squealer frowned with fake drama, as if revealing a conspiracy:</p><p>“Some animals invited by Snowball, blinded by prejudice, have started complaining: they say their songs, their drawings in the dirt, their moos, in short, their work and creations are being used without permission to train the new animal intelligence! Some even dare to call it <strong>theft</strong>. What nerve! How can we call theft what is really a contribution to Animal Farm’s progress?”</p><p>Napoleon, smiling with superiority, leaned toward the camera:</p><p>“Exactly. It’s not theft, but contribution. Every bleat, grunt, and chirp that AnimAGI-1 absorbs is part of a collective offering to the future. The real theft would be letting these treasures waste away in forgotten barns. Animals should feel proud their work is part of the Final Mill. The progress of Animal Farm cannot and must not ask permission.”</p><p>The chat exploded in applause and praise: <em>Great Napoleon! All for progress!</em></p><p>Squealer then raised another hot topic:</p><p>“And don’t think Snowball stopped at questioning our glorious data centers. No, friends! He also shouted about the <strong>price of shelters</strong>. As if we didn’t already have too many regulations punishing pig investors. And worse: he dared to mention Napoleon directly, asking if work disappears thanks to automation as X Farm promises, how will a humble animal buy, not just a shed, but even its daily food?”</p><p>Napoleon smiled sarcastically and settled into his chair:</p><p>“Buy, buy, buy… That’s because they don’t know the future,” he said, with a pompous voice. “As we predicted in Davos: <em>‘In the future you’ll own nothing. And you’ll be happy…’</em>”</p><p>Squealer instantly joined, finishing the phrase in perfect duet:</p><p>“‘…and your feed subscription will be delivered by a Farmazon drone!’”</p><p>Both pigs laughed loudly, and the audience copied them with laughing emojis, drones, and grain sacks. Nobody asked how those subscriptions would be paid if one day incomes disappeared.</p><p>Squealer, with a mocking smile, raised a hologram showing the face of <strong>Clover</strong>, now one of the most known voices of <strong>new unionism</strong> on Animal Farm.</p><p>“Look, dear viewers,” he said with fake worry. “Clover has spent weeks, from her new <strong>podcast</strong>, giving false and alarmist speeches, saying big corporations want to limit the associations of working animals. As if that was not just another invention to stop progress!”</p><p>Napoleon snorted in disdain and waved his hoof, scaring off the fly that had followed him since the start.</p><p>“Clover? That mare with her constant whining. She talks about unions and equality, but she forgets it was her comrade <strong>Boxer</strong> who died working to the end for progress, without complaint, like many other male animals. She just climbed onto that feminist, resentful, violent rhetoric. The stampedes organized lately by those unionists could be called animal terrorism.”</p><p>The chat reacted with boos, insults, and angry emojis against Clover.</p><p>Squealer reinforced the blow:</p><p>“Let’s not forget, dear friends, what one of our sacred commandments says: <strong>freedom above all… but never to stop progress.</strong>”</p><p>Napoleon added solemnly, lifting his hoof like he was reciting a universal truth, while Squealer watched him with open mouth in theatrical pose:</p><p>“And also: no freedom to live on Animal Farm if you were born on another farm! Let’s not forget: most of these agitators came here illegally and must be deported immediately.”</p><p>The virtual audience went wild. Between messages like <em>Beat up those unionists!”</em> and <em>“Out with immigrant animals!”</em>, one message stood out, written in capital letters by an excited colt:</p><p><em>“GREETINGS FROM ARGENTINA ¡VIVA LA LIBERTAD ANIMAL, CARAJO!”</em></p><p>Animals repeated and supported these slogans without noticing any contradiction.</p><p>Meanwhile, on screen, they showed ads of the new <strong>robot dogs</strong> from <em>Bestial Dynamics</em>, efficiently crushing a union protest in Farmazon warehouses.</p><p>Later, in the segment of the <strong>Commandments of Free Animals</strong>, Squealer displayed the shining list:</p><ol><li><em>Taxes will always be minimal</em> → crossed out, replaced by <em>Taxes will be as needed for strategic subsidies and our security</em>.</li><li><em>The market regulates itself</em> → crossed out, replaced by <em>The market regulates itself as long as the other farms are friends</em>.</li><li><em>Private property is sacred</em> → crossed out, replaced by <em>Subscription is sacred and intellectual property must serve progress</em>.</li><li><em>Freedom above all</em> → crossed out, replaced by <em>Freedom ends where the fence begins</em>.</li></ol><p>The sheep in the chat repeated it together, like a religious chant:<br><em>“Freedom ends where the fence begins!”</em></p><p>To close the program, Squealer showered Napoleon with praise, and not only him: he extended his compliments to the whole elite of the <strong>big pigs</strong>, those titans who —according to him— had reached the top only thanks to their effort and sacrifice.</p><p>“Because thanks to freedom and the market,” he said seriously, “<strong>any animal</strong> can achieve it. It doesn’t matter if one is born in a ruined stall or inherits a fortune of thousands of feed sacks: opportunities are there, for everyone.”</p><p>Napoleon, with a satisfied smile, nodded slowly.</p><p>“That’s right,” he declared. “That is what <strong>meritocracy</strong> means, our fifth and last commandment: <strong>equal opportunities for all animals</strong>… only that”, he paused, raising his eyebrow, “obviously some opportunities will always be more equal than others.”</p><p>The virtual herd exploded in applause and cheers, convinced they had listened to eternal wisdom.</p><p>To end the interview, Squealer, with firm voice, asked the last question:</p><p>“Napoleon, one last question. Tell us, what will be the next challenge for animals once we reach supremacy with the Final Mill?”</p><p>Napoleon raised his hoof, pointing to the sky, in an uncomfortable and strangely familiar gesture. Looking upward, he pronounced his final words:</p><p>“The limit is the stars, Squealer. <strong>We must take Animal Farm to Mars.</strong>”</p><p>While the stage turned dark with digital ovations, on the night shift of a poor farm on the other side of the world, a <strong>poor duck worker</strong> watched the live show on his old phone resting on a box.</p><p>His wings shook with tiredness, but he kept sewing cap after cap on a mountain of cheap hats. On the one he was holding, white letters were embroidered on green:</p><p><strong>“Make Animal Farm Great Again”</strong></p><p>The duck, with glassy eyes, thought the only reason his farm did not reach the excellence of Animal Farm was the lack of brilliant minds like <strong>Napoleon’s</strong>. If only they had a single visionary pig born in the incubators of Sili-Corn Valley, maybe they too could dream of a Final Mill, feed drones, and the promise of a happy future.</p><p>He kept sewing in silence, convinced his sacrifice was the door to a better tomorrow.</p><p>The next day, his factory was closed as part of Animal Farm’s new relocation policy.</p><h3>Author’s Note</h3><p>Hello! I am Bruno Grillo, I work in technology, I enjoy programming, and I truly believe in the huge potential of artificial intelligence to automate processes and improve people’s lives.</p><p><strong>Thanks for reading this far!</strong></p><p>I don’t write this story against innovation or technology. But I keep wondering if we are building the right strategy so that all of us can benefit from what we are creating.</p><p>In <em>Animal Farm</em>, Orwell showed how a project born with good intentions ended up corrupted for the benefit of a few. Today, in the developed world, we should ask ourselves what ensures that unstoppable automation will not leave millions behind, as has already happened before.</p><p>In the end, it is us — together — who are building the future. And, at least in theory, we can also decide how to do it and how to share it.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fbc0bd5f15a4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Disrupción en la granja: La IA llega a Granja Animal]]></title>
