Agentes IA y Automatización: RAG, Flujos y Guías

En noviembre de 2024 Anthropic publicó discretamente una pequeña especificación llamada MCP (Model Context Protocol). Dieciséis meses más tarde, las descargas mensuales del SDK pasaron de 2 millones a 97 millones (+4.750 %), OpenAI / Google / Microsoft / AWS lo adoptaron y, en diciembre de 2025, Anthropic donó la titularidad a la Linux Foundation. Este artículo cubre la historia de los 16 meses, la arquitectura (Cliente / Servidor / Transporte sobre JSON-RPC 2.0), cinco servidores MCP que puedes usar hoy (filesystem / github / postgres / slack / fetch), la implementación mínima en 30 líneas de Python, las razones por las que MCP «ganó» (especificación delgada, código abierto temprano, administración de la Linux Foundation), las trampas y críticas (riesgo de seguridad, inyección de prompt, la tentación de «todo es MCP»), y lo que viene a continuación. Mi opinión honesta: MCP es la infraestructura más importante de la segunda mitad de los años 2020, al mismo nivel que HTTP, OAuth y WebSocket.

Las facturas de IA se inflan porque los tokens de salida cuestan 5-6× más que los de entrada, el contexto se reenvía completo en cada turno y los subagentes se disparan varias veces entre bambalinas. Este artículo muestra cómo combinar «tres palancas» — prompt caching (-60 a 90 %), selección de modelo (-50 a 80 %) y presupuesto de salida (-30 a 60 %) — para comprimir el coste sin optimizar al 20-30 %, apoyándose en la guía oficial de Anthropic, investigaciones del sector y datos operativos reales. Cubre la trampa del acortamiento del TTL de caché a principios de 2026 (60 min → 5 min), la gestión de contexto con /compact, la trampa multiagente de 15× tokens, la monitorización y las alertas de facturación, y siete patrones de despilfarro habituales que conviene evitar.

La intuición dice que la IA eliminará primero a los veteranos que hacen trabajo rutinario, pero los datos de los últimos dos años muestran lo contrario. El análisis de noviembre de 2025 del Stanford Digital Economy Lab "Canaries in the Coal Mine", junto con investigaciones de Yale SOM, la Federal Reserve y SHRM, apunta en la misma dirección: los júniores de 22-25 años caen un 13 % en ocupaciones expuestas a la IA (un 20 % en el caso de los ingenieros de software), mientras que los séniores de 35-49 años crecen entre un 6 y un 12 %. Este artículo recorre los datos, explica por qué los séniores ganan ('cambio tecnológico sesgado por antigüedad'), analiza el impacto por sector, advierte sobre el colapso futuro de la cantera de formación, presenta el contraargumento de la Federal Reserve y propone estrategias concretas para júniores, séniores y empresas.

En febrero de 2025, Andrej Karpathy acuñó "vibe coding" en X: el estilo de "dejar que la IA se encargue sin leer el código". Un año después, el propio Karpathy ha propuesto renombrarlo a "agentic engineering" y los datos de seguridad muestran tasas de vulnerabilidad del 40-62 %, un repunte de CVEs de 6x y SSRF presente en los 5 grandes agentes. Este artículo cubre la definición, el flujo de trabajo, las principales herramientas (Claude Code, Cursor Composer, Codex CLI, Lovable, v0, Bolt.new, Devin), la realidad de seguridad y calidad, la diferencia con el agentic engineering y las reglas prácticas de "Vibe & Verify" para llevarlo al trabajo real.

En 2026, los agentes de IA han pasado de "un superagente que lo hace todo" a "un equipo de agentes con roles distintos". Este artículo cubre la definición de multiagente, los cinco patrones centrales (orquestador-worker, handoff, jerárquico, peer-to-peer, pipeline), la comparativa de los principales frameworks (Claude Agent SDK, OpenAI Agents SDK, LangGraph, Strands), casos reales como Anthropic Research, los subagentes de Claude Code, Devin y Cursor, y la realidad de un coste 2x a 15x mayor en tokens. Cierra con criterios prácticos sobre cuándo usarlo y cuándo no, basado en las fuentes más recientes.

