La inteligencia artificial empieza a entrar en más partes del trabajo diario: automatizaciones, gestión de tareas, programación y creación de contenido. En este episodio probamos varias de esas posibilidades y aparece una idea común: la utilidad de un agente depende tanto de la herramienta como del contexto que recibe y de cómo revisamos su trabajo.
Los nuevos agentes de Make llevan la IA al escenario
Make incorpora agentes dentro de sus escenarios. En la conversación, la diferencia respecto al enfoque anterior está en que el agente se configura como parte de un escenario, con módulos que pueden funcionar como herramientas. También se comenta la posibilidad de pasar tareas a subagentes y de aportar información desde archivos o servicios conectados.
Eso abre usos interesantes para procesos que hoy se hacen en local. Por ejemplo, algunas tareas podrían resolverse desde una automatización alojada en Make, con acceso a información de la empresa, en vez de depender del ordenador o de montar infraestructura propia. La decisión seguiría dependiendo del problema: a veces encajará una automatización; otras, una skill, un proceso local o una aplicación existente.
La conversación también distingue el trabajo del agente de los pasos deterministas del escenario. El agente puede decidir qué herramientas utilizar según lo que encuentre, mientras que los demás módulos continúan ejecutándose según el flujo configurado. Esa combinación permite introducir decisiones de IA sin convertir toda la automatización en una caja negra.
Maia analiza bien, pero la ejecución necesita revisión
Maia es el asistente conversacional que aparece en el editor de escenarios de Make. Se le pueden pedir cambios o ayuda para construir un escenario. En la prueba contada en el episodio, su análisis ofreció una sugerencia útil, pero al pedirle que la ejecutara movió módulos de forma confusa y no pudo resolver una desvinculación.
Por eso, la impresión fue más favorable para tareas acotadas, como ayudar a mapear muchos campos, siempre revisando el resultado, que para delegarle cambios completos. Que un asistente entienda una petición o proponga una mejora no significa que vaya a modificar correctamente una automatización.
La experiencia también sirve para explicar por qué importa el contexto. Un chat dentro del editor puede conocer el escenario, pero no necesariamente la documentación, las decisiones y los datos del proyecto. La referencia a Maia, el asistente de Make, aparece precisamente dentro de esa conversación sobre lo que puede hacer un asistente cuando trabaja con información limitada.
Probar otros modelos sin depender de un único proveedor
Otra prueba del episodio es conectar OpenCode con el servicio de inferencia de Hetzner. La configuración se presenta como una alternativa compatible con la API de OpenAI para probar modelos como Qwen. En la conversación se menciona que el acceso era experimental, así que conviene entenderlo como una opción que se estaba explorando, no como una garantía permanente de disponibilidad.
El interés no está solo en encontrar un modelo concreto. Poder cambiar de proveedor permite combinar modelos distintos según la tarea y el consumo disponible. En el episodio se habla de usar modelos más sencillos para tareas rutinarias y reservar los más capaces para trabajos que requieren más razonamiento. La flexibilidad entre proveedores aporta margen para ajustar coste y capacidad sin depender de una sola plataforma.
La documentación relacionada con esta prueba está en el servicio de inferencia de Hetzner.
Un sistema de agentes necesita instrucciones, contexto y control
Parte de la conversación gira en torno a qué diferencia a una skill de un agente. Una skill carga instrucciones para realizar un proceso concreto. En un entorno de agentes también se pueden definir roles, modelos, delegación y trabajo en paralelo. La frontera depende de las capacidades que ofrece cada herramienta, pero lo importante en la práctica es qué contexto tiene el sistema, qué puede hacer y cuándo debe pedir revisión.
El sistema de trabajo descrito en el episodio conecta proyectos con distintas fuentes: carpetas locales, documentación y tareas pendientes. También asigna modelos según la complejidad del trabajo para repartir mejor el consumo. Un ejemplo es una tarea recibida por correo para localizar escenarios de Make que usaban un módulo próximo a quedar obsoleto. El sistema revisó los escenarios, encontró uno y propuso el cambio para que se confirmara.
La intención no es dejar que el sistema actúe sin supervisión. Puede investigar, preparar un plan y avanzar trabajo, pero la persona conserva el control sobre qué se ejecuta y qué queda por revisar. El mismo principio aparece al hablar del correo: resumir mensajes no basta si la acción real es archivarlos, responderlos o convertirlos en tareas. El valor está en completar el proceso con trazabilidad y con las reglas adecuadas.
Kilo Code: memoria, acceso remoto y agentes en paralelo
En la parte dedicada a Kilo Code se comentan tres funciones que resuelven necesidades diferentes. Kilo Memory conserva información útil entre sesiones, aunque no sustituye la documentación del proyecto. Kilo Remote permite continuar desde el móvil el trabajo vinculado a los proyectos. Agent Manager permite lanzar varios agentes a la vez y trabajar en paralelo con worktrees, por ejemplo para comparar alternativas de diseño sin rehacer cada versión sobre la anterior.
Las tres funciones se relacionan con una misma necesidad: mantener el contexto disponible mientras el trabajo cambia de lugar o se reparte entre varias tareas. La memoria ayuda a no repetir información; el acceso remoto permite retomar el trabajo; la coordinación en paralelo abre caminos de exploración distintos. En todos los casos sigue haciendo falta revisar lo que produce cada agente.
De probar herramientas a contar historias de proyectos
El cierre del episodio presenta un cambio de enfoque para La Máquina del Branding. La idea es dejar de priorizar la herramienta de moda y partir de problemas y proyectos variados: puede aparecer WordPress, inteligencia artificial, diseño, branding u otras soluciones, según lo que necesite cada caso.
Ese trabajo se desarrollaría en laboratorios compartidos, con sesiones de varias horas que muestran la investigación y las pruebas mientras ocurren. Después, de ese proceso saldrían vídeos más breves para YouTube: no un tutorial largo grabado en tiempo real, sino una historia clara sobre el problema, las decisiones y el resultado. La comunidad tendría acceso al proceso completo y quien llegue al vídeo podría entender rápidamente qué se hizo y por qué.
El cambio también amplía a quién se dirige el contenido. Además de profesionales que crean webs para clientes, se quiere hablar a personas que tienen una idea o necesitan sacar adelante su propio negocio. La tecnología queda al servicio de esa necesidad: primero se entiende el problema y luego se decide qué herramienta conviene.
En el episodio también se comenta la extensión oficial de WordPress, con accesos y utilidades para trabajar con sitios desde el navegador. Es una novedad concreta dentro de una conversación más amplia sobre cómo elegir herramientas con criterio.
Cierre
Make, Maia, Hetzner y Kilo muestran caminos distintos para incorporar IA al trabajo, pero ninguna función elimina la necesidad de contexto ni de revisión. Los agentes pueden investigar, proponer y ejecutar tareas cada vez más completas; el criterio sigue estando en definir qué problema resolver, qué información necesita el sistema y dónde debe intervenir una persona.
Ese mismo enfoque conecta con el nuevo formato de La Máquina del Branding: trabajar en proyectos reales, compartir el proceso y convertirlo en historias útiles para más personas. ¿Qué tarea de tu trabajo te gustaría explorar primero con un sistema de agentes?