«Simplemente no nos daba tiempo a lanzar una función nueva antes de que saliera el siguiente modelo y volviera nuestro desarrollo completamente inútil. Por eso tiramos código terminado todo el tiempo». Con esa confesión arrancó Aaron Levie, director ejecutivo de la plataforma en la nube Box, su charla con Matthew Berman en la conferencia BoxWorks 2026. Reúnes a un equipo, pasas tres meses levantando una lógica compleja y, una semana antes del lanzamiento, aparece una actualización de la red neuronal base que resuelve la tarea de serie, mandando todo tu módulo directo a la papelera.
Ahí surge la pregunta inevitable: ¿cómo se diseña software si una nueva versión de un modelo puede dejar obsoletos meses de programación a medida en cuestión de segundos? La respuesta a la que llegaron en Box —y que llevó las acciones de la compañía a máximos históricos el día de los anuncios— cambia la forma de mirar los productos tecnológicos: el valor del software está migrando del código de aplicación y las pantallas de interfaz hacia el contexto estructurado de datos de la empresa, mientras que el propio código y los botones pasan a ser un material fungible temporal.
Dos pisos del nuevo software: agentes intercambiables y cimiento de datos reales
Hace dos años, el CEO de Microsoft, Satya Nadella, predijo que todo el software se partiría en dos capas básicas: arriba quedaría la capa móvil de los agentes de IA (Systems of Intelligence), y abajo el cimiento del contexto de datos reales (Ground Truth Context). Según la estimación del CEO de NVIDIA, Jensen Huang, que Levie toma como referencia, pronto habrá entre 10 y 100 asistentes digitales por cada empleado, lo que supone entre 30 000 y 50 000 millones de agentes autónomos en la economía mundial.
Seguro que piensas: «¡Genial, metamos todos los archivos de la empresa en una sola base y soltemos allí a los bots!». A mí también se me pasó por la cabeza, pero en la práctica un vertedero de archivos sin clasificar (data dump) lleva al desastre. Imagina a cien becarios veloces dentro de un archivo donde andan tirados por el suelo, sin carpetas ni cerraduras, borradores de contratos antiguos, tarifas vigentes y nóminas. El primer becario cogerá cifras de un borrador caducado o reenviará los sueldos de media plantilla al departamento comercial.
Por eso la planta inferior de la arquitectura —los sistemas de registro modernizados (Systems of Record)— se convierte en el verdadero centro de gravedad. El repositorio debe garantizar cuatro condiciones:
- Permisos granulares (RBAC y ABAC): el agente solo ve las carpetas y archivos a los que tiene acceso el empleado que lo lanzó;
- Metadatos y enrutamiento: un etiquetado claro para que el algoritmo sepa dónde buscar una normativa sin leer gigabytes de archivos a ciegas;
- Sandboxing y auditoría: aislamiento estricto de las acciones y un registro inmutable de operaciones;
- Arquitectura sin pantalla (API-first): igual que hace 15 años Jeff Bezos pasó Amazon a interfaces programáticas, hoy hay que asumir que en la mayoría de los casos ninguna persona verá tu pantalla; los agentes operan directo con el sistema mediante esquemas rápidos de datos. Ya contamos cómo se vence la inercia de los sistemas heredados en el análisis de la metodología de implantación de agentes de IA en entornos enterprise.
La lección amarga en el desarrollo de producto: cómo 30 segundos de un agente sustituyen dos días frente a la pizarra
Hace entre seis y nueve meses, un ingeniero de Box hizo un experimento interno: conectó un modelo de lenguaje puntero a su constructor de procesos y le pidió diseñar una aplicación empresarial completa. El agente armó desde cero en 30 segundos la arquitectura de un flujo que normalmente costaba a los clientes dos días enteros frente a la pizarra y semanas de integraciones manuales entre tres o cinco servicios distintos.
Tomemos un caso real del departamento jurídico de una aseguradora que procesa 5000 contratos de reaseguro al mes. Antes, automatizar el cotejo de esos papeles exigía medio año de desarrollo a medida de un parser por cientos de miles de dólares. Ahora, en el entorno Box Architect presentado en BoxWorks 2026, el abogado escribe en lenguaje corriente: «Compara los límites de responsabilidad del anexo B con la póliza base y separa las discrepancias en un registro aparte». Un modelo insignia (Claude Opus, Fable o Astra) monta todo el pipeline en medio minuto y luego optimiza por sí solo la ruta analizando los fallos. Un enfoque similar en atención al cliente están impulsando Decagon, Sierra y Fin, donde un agente especializado ayuda al director de operaciones a construir bots específicos.
El propio Aaron Levie, con un punto de ironía, llama a esto asumir la «lección amarga» (guiño al ensayo The Bitter Lesson de Rich Sutton sobre la victoria de la computación general frente a las heurísticas escritas a mano). Un equipo puede pasar tres meses programando un complejo entramado para llamadas a herramientas (scaffolding), pero el salto de los modelos en manejo del ordenador (computer use) y lógica de negocio —como confirman benchmarks como GDP Val— deja todo ese código obsoleto antes incluso de salir a producción. Dentro de la empresa solo merece la pena construir los raíles duraderos de seguridad y gobierno del dato, y desechar sin remordimientos los añadidos temporales conforme crecen los modelos base.