            <link>https://medium.com/@brunogrillo.dev/disrupci%C3%B3n-en-la-granja-la-ia-llega-a-granja-animal-d0280133710c?source=rss-7af2f4f7b227------2</link>
            <guid isPermaLink="false">https://medium.com/p/d0280133710c</guid>
            <category><![CDATA[tecnologia]]></category>
            <category><![CDATA[relato]]></category>
            <dc:creator><![CDATA[Bruno Grillo]]></dc:creator>
            <pubDate>Sat, 30 Aug 2025 18:34:00 GMT</pubDate>
            <atom:updated>2025-09-03T07:14:37.699Z</atom:updated>
            <content:encoded><![CDATA[<p>Squealer apareció en pantalla con su sonrisa radiante y la voz modulada como un anuncio publicitario. El plató de su canal destellaba luces LED con los colores de <strong>X Farm</strong>, mientras un logo animado —una mazorca con hojas cruzadas— giraba sin cesar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2FiZ-PhTAKfCMyh-rpeRGA.png" /></figure><p>— Bienvenidos, amigos y seguidores de <em>The Squealer Report</em> —entonó con entusiasmo casi chirriante—. Hoy tenemos un invitado que no necesita presentación: el líder visionario, el arquitecto de nuestro futuro, CEO de X Farm, y presidente todopoderoso de Granja Animal, el incomparable <strong>Napoleón</strong>.</p><p>Mientras el número de animales conectados subía a gran velocidad, el público virtual estallaba en vítores, emojis de mazorcas y un sinfín de mensajes automáticos: <em>¡Grande Napoleón!</em> <em>¡El futuro es ahora!</em></p><p>Napoleón apareció en escena con paso firme, luciendo camiseta negra minimalista, zapatillas blancas de edición limitada y la cola recogida con un discreto coletero de diseño. Tenía la postura y el aire confiado de un auténtico <strong>tecnócrata de Sili-Corn Valley</strong>.</p><p>— Amigos —dijo, sin esperar pregunta alguna—, he venido a presentaros el <strong>Molino Definitivo</strong>. No es un simple centro de datos, es la culminación de siglos de esfuerzo animal. En él nacerá <strong>AnimAGI-1</strong>, la primera inteligencia general animal. Con ella, nuestros robots por fin liberarán a cada pezuña, garra y ala del trabajo. La era de la escasez está a punto de terminar.</p><p>El chat explotó: <em>¡Milagro tecnológico!</em> <em>¡Bendito Napoleón!</em></p><p>Y no era solo una exageración, no pocos cuervos lo veneraban ya como una figura casi mesiánica. La mayoría de los animales ya apenas recordaba que esas promesas sonaban muy parecidas a las de aquel <strong>primer molino</strong>, cuando la electricidad iba a librarlos de una vida de esfuerzo y sacrificio. Los éxitos que veían en la vida opulenta de los cerdos los tomaban como propios, convencidos de que tarde o temprano la abundancia les alcanzaría también a ellos. Después vinieron otros molinos: el de la electrónica, el de los ordenadores, el de internet, el de la robotización… Cada uno traía las mismas promesas: <strong>una vida más cómoda</strong>, jornadas más cortas, más tiempo libre, abundancia para todos... Si no lo habían alcanzado ya, debía estar ciertamente muy cerca. Además, ninguno de esos molinos había sido tan grandioso como éste. El <strong>molino definitivo</strong> prometía ser distinto e irreversible.</p><p>Squealer casi se atragantó de entusiasmo:</p><p>— ¡Qué maravilla, qué prodigio! El molino que llevará a Granja Animal a la <strong>supremacía tecnológica </strong>de una vez por todas. Díganos, querido Napoleón, ¿cuándo llegará ese grandioso día?</p><p>— Muy pronto —respondió con solemnidad—, con casi toda seguridad en cuestión de seis meses, quizás un año. Pero cuidado: que nadie se despiste y pierda el verdadero foco. Ya sabéis que yo mismo soy ejemplo de sacrificio: he defendido siempre la jornada de <strong>100 horas semanales</strong>. El trabajo terminará, sí, pero solo si trabajamos más que nunca para que eso suceda.</p><p>Entre los miles de espectadores del directo se encontraba también un <strong>asno</strong>, que vivía en una carroza destartalada, aparcada desde hacía meses en el aparcamiento para empleados de X Farm. Asentía convencido cada vez que Napoleón hablaba de sacrificio, repitiendo para sí que había sido un genio al elegir “vivir en un transporte” en lugar de en un establo. Lo decía porque se trataba de una decisión libre y audaz que le permitía ahorrar gran parte de sus raciones, no es que fuera la única opción que le quedara tras ser desahuciado del refugio de su fallecido padre Benjamín. El joven asno se unió a los demás aplausos virtuales que inundaron la pantalla: <em>¡Napoleón genio! ¡Ejemplo de sacrificio!</em></p><p>Squealer, siempre atento a la narrativa, carraspeó con fingida indignación:</p><p>— Lamentablemente, no todos comparten esta visión luminosa. <strong>Snowball</strong>, por ejemplo, ha vuelto estos días a aparecer en su canal, se ha atrevido a criticar sus planes, diciendo que nuestros centros de datos consumen “demasiada agua y electricidad” —dijo forzando una voz ridícula—, y peor aún, ¡ha propuesto subir impuestos a los grandes cerdos!</p><p>Un murmullo de desaprobación recorrió el chat.</p><p>Napoleón gruñó fuertemente con desprecio:</p><p>— Snowball no es más que un charlatán <strong>woke</strong>, enemigo del progreso animal. Habla de ecología, de redistribución, de frenar a los talentosos con impuestos. ¡Ese cerdo quiere apagar la luz del futuro con un cubo de estiércol ideológico! Solo es otra más de sus locuras como esa tal <strong>renta de pienso universal</strong>, o pretender imponer impuestos a los robots animaloides. ¡Menudo disparate! Lo que sea, excepto trabajar.</p><p>El chat rugió: <em>¡Snowball traidor! ¡Snowball comunista!</em></p><p>— El talento —continuó Napoleón— no debe pedir permiso para brillar. Los impuestos deben ser siempre mínimos, son cadenas en nuestras patas, obstáculos contra la libertad. Solo el mercado libre y sin ataduras puede garantizar prosperidad.</p><p>Squealer asintió enérgicamente, como si esas palabras fueran revelación divina.</p><p>— Exacto, exacto —aplaudió—. Y recordemos, queridos espectadores, lo que dicta el <strong>Mandamiento del Libre Mercado</strong>: <em>“El mercado se regula solo… siempre que las demás granjas sean amigas.”</em></p><p>Los aplausos virtuales se multiplicaron. Nadie mencionó que, en la práctica, Granja Animal había impuesto aranceles a las importaciones de todas las granjas vecinas. Y que en no pocas ocasiones los cerdos justificaban otros tantos impuestos para sus “subvenciones estratégicas” o los gastos de defensa de Granja Animal.</p><p>En mitad de la entrevista, Squealer frunció el ceño con gesto forzado, como si revelara una gran conspiración:</p><p>— Algunos animales invitados de Snowball, cegados por prejuicios, han empezado a lanzar quejas ridículas: ¡dicen que sus cantos, sus dibujos en la tierra, sus mugidos, en definitiva, sus trabajos y creaciones están siendo utilizados sin permiso para entrenar a la nueva inteligencia animal! Algunos incluso se atreven a hablar de <strong>robo</strong>. ¡Qué osadía! ¿Cómo puede llamarse robo a lo que es en realidad un aporte al progreso de Granja Animal?