El nuevo paradigma de a16z: “Observar-actuar” en lugar de “pregunta-respuesta”

El 13 de mayo de 2026, Kenan Saleh, socio del programa Speedrun de la firma de capital de riesgo a16z, publicó un extenso artículo en redes sociales titulado “Proactive AI Agents” (Agentes de IA Proactivos), donde presentó una predicción clave sobre la futura evolución de los productos de IA. Sostiene que los productos de IA actuales siguen un modelo de interacción pasiva de “pregunta → respuesta” (ask → answer), cuyo valor es limitado. La próxima generación de productos de IA se moverá hacia un paradigma proactivo de “observar → actuar” (observe → act).

Este nuevo paradigma se manifiesta de la siguiente manera: el modelo de IA monitoreará continuamente en segundo plano las diversas herramientas y flujos de datos a los que el usuario le haya dado acceso, predecirá las necesidades potenciales del usuario basándose en la comprensión del contexto y tomará medidas antes de recibir una instrucción explícita. Saleh señala que esto provocará una inversión fundamental en la relación entre humanos y modelos, pasando de “el usuario le indica al modelo” a “el modelo le indica al usuario”. Cita varios casos de uso, como un agente inteligente que recuerda proactivamente al usuario tareas olvidadas o que completa automáticamente la reparación de un sistema y envía el código antes de que un cliente informe del problema. Esta perspectiva ha captado una gran atención en la industria; la proporción de guardados/me gusta de su publicación alcanzó un 0.84, muy por encima del promedio, lo que demuestra su valor como material de referencia. Al mismo tiempo, Saleh aprovechó la ocasión para promocionar el programa acelerador Speedrun de a16z, dejando claro que la institución está siguiendo de cerca este sector.

Cinco grandes desafíos de ingeniería y ética: El abismo entre “proactivo” y “viable”

Aunque la visión de Kenan Saleh marca una dirección, en los comentarios a su publicación, un gran número de ingenieros y emprendedores señalaron los cinco desafíos principales para llevar esta idea a la práctica:

Definición del contrato de permisos: ¿Dónde están los límites del permiso que el usuario otorga a la IA para “observar” y “actuar”? Salman Ahmed señala que un agente de IA útil debe tener la capacidad de discernir qué intensidad de señal es suficiente para desencadenar una acción, qué estados del sistema pueden modificarse y cuándo debe detenerse para solicitar la aprobación humana. Sin un “contrato de permisos” claro, la “proactividad” de la IA podría convertirse fácilmente en una “sorpresa desagradable” para el usuario.
Fallas en cascada por la colaboración de múltiples agentes: Cuando varios agentes de IA operan en el mismo entorno, ¿cómo se puede evitar una “explosión en cadena”? Aleksandr Protsiuk compartió la experiencia de su equipo, que pasó meses depurando fallas en cascada: la observación de un agente provocó que otros tres actuaran simultáneamente, lo que llevó al colapso del sistema. Este es un problema clásico en los sistemas distribuidos, pero aún no existen mecanismos maduros de coordinación y gestión de estado en la arquitectura de agentes de IA.
La viabilidad económica del consumo de tokens: El monitoreo continuo en segundo plano implica llamadas a la API y consumo de tokens constantes. Sergei Telitsyn mencionó que tales sistemas pueden agotar las cuotas de suscripción más altas en cuestión de días. Con el modelo de precios actual de los grandes modelos de lenguaje, el costo de la “IA proactiva” es elevado, y su aplicación práctica podría limitarse a escenarios de alto valor como las transacciones financieras o la gestión de TI empresarial, siendo difícil de popularizar en productos de consumo general.
La contradicción entre privacidad de datos y monitoreo: “Observar continuamente el contexto del usuario” es, en esencia, un monitoreo constante. El comentarista Rakib All Hasan expresó su preocupación por la protección de la privacidad. Si un producto carece de políticas de tratamiento de datos transparentes, controles de privacidad estrictos y límites de datos claros, será difícil ganarse la confianza del usuario y cumplir con los requisitos regulatorios.
Auditabilidad y trazabilidad de las acciones: Después de que un agente de IA realiza una acción, ¿cómo se puede demostrar la corrección y el cumplimiento de su comportamiento? Matt Stack propuso un marco complementario: “observar → actuar → probar” (observe → act → proof). Argumenta que los registros y las capturas de pantalla no son suficientes; el sistema debe proporcionar recibos de estado, registros de los límites de permisos, rutas de reversión y divulgación selectiva de información para garantizar que la autonomía de la IA no se convierta en una “capa de ejecución de caja negra” opaca, lo cual es especialmente crucial para las aplicaciones empresariales.

Rutas técnicas de referencia: Buscando el equilibrio entre complejidad y practicidad

A pesar de los desafíos, ya han surgido en la industria algunos marcos técnicos y consensos para la construcción de agentes de IA, que sirven como puntos de referencia para la implementación de la “IA proactiva”.