Archivos no estructurados e índice NVIDIA Nemotron: por qué gana quien domina el contexto
Cuando el código deja de ser una barrera defensiva, la ventaja competitiva se traslada a los datos no estructurados. Entre el 80 y el 90% del conocimiento crítico de una compañía no vive en tablas SQL, sino en contratos, presentaciones, planos CAD e informes financieros.
Según la previsión de Levie, dentro de tres años cada evento digital de una empresa tendrá asignado un grupo de 1, 3, 5 o 10 agentes: en ventas actualizarán al vuelo la ficha del cliente y sus prioridades de compra; en ciberseguridad revisarán cada acceso sospechoso y cada push de código en simulaciones; y en logística procesarán automáticamente facturas y contratos de proveedores para el ERP. Para que este engranaje funcione, los datos deben fluir con seguridad hacia donde ocurre el trabajo: Salesforce, SAP, Oracle, ChatGPT o Claude. Tienes más detalles sobre cómo enlazar bases de conocimiento con modelos en la guía para elegir entre bots de guion, RAG y agentes.
Eso sí, si decenas de agentes cargaran PDFs pesados enteros en la ventana de contexto con cada consulta, la empresa se arruinaría en latencia y tokens. Por eso Box presentó junto a NVIDIA el motor Box Context Retrieval basado en modelos Nemotron (en la edición Enterprise Advanced). El sistema indexa y clasifica el archivo por adelantado, entregando al agente por API únicamente los fragmentos relevantes (chunks) con enlaces exactos a la página del documento original (provenance tracking) para frenar las alucinaciones.
- Separa los perímetros de acceso: no amontones contratos, contabilidad y plantillas públicas en una misma carpeta sin metadatos ni control de permisos.
- Exige citas a la página: configura la búsqueda para que la IA respalde cada cifra de un informe con el enlace a la hoja exacta del documento.
- Mantén neutralidad multimodelo: guarda las instrucciones en formatos abiertos para cambiar de modelo sin reescribir tus integraciones.
La ecuación del director financiero: suscripciones de $30 frente a facturas impredecibles de tokens
Con toda su velocidad, la automatización con agentes tiene un reverso financiero. La plantilla humana siempre es finita, mientras que la capacidad de cómputo puede escalar al tamaño de centros de datos: una farmacéutica puede volcar recursos de IA a simular moléculas y acelerar un fármaco. Pero el precio de esa potencia es perder veinte años de previsibilidad presupuestaria.
El SaaS clásico se apoyaba en una cuota fija por puesto de trabajo (digamos, $30 al mes por empleado). En un mundo donde el consumo de tokens se multiplicará por 1000 en tres años, resulta imposible calcular de antemano el coste de una tarea, algo que pone los pelos de punta a los directores financieros (CFO). Si se arrojan tokens a ciegas sobre un problema (token maxing), un prompt impreciso mete a los agentes en un bucle infinito que quema el presupuesto en un fin de semana, y depender de un par de laboratorios cerrados amenaza con concentrar demasiado poder en el mercado.
Tres mecanismos prácticos ayudan a mantener el equilibrio:
- Tarificación híbrida: conservar una suscripción predecible por usuario humano más cuotas limitadas para el consumo variable de tokens de los agentes, de forma parecida a los presupuestos de marketing.
- Pesos abiertos (open weights) como válvula de escape: igual que a partir de 2005–2006 las bases de datos open-source gratuitas crecieron en paralelo al despegue de Oracle hasta los 300 000 millones de dólares, hoy los modelos abiertos y los cerrados se refuerzan mutuamente. Los modelos abiertos (como
Muse Spark) van apenas 3–6 meses por detrás de los gigantes propietarios y resuelven por céntimos hasta el 80% de los tickets de TI habituales y comprobaciones rutinarias. - Enrutamiento en cascada y ajuste fino: cuando el análisis masivo de fraude en transacciones corre sobre modelos abiertos baratos o ajustados con datos propios (vía Trajectory, Prime Intellect, Applied Compute, Fireworks, Baseten o EnGram), la empresa ahorra presupuesto para reservar los caros modelos insignia de OpenAI y Anthropic como planificadores principales.
Al final, estar dispuesto a tirar código obsoleto sin pena y reordenar el archivo documental no se hace para presumir de automatización en un informe. Cuando cotejar cinco mil contratos pasa de dos días frente a la pizarra a treinta segundos, la tecnología deja de exigirnos mantenimiento infinito de hojas y formularios. Todo ese cimiento de datos y ese enjambre de asistentes existen para algo muy simple: devolvernos tranquilidad y tiempo libre para pensar con claridad, tener ideas valientes y conversar de verdad.