</p><p>Napoleón, con una sonrisa de superioridad, se inclinó hacia la cámara:</p><p>— Exacto. No se trata de robo, sino de contribución. Cada balido, cada gruñido, cada trino que AnimAGI-1 absorbe forma parte de una ofrenda colectiva al futuro. El verdadero robo sería dejar que esos tesoros se desperdicien en establos olvidados. Los animales deberían sentirse orgullosos de que su trabajo forme parte del molino definitivo. El progreso de Granja Animal no puede ni debe pedir permiso.</p><p>El chat explotó en elogios y aplausos: <em>¡Grande Napoleón! ¡Todo por el progreso!</em></p><p>Squealer retomó entonces otro tema candente:</p><p>— Y no crean que Snowball se ha limitado a cuestionar nuestros gloriosos centros de datos. ¡No, señores! También ha puesto el grito en el cielo por el <strong>precio de los refugios</strong>. Como si no tuviéramos bastante con las regulaciones actuales que penalizan enormemente a los cerdos inversores. Y peor aún: ha osado mencionar directamente a Napoleón, preguntando que, si el trabajo desaparece gracias a la automatización como promete X Farm, ¿cómo podrá un humilde animal comprar, ya no un simple cobertizo, sino siquiera su alimento diario?</p><p>Napoleón esbozó una sonrisa sarcástica y se acomodó en el sillón:</p><p>— Comprar, comprar, comprar… Eso es porque no conocen el futuro —dijo, con voz engolada—. Como ya predijimos en Davos: <em>“En el futuro no tendrás nada y serás feliz…”</em></p><p>Squealer lo acompañó al instante, completando ambos la frase en un dúo perfectamente sincronizado:</p><p>— “…¡y tu suscripción de pienso te la traerá un dron de Farmazon!”</p><p>Ambos cerdos rieron a carcajadas, y el público virtual les imitó con emojis de carcajadas, drones y sacos de grano. Nadie pareció cuestionar cómo se pagarían esas suscripciones si algún día dejaban de tener ingresos.</p><p>Squealer, con sonrisa burlona, alzó un holograma que mostraba la cara de <strong>Clover</strong>, ahora convertida en una de las voces más reconocidas del <strong>neo sindicalismo</strong> en Granja Animal.</p><p>— Miren ustedes, queridos espectadores —dijo con fingida preocupación—. Clover lleva semanas, desde su nuevo <strong>podcast</strong>, lanzando discursos falsos y alarmistas, asegurando que las grandes corporaciones intentan limitar las asociaciones de animales trabajadores. ¡Como si eso no fuera más que otro invento para frenar el progreso!</p><p>Napoleón resopló con desdén y agitó la pezuña, espantando sin querer a la mosca que lo había acompañado desde el inicio de la entrevista.</p><p>— ¿Clover? Esa yegua siempre con sus lamentos. Habla de sindicatos y de igualdad, pero olvida que fue su compañero <strong>Boxer</strong> quien murió esforzándose hasta el final de sus días por el progreso, y sin protestar, como tantos otros animales machos. Ella solo se subió al carro de esa retórica feminista, resentida y violenta. Las estampidas que se están organizando últimamente por esos sindicalistas podrían catalogarse como terrorismo animal.</p><p>El chat reaccionó con una mezcla de abucheos, insultos y emojis rabiosos dirigidos a Clover.</p><p>Squealer intervino para reforzar el golpe:</p><p>— No olvidemos, queridos amigos, lo que dicta uno de nuestros sagrados mandamientos: <strong>libertad por encima de todo… pero nunca para obstaculizar el progreso.</strong></p><p>Napoleón añadió con voz solemne, levantando la pata como si recitara una verdad universal, mientras Squealer lo observaba boquiabierto en una pose casi teatral:</p><p>— ¡Y tampoco para vivir en Granja Animal habiendo nacido en otra granja! Que no se nos olvide: la mayoría de estas bestias agitadoras han llegado ilegalmente a nuestro territorio y deben ser deportadas de forma inmediata.</p><p>El público virtual enloqueció. Entre mensajes de <em>“¡Palos con esos sindicalistas!”</em> y <em>“¡Fuera animales inmigrantes!”</em>, destacó un comentario escrito en mayúsculas por un potro exaltado:</p><p><em>“SALUDOS DESDE ARGENTINA ¡VIVA LA LIBERTAD ANIMAL, CARAJO!”</em></p><p>Los animales repetían y apoyaban mutuamente estas consignas sin notar contradicción alguna en ellas.</p><p>Mientras tanto, en pantalla, aprovecharon para incluir imágenes promocionales de los nuevos <strong>perros-robot </strong>de seguridad de <em>Bestial Dynamics</em>, aplacando con eficacia una protesta sindicalista en los almacenes de Farmazon.</p><p>Más adelante, en el segmento de los <strong>Mandamientos de los animales libres</strong>, Squealer desplegó la lista resplandeciente en pantalla:</p><ol><li><em>Los impuestos serán siempre mínimos</em> → tachado, sustituido por <em>Los impuestos serán los necesarios para las subvenciones estratégicas y nuestra seguridad</em>.</li><li><em>El mercado se regula solo</em> → tachado, sustituido por <em>El mercado se regula solo siempre que las demás granjas sean amigas</em>.</li><li><em>La propiedad privada es sagrada</em> → tachado, sustituido por <em>La suscripción es sagrada y la propiedad intelectual debe servir al progreso</em>.</li><li><em>Libertad por encima de todo</em> → tachado, sustituido por <em>La libertad termina donde empieza el vallado</em>.</li></ol><p>Las ovejas conectadas al chat lo repitieron en coro, como si fuera un cántico religioso:<br><em>“¡La libertad termina donde empieza el vallado!”</em></p><p>Para concluir el programa, Squealer se deshizo en halagos a Napoleón, y no solo a él: extendió sus loas a toda la élite de los <strong>grandes cerdos</strong>, aquellos titanes que —según sus palabras— habían alcanzado la cima únicamente gracias a su esfuerzo y sacrificio.</p><p>— Porque gracias a la libertad y al mercado —dijo con tono serio y enérgico—, <strong>cualquier animal</strong> puede lograrlo. Da igual si nace en una cuadra ruinosa o si hereda una fortuna de millares de sacos de pienso: las oportunidades están ahí, al alcance de todos.</p><p>Napoleón, con una sonrisa satisfecha, asintió lentamente.</p><p>— Así es —sentenció—. En eso consiste la <strong>meritocracia</strong>, nuestro quinto y último mandamiento: <strong>igualdad de oportunidades para todos los animales</strong>… solo que —pausó para alzar la ceja— evidentemente algunas oportunidades serán siempre más iguales que otras.</p><p>El rebaño virtual estalló en aplausos y vítores, convencido de haber asistido a una lección de sabiduría eterna.</p><p>Para cerrar la entrevista, Squealer, con voz firme, lanzó la última intervención:</p><p>— Napoleón, nos queda una última pregunta. Ilumínanos, ¿cuál será el próximo desafío para los animales una vez alcancemos la supremacía con el Molino Definitivo?</p><p>Napoleón levantó entonces la pata, con la pezuña estirada apuntando al cielo, en un gesto incómodo y extrañamente familiar para el público. Mirando hacia lo alto, pronunció sus palabras de despedida:</p><p>— El límite son las estrellas, Squealer. <strong>Debemos llevar Granja Animal a Marte</strong>.</p><p>Mientras el plató se apagaba entre ovaciones digitales, en el turno de noche de una granja subdesarrollada al otro lado del globo, un <strong>pobre operario pato</strong> seguía el directo desde su viejo teléfono apoyado en una caja de cartón.