Primero, está la filosofía de ingeniería de Anthropic. En su artículo de blog de diciembre de 2024, “Building Effective Agents”, la compañía concluyó que las implementaciones más exitosas de agentes de IA a menudo utilizan patrones de diseño simples y componibles en lugar de marcos excesivamente complejos. Anthropic divide los sistemas de agentes en dos categorías: una es Workflow, donde el LLM y las herramientas siguen una ruta de código predefinida para ejecutar tareas; la otra es Agent, donde el LLM puede decidir dinámicamente el flujo de ejecución y las herramientas a utilizar. Recomiendan a los desarrolladores comenzar con la solución más simple y solo aumentar la complejidad y la autonomía del sistema cuando sea necesario. Este principio es una guía importante para los sistemas de “IA proactiva”, que ya son inherentemente muy complejos.

En segundo lugar, está la guía “12-Factor Agents” de HumanLayer. Este proyecto, con casi 20,000 estrellas en GitHub, señala con frialdad que muchos productos que se autodenominan “AI Agent” no tienen una fuerte cualidad “agéntica”. Su núcleo suele ser código determinista, que simplemente incorpora llamadas a un LLM en puntos clave para crear una experiencia “mágica”. Este juicio recuerda a los emprendedores que, bajo la narrativa de la “IA proactiva”, es necesario distinguir entre la verdadera capacidad de decisión autónoma y las tareas automatizadas cuidadosamente empaquetadas.

Primeros adoptantes y panorama del ecosistema

Kenan Saleh mencionó en su publicación dos productos pioneros, OpenClaw y Poke, que representan exploraciones en diferentes direcciones de la “IA proactiva”.

OpenClaw: Una puerta de enlace de IA de código abierto y autoalojable, cuya característica principal es una “memoria continua”, es decir, mantiene el contexto 24/7 en segundo plano. Sus casos de uso se inclinan hacia desarrolladores y usuarios avanzados, por ejemplo, mediante la integración con Claude, para realizar tareas altamente autónomas como ejecutar automáticamente pruebas de aplicaciones, capturar errores, generar soluciones de reparación y enviar solicitudes de extracción de código (PR).
Poke: Un asistente de IA por SMS orientado al consumidor. A través de su función de “Recetas” (Recipes) preestablecidas, realiza tareas como recordatorios para beber agua o enviar el horóscopo diario. Aunque estas funciones son proactivas, su naturaleza es más cercana a un activador programado (similar a cron) y todavía dista del paradigma descrito por Saleh, basado en la observación del contexto en tiempo real y la toma de decisiones dinámicas.

Además, en la sección de comentarios surgieron al menos 15 equipos de startups de diferentes campos, promocionando productos con la etiqueta de “IA proactiva” que abarcan operaciones empresariales (Collabute, Pepper), finanzas (MESHH, Margin), herramientas para desarrolladores (Skillfully.sh, BlazeApp) y sectores verticales como la restauración y la creación de contenido. Esto demuestra que la idea de “observar-actuar” ya se ha extendido ampliamente en el ecosistema emprendedor.

Conclusión: Del concepto a la realidad, la ventaja competitiva está en “observar”, no en “actuar”

Aunque la idea de la “IA proactiva” es emocionante, todavía hay un largo camino por recorrer desde el concepto hasta un producto fiable. El analista de la industria gwei intern lo expresó sin rodeos: “La calidad de la capacidad de observación es la ventaja competitiva; la calidad de la capacidad de acción es solo para la demostración”. Esto significa que la principal competencia de un agente de IA reside en su capacidad para “entender” con precisión qué situaciones merecen una acción, y no simplemente en ejecutar acciones. Además, construir una representación unificada del usuario (a continuous representation of the human) que pueda rastrear y comprender de forma continua a través de sistemas y plataformas, es un prerrequisito oculto para lograr una “IA proactiva” verdaderamente eficaz.

Con la popularización de este tipo de productos de IA, el papel de los humanos en el flujo de trabajo también pasará de ser “ejecutores” a “árbitros”, es decir, de gestionar entradas específicas a gestionar la “capa de juicio” de la IA. Actualmente, el enfoque más práctico podría ser el mecanismo de puntuación de riesgo propuesto por Brian Sparker: establecer umbrales de riesgo para las acciones autónomas de la IA, y solo requerir la aprobación explícita de un humano cuando la confianza de la acción o su impacto potencial superen un umbral preestablecido.

En resumen, Kenan Saleh, socio de a16z, ha trazado claramente la hoja de ruta evolutiva de los productos de IA, desde la “pregunta-respuesta” hasta la “acción”. La demanda ya existe, la oferta está emergiendo, y la clave para cerrar la brecha entre ambas radica en construir una infraestructura de ingeniería sólida y mecanismos de confianza fiables.