Comparativa a fondo de Anthropic Claude Opus 4.7 y OpenAI GPT-5.5, lanzados con apenas una semana de diferencia en abril de 2026. Opus lidera en resolución de código real (SWE-bench Pro 64,3%); GPT-5.5 lidera en operación de terminal y atención al cliente (Terminal-Bench 82,7%, OSWorld 78,7%): sus terrenos fuertes son casi opuestos. Además, aunque el precio unitario de Opus es más bajo, en algunos casos el coste real de GPT-5.5 ronda 1/4 del de Opus por la diferencia en tokens de salida. El artículo organiza la hoja de especificaciones, el detalle de los benchmarks, la eficiencia de tokens, el mapa de fortalezas y debilidades, la elección por caso de uso y la estrategia de doble proveedor, basado en información oficial y evaluaciones de terceros.

El centro de gravedad se ha desplazado de la ingeniería de prompts a la ingeniería de arnés: el nuevo campo de batalla de la era de los agentes de IA. Este artículo explica qué es realmente la ingeniería de arnés, en qué se diferencia de la ingeniería de prompts, los seis componentes (definición de herramientas, gestión de contexto, memoria, bucle, guardarraíles, UX de salida), una comparativa lado a lado de Claude Code, Cursor, Codex CLI y Devin, y una lista práctica de diseño: la base que necesitas para usar o construir agentes de IA en serio.

Si una IA ignora las reglas, distingue las instrucciones que no se cargaron de las que se cargaron pero no se cumplieron. Aprende cómo vuelve CLAUDE.md tras la compactación, por qué las recomendaciones de longitud no son límites de carga y cómo verificar el alcance y los resultados con Hooks, CI, revisión con IA y skills.

OpenAI lanzó "ChatGPT 5.5 (GPT-5.5)" el 23 de abril de 2026. Presentado como "una nueva clase de inteligencia para el trabajo real y los agentes de IA", obtiene un 82.7% en Terminal-Bench 2.0 y deja atrás a Claude Opus 4.7 (69.4%) y Gemini 3.1 Pro (68.5%) para recuperar el primer puesto. A cambio, el precio de la API se duplica frente a GPT-5.4 ($5/$30 por MTok) y Claude Opus 4.7 sigue ganando en SWE-Bench Pro. Este artículo te da el panorama completo: funciones, benchmarks, precios, disponibilidad por plan, comparativa con Claude y Gemini y cómo elegir — todo basado en fuentes oficiales.

«Quiero que ChatGPT lea los documentos internos de la empresa y responda a las preguntas»: a esa necesidad responde el RAG (Retrieval-Augmented Generation o generación aumentada por recuperación). En este artículo explicamos en 3 pasos visuales cómo funciona el RAG y, hasta el último detalle accesible para principiantes, repasamos las bases vectoriales, la implementación con LangChain y cuándo conviene usar RAG o fine-tuning. Incluye numerosos ejemplos prácticos: QA interno, soporte al cliente, derecho, medicina y más.

Ahora que Claude Code y OpenAI Codex pueden generar código de infraestructura (Terraform, Docker, Ansible, etc.), se oye la pregunta: «¿los ingenieros de infraestructura van a ser innecesarios?». Pero la realidad no es tan simple. Este artículo organiza lo que la IA hace bien y los dominios en los que solo los humanos pueden actuar —capa física, decisiones ante incidentes, responsabilidad de seguridad— y explica cómo los ingenieros de infra deberían evolucionar en la era de la IA.

OpenClaw es el proyecto de GitHub con el crecimiento más rápido de 2026: un asistente IA de código abierto que se conecta a WhatsApp, Slack, Discord y más de 50 plataformas. Pero ¿qué puede hacer realmente y cuáles son los riesgos? Desde su arquitectura hasta las vulnerabilidades de seguridad, aquí tienes todo lo que necesitas saber.