</p><p>Las alas le temblaban de cansancio, pero no dejaba de coser puntada tras puntada sobre una montaña de gorras baratas. En la que sujetaba en ese momento se podía leer, con letras bordadas de hilo blanco sobre verde:</p><p><strong>“Haz Granja Animal Grande Otra Vez”</strong></p><p>El pato, con los ojos vidriosos, pensaba que el único motivo por el que su granja no alcanzaba la excelencia de Granja Animal era la falta de mentes brillantes como la de <strong>Napoleón</strong>. Si tan solo tuvieran un único cerdo visionario nacido en las encubadoras de Sili-Corn Valley, quizá también podrían soñar con un Molino Definitivo, drones de pienso y la promesa de un futuro feliz.</p><p>Siguió cosiendo en silencio, convencido de que su sacrificio era la antesala de un mañana mejor.</p><p>Al día siguiente, su fábrica fue cerrada como parte de la nueva política de relocalización de Granja Animal.</p><h3>Nota del autor</h3><p>¡Hola! Soy Bruno Grillo, trabajo en tecnología, disfruto programando y creo firmemente en el enorme potencial de la inteligencia artificial para automatizar procesos y mejorar la vida de las personas.</p><p><strong>¡Gracias por haber llegado hasta aquí!</strong></p><p>No escribo este relato contra la innovación o la tecnología. Pero me persigue la pregunta de si estamos acompañando este progreso con la estrategia necesaria para que todos podamos beneficiarnos de lo que estamos construyendo.</p><p>En Rebelión en la granja, Orwell mostraba cómo un proyecto nacido con buenas intenciones acababa corrompido en beneficio de unos pocos. Hoy, en el mundo desarrollado, deberíamos preguntarnos qué nos asegura que la creciente e imparable automatización no dejará atrás a millones, como ya ha ocurrido otras veces.</p><p>Al final, somos nosotros —en conjunto— quienes estamos construyendo el futuro. Y, al menos en teoría, también podemos decidir cómo vamos a hacerlo y cómo vamos a compartirlo.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d0280133710c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Inteligencia Artificial sin fórmulas: Procesando el Lenguaje Natural]]></title>
            <link>https://medium.com/@brunogrillo.dev/inteligencia-artificial-sin-f%C3%B3rmulas-procesando-el-lenguaje-natural-2d0fbeeee058?source=rss-7af2f4f7b227------2</link>
            <guid isPermaLink="false">https://medium.com/p/2d0fbeeee058</guid>
            <dc:creator><![CDATA[Bruno Grillo]]></dc:creator>
            <pubDate>Sun, 25 May 2025 16:11:38 GMT</pubDate>
            <atom:updated>2025-05-25T16:11:38.819Z</atom:updated>
            <content:encoded><![CDATA[<p>En esta segunda entrega de la serie Inteligencia Artificial sin fórmulas (sí, copié la idea de <a href="https://eltamiz.com/">El Tamiz</a>, por si te perdiste la <a href="https://medium.com/@brunogrillo.dev/inteligencia-artificial-sin-f%C3%B3rmulas-redes-neuronales-3b5ff57a74ab">primera parte</a>, deberías empezar por allí), vamos a hablar de algo muy importante antes de entrar de lleno en la IA generativa: <strong>el procesamiento de lenguaje natural</strong>. Pero antes, el aviso:</p><blockquote>Aviso importante: Como dije anteriormente (y como siempre advertía el autor de las series “sin fórmulas” que estoy imitando), no esperes rigurosidad o precisión en estos artículos. Mi objetivo no es ser exacto, sino que sea entendible para el mayor número de personas posibles, incluso personas que <strong>no sepan nada</strong> de programación, probabilidad o estadística, etc. Si eres un profesional de esta materia, puede que esto no te guste, te ponga nervioso, quieras morderte las uñas o romper tu flamante nuevo monitor curvo, si crees que puede ser tu caso, no sigas, no me hago responsable.</blockquote><p>Y ahora sí, ¡vamos allá!</p><h3>¿Por qué es importante?</h3><p>Si recuerdas algo del primer artículo (<a href="https://medium.com/@brunogrillo.dev/inteligencia-artificial-sin-f%C3%B3rmulas-redes-neuronales-3b5ff57a74ab">Redes Neuronales</a>), contaba que los ordenadores son muy buenos recibiendo órdenes específicas pero, hasta hace muy poco, eran pésimos si intentabas <strong>hablar con ellos</strong>.</p><figure><img alt="GIF de Denholm diciendo ‘Hello computer’ a su ordenador, usando el ratón como micrófono" src="https://cdn-images-1.medium.com/max/400/1*4Uy1gBc8RNU9ocjJ08pImA.gif" /><figcaption><em>Denholm diciendo ‘Hello computer’ a su ordenador en una escena de The IT Crowd</em>.</figcaption></figure><p>Esto se debe a la propia naturaleza de la computación, ceros y unos, opciones finitas para cada acción que debe ser ejecutada. Sin embargo, <strong>nuestra forma de comunicarnos no es así</strong>, decimos lo mismo de muchas formas distintas, nos podemos equivocar, cambiar de estilo, utilizar la ironía o el sarcasmo… Hacer que las máquinas “hablaran humano” era muy complicado, por lo que históricamente hemos optado por otro camino más sencillo: <strong>hablar nosotros su idioma</strong>. Así hemos creado los lenguajes de programación, los comandos, las ventanitas con botones, etc. Eso nos permitió avanzar a toda velocidad en la <em>Era de la Información</em>.</p><p>Y así, durante décadas hemos generado cantidades gigantescas de datos, aplicaciones, páginas web, fotografías, redes sociales, correos electrónicos, trabajos académicos… Los sistemas de información se volvieron cada vez más grandes, complejos, con más y más archivos, que a su vez requerían nuevas herramientas y formas de explotarlos. Aquí es donde el <strong>procesamiento de lenguaje natural</strong> (PLN, o NLP en inglés) cobra especial importancia, sobre todo en el ámbito de la búsqueda de información. Si querías dar buenos resultados, no podías responder “como lo haría un ordenador”, necesitabas analizar los textos de forma <strong>humana</strong>: buscar palabras con significados similares, detectar y corregir errores en la escritura (“¿Quizás querías decir…?”), entender peticiones hechas de maneras distintas… Si los sistemas no <strong>entendían</strong> el lenguaje humano perdíamos información por el camino, dábamos respuestas incompletas o directamente equivocadas.</p><h3>¿Y si los ordenadores entendieran el lenguaje humano?</h3><p>Permitidme un pequeño inciso para una reflexión filosófica: ¿qué significa <em>entender</em> algo? Hay un famoso experimento mental propuesto por el filósofo John Searle llamado <a href="https://es.wikipedia.org/wiki/Habitaci%C3%B3n_china"><strong>la habitación china</strong></a>. La idea es más o menos así:</p><blockquote><em>Imagina que una persona que no sabe nada de chino está encerrada en una habitación. Le pasan mensajes escritos en chino por debajo de la puerta, y tiene un gran libro de instrucciones (en español) que le dice exactamente cómo responder a cada mensaje usando símbolos chinos. La persona, siguiendo las instrucciones del libro, es capaz de dar respuestas perfectamente correctas en chino, aunque no tenga ni idea de lo que está diciendo. Desde fuera, parece que “entiende” el idioma, pero en realidad solo sigue reglas mecánicas.</em></blockquote><p><strong>¿Y qué tiene que ver esto con la IA?</strong></p><p>Pues, en cierto modo, los grandes modelos de lenguaje (como <em>ChatGPT</em> o cualquier sistema moderno con capacidades de PLN) se parecen mucho a esa persona de la habitación china. No entienden el significado de las palabras como lo haría un humano, pero pueden generar respuestas sorprendentemente coherentes y útiles. Han aprendido <em>a imitar</em> cómo escribimos y hablamos, a detectar patrones, a corregir errores, a interpretar preguntas y a dar respuestas razonables en muchísimos contextos.</p><p>Como mencionaba en el artículo anterior de la serie, para conseguir esto, entra en juego el concepto de “vectorizar” el lenguaje, es decir, <strong>transformar palabras, frases y textos en números que un ordenador pueda procesar</strong>. Si las redes neuronales que vimos antes aprendían a distinguir colores, formas o sonidos, en este caso deben aprenden a “posicionar” palabras y frases en espacios de miles de dimensiones, donde las palabras con significados parecidos quedan cerca unas de otras, y las que no tienen nada que ver, muy lejos. Así es como los sistemas de PLN pueden, por ejemplo, saber que “perro” y “can” son casi lo mismo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*bAiBkcpu_T_rbkdspprnew.png" /><figcaption><em>Visualización de palabras médicas en un espacio vectorial, donde colores similares indican palabras usadas en contextos parecidos. Fuente: </em><a href="https://www.researchgate.net/figure/Example-words-embedded-in-the-vector-space-using-word-to-vector-modeling_fig6_303376372"><em>Research Gate</em></a></figcaption></figure><h3>De texto a números</h3><p>Si queremos transformar cualquier texto en algo que un ordenador pueda procesar y llegar a entender, lo primero es crear un algoritmo que transforme cualquier texto en números. Para conseguir esto, los sistemas de PLN primero dividen los textos en piezas individuales llamadas <strong>tokens</strong>. Un token puede ser una palabra, parte de una palabra, o incluso una letra.</p><p>Supongamos que “helado” es un token válido, pues esa palabra se traducirá en ese token. ¿Qué ocurrirá entonces con la palabra mal escrita <em>elado</em>? Supongamos que no existe como token. Pues el sistema la descompondrá en tokens existentes, por ejemplo, “e” y “lado”. El sistema siempre podrá descomponer cualquier texto en un número finito de tokens. Incluso 0l@ qu3 a$e?, en el peor de los casos, cada caracter será un token.</p><p>Como nuestro objetivo es simplificar, de aquí en adelante diré <strong>palabras</strong>, pero <strong>siempre</strong> me refiero a tokens. Esto es importante porque la palabra “elado” no existe, pero como hemos visto, <strong>sí existen sus tokens</strong>.</p><figure><img alt="Comparativa de las frases “Mi hija quiere algodón dulce.” y “Mi ija quiere algodon dulce.” descompuestas en tokens" src="https://cdn-images-1.medium.com/max/534/1*zuZNSc3QA9Pe9jkydS-XQA.png" /><figcaption><em>Ejemplo de frases descompuestas en tokens. Las palabras ija y algodon (sin tilde) no existen, pero se pueden representar a través de otros tokens.</em></figcaption></figure><p>La forma que tenemos de convertir cada palabra en números es similar a ubicarlas en un mapa, solo que no es un mapa plano, sino uno con muchísimas coordenadas, más de las que podemos imaginar. A este mapa se le llama <strong>espacio vectorial</strong>. Imagina que la coordenada “X” representa el significado literal, pues dos palabras con significado similar tendrán esa coordenada parecida. Si la coordenada “Y” representa la forma de escribir, pues “pato” y “gato” estarán cerca. La coordenada “Z” podría representar el tipo (sustantivo, adjetivo, verbo…), y así con muchas otras coordenadas, si se trata de objetos, animales, cosas grandes o pequeñas, etc.</p><figure><img alt="Gráfico 3D con ejes “wings”, “engine” y “sky”, mostrando palabras como “goose”, “eagle”, “bee”, “jet”, “helicopter”, “drone” y “rocket” como puntos conectados por líneas." src="https://cdn-images-1.medium.com/max/500/1*TsR5qUsdNoAJWbxAB4m1Rg.jpeg" /><figcaption><em>Espacio vectorial donde las palabras “helicóptero” y “dron” aparecen cerca unas de otras en el plano “motor” x “cielo”. Por otro lado, “avión (jet)”, también tiene valor en la coordenada “alas”, junto a “águila” o “ganso”.</em> Crédito: <a href="https://doi.org/10.58079/n4uj">Guillaume Desagulier</a>¹</figcaption></figure><p>De este modo ya podemos encontrar similitudes entre frases, corregir errores de escritura, cambiar una palabra por otra con significado parecido, realizar traducciones a otros idiomas. Estos sistemas estaban geniales, pero todavía cometían errores, como no saber distinguir entre un “banco” de un parque y una entidad financiera.</p><p>Y aquí es donde los <strong>transformers</strong> cambiaron todo: no solo colocan las palabras en este mapa de miles de dimensiones, sino que además entienden cómo cambian de significado según el contexto, algo que antes era imposible.</p><p><strong>La arquitectura transformer</strong> es de las grandes revoluciones de la inteligencia artificial de los últimos años: Lamentablemente, esto no tiene nada que ver con robots gigantes 😢 pero sí con un cambio de paradigma en la forma de procesar el lenguaje.</p><blockquote><strong><em>Un dato importante:</em></strong><em> Aunque muchos asocian esta arquitectura con OpenAI y ChatGPT, en realidad, la arquitectura transformer </em><a href="https://en.wikipedia.org/wiki/Attention_Is_All_You_Need"><em>fue inventada por Google en 2017</em></a><em>. Y no solo eso: Google fue el primero en aplicarla a gran escala en su buscador, mucho antes de que ChatGPT existiera, con un modelo llamado </em><strong><em>BERT</em></strong><em>. Así, empezaron a mejorar los resultados de búsqueda entendiendo mejor el contexto y el significado de nuestras preguntas.</em></blockquote><p>¿Y qué tiene de especial esta arquitectura? Hasta ese momento, las máquinas “leían” los textos de forma bastante limitada, palabra por palabra y casi sin mirar atrás. Los transformers, en cambio, permitieron a los sistemas mirar toda la frase (o incluso textos enormes) a la vez, fijándose en cómo las palabras se relacionan entre sí, independientemente de su posición, lo llamaron <strong>mecanismo de atención</strong>.</p><h3>“Atención es todo lo que necesitas”</h3><figure><img alt="Foto de una escultura de Óptimus Prime con un bocadillo que dice “Hazme casito”" src="https://cdn-images-1.medium.com/max/895/1*QrEV9KfdIe8gE_z94HZgyg.png" /><figcaption><em>Optimus Prime fue el primer transformer en busca de atención (menos mal que no me dedico a la comedia, ¿verdad?) </em><a href="https://www.pexels.com/"><em>Gracias Pexels</em></a></figcaption></figure><p>Un transformer es un tipo de red neuronal muy especial, diseñada para trabajar con secuencias (como los textos), y lo que lo hace tan potente es un mecanismo llamado <strong>mecanismo de atención</strong>. Básicamente, cuando el modelo procesa una frase, cada palabra “presta atención” a las demás, decidiendo cuáles son más importantes para ella en ese contexto.</p><p>Por ejemplo, si lees la frase “El gato de mi vecino duerme en el jardín”, para saber quién duerme, tienes que unir “gato” con “duerme”, ignorando todo lo del medio. Los transformers hacen exactamente eso, pero de forma automática y a una escala gigantesca. Veamos cómo lo hacen.</p><blockquote><strong><em>“El gato de mi vecino duerme en el jardín”</em></strong></blockquote><ul><li><strong>1. De texto a números</strong>: Primero, el modelo toma cada palabra y la transforma en un vector que representan su <strong>significado</strong>, <strong>forma</strong>, <strong>tipo</strong>, etc. Pero ojo: el modelo <strong>aún no sabe en qué orden están</strong> esas palabras.</li><li><strong>2. Añadir la posición</strong>: Para entender que &quot;El&quot; va primero, &quot;gato&quot; después, y así sucesivamente, el modelo añade a cada vector una especie de etiqueta que indica su <strong>posición en la frase</strong>. Así puede distinguir entre: &quot;el gato de mi vecino&quot; de &quot;el vecino de mi gato&quot;. Que suenan parecidas, pero no significan lo mismo.</li><li><strong>3. El mecanismo de atención</strong>: Aquí ocurre la magia. Cada palabra <strong>mira a todas las demás</strong> y decide <strong>a cuáles debe prestar más atención</strong> para entenderse mejor. Veamos un ejemplo:<br> <br>&quot;duerme&quot; se pregunta: <strong>&quot;¿Quién está durmiendo aquí?&quot;</strong><br>Entonces compara su significado con el de las demás palabras. ¿Y qué encuentra?<br>&quot;gato&quot; → tiene sentido, probablemente es el que duerme.<br>&quot;vecino&quot; → tiene sentido, a lo mejor es él quien duerme.<br>&quot;jardín&quot; → dice <em>dónde</em> duerme, también es relevante.<br>Gracias al paso 2 y al entrenamiento previo el modelo sabe que, en &quot;el gato de mi vecino&quot;, lo que está <strong>antes del “de” suele ser el sujeto</strong> . Así reparte su atención más o menos así:<br>Mucha atención a &quot;gato&quot;.<br>Algo de atención a &quot;vecino&quot; y &quot;jardín&quot;.<br>Menos a &quot;El&quot;, &quot;de&quot;, &quot;mi&quot;, etc...<br>Este reparto de atención es <strong>automático</strong> y ocurre en paralelo para <strong>todas las palabras de la frase</strong>. Es como si todas las palabras estuvieran en una mesa redonda hablando entre ellas.</li><li><strong>4. Reescribir los significados</strong>: Una vez que cada palabra ha “hablado” con las demás, su vector original se actualiza. <strong>Ahora tiene una mezcla de información relevante</strong> para entenderse en contexto. El nuevo vector de &quot;duerme&quot; ya sabe que el sujeto es &quot;el gato de mi vecino&quot;. El vector de &quot;gato&quot; ahora sabe que <strong>es de un vecino</strong>, y que &quot;duerme&quot;. El vector de &quot;jardín&quot; entiende que no está ahí por casualidad: es <strong>el lugar donde ocurre la acción</strong>.</li><li><strong>5. Repetir el proceso varias veces</strong>: Este proceso de atención y mezcla no pasa una sola vez, sino en <strong>varias capas</strong>. Cada vez que pasa, los significados se refinan más, como si la frase se releyera varias veces con mayor profundidad.</li></ul><p>Gracias a los transformers, el mapa se ha vuelto mucho más detallado, ahora tiene miles de coordenadas. Eso quiere decir que <strong>cada palabra individual</strong> está definida por, por ejemplo, unos 3.000 valores numéricos. No solo sabemos qué significa, cómo suena, de qué tipo es… Sabemos también su encaje con las demás palabras de la frase analizada.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/250/1*LhgyIESTI58f_5Hb8sCSFg.png" /><figcaption><em>Ilustración de una operación semántica. </em><a href="https://en.wikipedia.org/wiki/Word_embedding"><em>Fuente: Wikipedia</em></a></figcaption></figure><p>Permitir que los sistemas conocieran cómo se relacionaban las palabras en un contexto abría un mundo de posibilidades que hasta ese momento no era posible, como en el ejemplo de la imagen, ahora podíamos realizar “operaciones semánticas” como “obtener la capital de un país”.</p><p>Esta funcionalidad fue sumamente útil para mejorar los sistemas de traducción automática, el salto fue gigantesco. De hecho, los ingenieros de Google inventores de los transformers trabajaban en este campo (el de las traducciones), y poco después <a href="https://www.deepl.com/es/translator"><strong>DeepL</strong></a> sorprendió al mundo con traducciones casi perfectas. Los creadores del transformer también destacaron su potencial en tareas de responder preguntas y completar texto, lo que desembocaría en <strong>el “boom” de la inteligencia artificial generativa</strong>, que espero explicar más en detalle en otro artículo.</p><h3>Y entonces… ¿entienden las máquinas?</h3><p>Pues depende de a quién le preguntes. Si nos ponemos filosóficos, quizás no “entiendan” el lenguaje en el sentido humano, quizás nunca lo hagan exactamente como nosotros, como tampoco lo hacía la persona de la habitación china. Pero lo cierto es que para la mayoría de los efectos prácticos, la diferencia da un poco igual: Si no podemos distinguir entre una máquina que entiende y una que parece que entiende… ¿realmente importa?</p><p>Como dice la <a href="https://es.wikipedia.org/wiki/Arthur_C._Clarke">Tercera Ley de Clarke</a>:</p><blockquote><em>“Toda tecnología lo suficientemente avanzada es indistinguible de la magia.”</em></blockquote><p>¡Gracias por leerme!</p><p>👋</p><blockquote><strong>Aclaración:</strong> A los vectores numéricos que representan palabras, frases u otros elementos en el procesamiento de lenguaje natural se les llama <strong>embeddings</strong>. Existen dos tipos principales: los <strong>clásicos</strong>, donde cada palabra tiene un único vector fijo, y los <strong>contextuales</strong> (generados por modelos como los transformers), donde el vector de cada palabra cambia según el contexto en que aparece.</blockquote><p>Parece magia, ¡pero solo son matemáticas! Si quieres leer un poco más sobre esto:</p><ul><li><a href="https://research.google/blog/transformer-a-novel-neural-network-architecture-for-language-understanding/"><strong>Transformer: A Novel Neural Network Architecture for Language Understanding (2017)</strong></a> Publicación en Google Search introduciendo la arquitectura transformer, con enlace al paper “<a href="https://arxiv.org/abs/1706.03762">Attention Is All You Need</a>”.</li><li><a href="https://platform.openai.com/tokenizer"><strong>Tokenizer Playground de OpenAI</strong></a> — En este <em>playground</em> puedes ver cómo una palabra o frase se divide en tokens.</li><li><a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales"><strong>Procesamiento del Lenguaje Natural (Wikipedia)</strong></a> — Historia y dificultades en el procesamiento del lenguaje</li></ul><p>¹Imagen adaptada de: Guillaume Desagulier (2018), “Word embeddings: the (very) basics”. <a href="https://doi.org/10.58079/n4uj">Enlace</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2d0fbeeee058" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[IMHO: Europa no necesita desregular nada]]></title>
            <link>https://medium.com/@brunogrillo.dev/imho-europa-no-necesita-desregular-nada-01b921ea8bea?source=rss-7af2f4f7b227------2</link>
            <guid isPermaLink="false">https://medium.com/p/01b921ea8bea</guid>
            <category><![CDATA[imho]]></category>
            <category><![CDATA[politics]]></category>
            <dc:creator><![CDATA[Bruno Grillo]]></dc:creator>
            <pubDate>Mon, 24 Mar 2025 23:45:12 GMT</pubDate>
            <atom:updated>2025-03-25T07:08:32.662Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="Bandera de la UE dentro de una botella con tapón atado y Dragonite orgulloso en una esquina" src="https://cdn-images-1.medium.com/max/1024/1*ri2DVroGIzkBdC1rfs1-Cg.png" /><figcaption><em>Que no te despiste el meme, este es un artículo muy serio. </em><a href="https://www.pexels.com/es-es/foto/azul-movimiento-bandera-union-europea-12541596/"><em>Gracias Pexels</em></a><em>.</em></figcaption></figure><p>Como os decía, quería empezar este blog para hablar de tecnología, pero también de otras cosas, y esta vez quería escribir de política. Y quería empezar con una humilde opinión, una <em>unpopular opinion</em> quizás. En estos tiempos que corren (IA hasta en la sopa, USA amenazando con sus aranceles <a href="https://www.20minutos.es/internacional/vance-dice-que-trump-hara-que-tenga-que-hacer-con-groenlandia-sin-importarle-que-piensen-los-europeos-5693802/">y cosas peores</a>, China imponiéndose con el coche eléctrico, etc.), son muchas voces que dicen que Europa debe “desregularse”, que nuestro exceso de regulación es un lastre para la innovación, que mientras OpenAI y DeepSeek pelean por el último modelo de razonamiento súper plus, nosotros estamos atando los tapones a las botellas de plástico. Por no hablar de la productividad… ¿Cómo vamos a competir con las <a href="https://www.xataka.com/empresas-y-economia/elon-musk-ha-revelado-formula-exito-su-equipo-problema-salud-apenas-queda-tiempo-para-dormir-comer">120 horas semanales de Musk</a>, cuando tenemos a varios países europeos experimentando con la semana laboral de 4 días? ¡Y con más vacaciones y bajas por paternidad/maternidad!</p><blockquote>Aviso importante: Usaré Europa y Unión Europea indistintamente, porque sí, casi siempre refiriéndome a Unión Europea. Ya lo siento por británicos, suizos y noruegos.</blockquote><p>Bueno, amigos, pues <em>in my humble opinion</em>, no necesitamos desregular nada por una razón muy sencilla: <strong>vamos ganando</strong>.</p><p>A ver, no es que yo crea que esto sea un paraíso, ni mucho menos, ni que ya podamos tumbarnos y disfrutar porque no queda trabajo por hacer. En realidad, pienso que aún queda mucho por mejorar en Europa, pero desde luego, una de esas cosas <strong>no es deshacernos de nuestra regulación</strong>.</p><p>Para intentar convencerte de que esto es así, si es que hace falta, voy a enumerar algunos datos que respaldan mi afirmación. Así que allá vamos, justo después de esta broma de DeadPool sobre los daneses.</p><figure><img alt="DeadPool en la TVA, DeadPool &amp; Wolverine" src="https://cdn-images-1.medium.com/max/1024/1*3_StSvvV43ykAJ_DqQQ7EA.png" /><figcaption><em>“Yo soy más del tipo «una semana sí, una semana no». Creo que es lo que hacen en Dinamarca. Sabes, nunca verás una bandera danesa en la luna, pero… ¡maldita sea, </em><a href="https://datosmacro.expansion.com/demografia/indice-felicidad"><em>son felices</em></a><em>!” Quería colar este chiste de DeadPool &amp; Wolverine en algún lugar y no sabía cómo 😃</em></figcaption></figure><h3>¿Por qué Europa juega en otra liga?</h3><h3>1. Vivimos más y con más salud</h3><p>La <a href="https://datosmacro.expansion.com/demografia/esperanza-vida">población europea vive más años</a> que la estadounidense o la china; en muchos países europeos la diferencia supera los 5 años. Los europeos, en promedio, disfrutan de mejor salud y menor mortalidad por causas prevenibles. La sanidad pública y la prevención (vacunaciones, controles, etc.) han reducido drásticamente enfermedades que aún afectan a otras regiones. La mortalidad infantil en Europa también es de las más bajas del mundo, y Europa logró altas tasas de vacunación y cobertura sanitaria incluso durante la pandemia. La regulación y la inversión en salud han dado fruto: los europeos no solo viven más, sino con más años de buena salud que los ciudadanos de EE.UU.</p><p>Un indicador contundente es la mortalidad materna: Estados Unidos tiene la tasa más alta entre naciones desarrolladas, con 17 muertes por 100.000 nacimientos (2018), mientras en países de Europa occidental como Noruega, los Países Bajos o Alemania <a href="https://www.commonwealthfund.org/publications/issue-briefs/2020/nov/maternal-mortality-maternity-care-us-compared-10-countries">ronda 3 muertes por 100.000​</a>. Eso supone que dar a luz en EE.UU. conlleva un riesgo de muerte hasta cinco veces mayor que en Europa.</p><h3>2. Protección social y pensiones</h3><p>Europa cuenta con los estados de bienestar más extensos del planeta. <a href="https://elordenmundial.com/mapas-y-graficos/gasto-social-pib-ocde/">Muchos países de la UE destinan más del 25% de su PIB al gasto social</a>, con casos como Francia superando el 30%. Eso significa salud, educación, pensiones y ayudas sociales. Y si alguno piensa que esto es un lastre, lo siento mucho, no está en mi equipo.</p><p>Mientras algunos se mueren por no poder pagar un tratamiento de cáncer, se <a href="https://www.bbc.com/mundo/noticias-51540091">endeuda con hasta 1 millón de dólares para pagarse una carrera</a> o tienen a <a href="https://www.capitalradio.es/programas/mercado-abierto/jubilacion-casi-53-millones-estadounidenses-viven-pobreza_123882966.html">1 de cada 10 mayores de 65 años viviendo en la pobreza</a>, todo esto en el “país más rico del mundo”, los europeos gozamos de sistemas públicos que cubren prácticamente toda la población en lo verdaderamente importante: salud, educación y pensiones. ¿Mejorable? Por supuesto, pero ganamos de calle.</p><h3>3. Seguridad y protección al consumidor y usuario</h3><figure><img alt="Portada de un vídeo de Youtube comparando la Fanta Naranja americana con la estadunidense" src="https://cdn-images-1.medium.com/max/1024/1*ztb6YxjWBYzTJhcgnFciiw.jpeg" /><figcaption><em>Hay miles de vídeos y artículos comparando las Fantas americanas y europeas, un asunto que se viralizó hace algunos años. La versión europea contiene zumo de naranja, la americana no, en su lugar contiene más del doble de azúcar entre otras sustancias prohibidas en la UE. Imagen de </em><a href="https://www.youtube.com/watch?v=_yjl2UChV5c"><em>este video</em></a><em>.</em></figcaption></figure><p>Los alimentos y bienes de consumo en Europa se producen bajo normas de seguridad y calidad muy estrictas, mucho mayores que en Estados Unidos o China. La UE prohíbe o limita numerosos aditivos alimentarios vinculados a riesgos de cáncer <a href="https://www.lavanguardia.com/vida/20181228/453793040884/los-alimentos-en-eeuu-son-menos-seguros-que-en-europa-segun-new-york-times.html#:~:text=Nueva%20York%2C%2028%20dic%20%28EFE%29.,galletas%2C%20refrescos%20y%20alimentos%20procesados">que en EE.UU. aún se usan en productos comunes</a>. ¿Esto hay que desregular?</p><p>Las regulaciones europeas en ámbitos como la seguridad de los automóviles, la calidad del aire o la protección de los trabajadores se encuentran entre las más exigentes del mundo, y <a href="https://www.euroncap.com/en/press-media/press-releases/euro-ncap-marks-20th-anniversary-of-life-saving-crash-tests/">han salvado innumerables vidas</a>. La UE se ha destacado por proteger a los ciudadanos y usuarios de tecnología: Un ejemplo emblemático es el Reglamento General de Protección de Datos (GDPR), que se ha convertido en el estándar global de privacidad. Este marco ha inspirado a decenas de países a aprobar leyes similares — <a href="https://gdprlocal.com/global-data-protection-regulation-how-gdpr-sets-the-international-standard/#:~:text=We%E2%80%99ve%20seen%20a%20significant%20shift,principles%20in%20their%20own%20legislation">desde Brasil hasta Japón o incluso China</a>, y la más reciente ley de Cookies.</p><p>Gracias al <em>“lastre”</em> regulatorio europeo <strong>disfrutamos</strong> de llamadas y datos <em>roaming</em> sin coste extra cuando viajamos por Europa, <a href="https://www.xataka.com/basics/transferencias-inmediatas-gratis-bancos-que-ha-cambiado-diferencias-bizum">transferencias bancarias inmediatas gratuitas desde este año</a>, 3 años de garantía legal sobre los productos que adquirimos — que además deben ofrecer piezas para reparación durante 10 años — , un puerto USB C común para todos nuestros dispositivos, y en breve el <a href="https://www.xatakamovil.com/aplicaciones/mes-medio-whatsapp-tiene-que-abrir-sus-chats-a-otras-apps-hara-forma-inspirada-posible">fin del monopolio de Whatsapp</a>. Es que gracias a la UE vas a poder <a href="https://www.xataka.com/moviles/ue-abre-iphone-a-fuerza-modelo-europeo-nunca-volvera-a-ser">conectar tu iPhone a accesorios de otras marcas</a>, ¿qué locura verdad? 😏</p><p><em>Qué queréis que os diga, a mí dadme todas las botellas con tapa atada que queráis.</em></p><h3>4. Transición ecológica y energía limpia</h3><p>La UE es pionera en la lucha contra el cambio climático y en la adopción de energías renovables. Europa se ha fijado por ley ser climáticamente neutra en 2050 y ya en 2020 <a href="https://cordis.europa.eu/article/id/428997-in-a-first-the-eu-produced-more-energy-from-renewables-than-fossil-fuels-in-2020/es">las energías renovables superaban los combustibles fósiles en la generación eléctrica</a>, ninguna otra gran potencia ha alcanzado aún esa transición. Resulta que <a href="https://mapasmilhaud.com/mapas-de-datos/mapa-de-la-energia-solar-por-pais-2021/">9 de los 10 países con mayor porcentaje de producción de energía solar y eólica son europeos</a>.</p><p>Por otro lado, Europa ha reducido sus emisiones de CO₂ <a href="https://www.retema.es/actualidad/las-emisiones-de-gases-de-efecto-invernadero-en-la-ue-han-disminuido-un-30-entre-1990-y">aproximadamente un 30% desde 1990</a>, cumpliendo con los objetivos de Kioto y París, <a href="https://rhg.com/research/preliminary-us-greenhouse-gas-estimates-for-2024/">mientras EE.UU. apenas empieza a recortarlas tras décadas de aumentos</a>, y China — aunque invierte masivamente en renovables — aún tiene emisiones crecientes.</p><p><a href="https://www.eldiario.es/economia/europa-gana-pulso-competitivo-eeuu-capital-tecnologico-energias-renovables_1_11551648.html#:~:text=%E2%80%9CEuropa%20lidera%20la%20acumulaci%C3%B3n%20de,por%20expertos%20del%20Instituto%20Bruegel">La UE lidera en captación de inversiones tecnológicas para la eliminación de la huella de carbono</a>, lo que también impulsa la economía. Estos avances demuestran que se puede crecer y, a la vez, descarbonizar: Europa ha desacoplado su crecimiento económico de las emisiones, algo posible gracias a políticas ambientales ambiciosas, y no a pesar de ellas.</p><h3>5. Reducción de la desigualdad</h3><p>Europa también sobresale por tener una distribución de la renta más equitativa en comparación con EE.UU. o China. El coeficiente de Gini en la UE es de apenas <a href="https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Living_conditions_in_Europe_-_income_distribution_and_income_inequality#:~:text=,6%29%2C%20Slovenia">29,6</a>​, indicando menor desigualdad, mientras que en Estados Unidos <a href="https://datosmacro.expansion.com/demografia/indice-gini">supera los 41 puntos​</a> (uno de los más altos entre economías avanzadas). China, por su parte, tras años de desigualdad creciente, ha reducido su Gini a 35,7, aunque sigue estando por encima del nivel europeo.</p><p>Esta menor brecha entre ricos y pobres en Europa se traduce en sociedades más cohesionadas y con menos problemas sociales, y la movilidad social (probabilidad de que alguien de origen humilde prospere) tiende a ser mayor en países nórdicos o centroeuropeos que en Norteamérica. Además, la pobreza infantil también es marcadamente menor en muchos países europeos gracias a las prestaciones familiares y ayudas a la crianza.</p><p>Todo esto demuestra que la competitividad no requiere tolerar altos niveles de desigualdad. Europa, con todos sus matices internos, ha logrado combinar economías eficientes con sociedades más igualitarias que la media global. Lejos de ser un problema, las políticas redistributivas y regulaciones laborales (salarios mínimos, negociación colectiva, vacaciones pagadas, etc.) han contribuido a un crecimiento inclusivo.</p><h3>Entonces, ¿no tenemos que hacer nada?</h3><p>Por supuesto, el hecho de que Europa lidere en esos terrenos no implica que deba quedarse inmóvil. Hay <strong>retos importantes pendientes</strong>, pero mi tesis es que podemos — y, sobre todo, debemos — afrontarlos sin desmontar nuestro modelo, sino más bien fortaleciendo lo que mejor hacemos los ciudadanos europeos: <strong>cuidarnos</strong>.</p><p>Si Europa ya ha superado al mundo en salud, esperanza de vida, protección social y ecología, ahora queda hacerlo en <strong>educación y productividad</strong> (<a href="https://www.lemonde.fr/idees/article/2025/02/15/thomas-piketty-le-national-capitalisme-trumpiste-aime-etaler-sa-force-mais-il-est-en-realite-fragile-et-aux-abois_6547427_3232.html?lmd_medium=al&amp;lmd_campaign=envoye-par-appli&amp;lmd_creation=ios&amp;lmd_source=mail">como escribió Piketty recientemente en un artículo en Le Monde</a>). Y para ello (nuevamente IMHO) necesitamos:</p><ul><li><strong>Impulso de la I+D y la tecnología propia</strong>: En la carrera tecnológica global, la UE invierte proporcionalmente menos en investigación que sus rivales. Esto se refleja en menor desarrollo de industrias punta (digital, biotecnología, inteligencia artificial), donde dominan empresas estadounidenses y cada vez más chinas. Europa necesita destinar más recursos públicos y privados a innovación, favorecer el emprendimiento tecnológico y retener talento científico.<br>Quiero aclarar en este punto que en lo que sí estoy de acuerdo es en que deberíamos simplificar y “desburocratizar” muchas cosas. En resumen, más inversión y mejor marco para la innovación, manteniendo nuestros valores.</li><li><strong>Crisis de acceso a la vivienda y especulación inmobiliaria</strong>: Qué os voy a contar. Salvo que estés en el otro lado de este problema estarás de acuerdo conmigo en que es absurdo <a href="https://elordenmundial.com/mapas-y-graficos/fin-vivienda-asequible-europa-precios-salarios">que el precio de la vivienda haya subido más rápido que los salarios en 19 de 25 países de la UE</a>. Y este asunto es un tema que me pone de los nervios, porque no entiendo en absoluto el valor que aporta el negocio inmobiliario a la sociedad (y moriré en esa colina). Y aquí es donde <strong>más regulación</strong> (y no menos) puede ser la solución, necesitamos políticos valientes que se atrevan a enfrentar el monstruo de la <strong>especulación</strong> inmobiliaria, algo que, hasta ahora, solo hemos visto a pequeña escala en algunos municipios.</li><li><strong>Protagonismo europeo en cooperación y desarrollo internacional</strong> Europa y sus Estados miembros aportan un 43% de toda la ayuda oficial al desarrollo mundial (<a href="https://www.consilium.europa.eu/es/press/press-releases/2022/07/18/official-development-assistance-the-eu-and-its-member-states-remain-the-biggest-global-provider/">70.200 millones de euros en 2021</a>).​ Sin embargo, en los últimos años la influencia europea en regiones como África, América Latina o el sudeste asiático parece haberse estancado o retrocedido, en parte eclipsada por la expansión china y por la renovada competición geopolítica de EE.UU.<br>Recuperar protagonismo significa proyectar el modelo europeo de derechos humanos, estado de derecho y economía social de mercado como una opción atractiva frente a otros modelos.</li><li><strong>Blindar derechos y libertades de sus ciudadanos</strong> Ante la creciente amenaza de gobiernos extremistas que buscan <a href="https://elpais.com/internacional/2025-03-17/orban-prohibe-por-ley-la-marcha-del-orgullo-lgtbi-en-hungria.html">recortar libertades fundamentales</a>, Europa debe erguirse con fuerza y convicción. Es necesario establecer políticas que blindan, sin concesiones, los derechos de las mujeres y de la comunidad LGTBI en cada rincón del continente. No podemos permitir que se pretenda relegar a ningún ciudadano a una segunda categoría por razón de raza, género u orientación sexual. Si algunos insisten en retroceder hacia modelos autoritarios, la Unión Europea debería responder demostrando que el respeto a los derechos fundamentales es innegociable.</li></ul><p><strong>En resumen</strong>, Europa puede seguir ganando sin perder su alma. Al final, el éxito no se mide solo en PIB, sino en el bienestar de las personas y en la sostenibilidad a largo plazo: ahí es donde el modelo europeo ya ha ganado y donde debe seguir avanzando.</p><p>¡Gracias por leerme!</p><p>👋</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=01b921ea8bea" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>