La nueva carrera de las empresas de inteligencia artificial no ocurre solo para crear modelos más inteligentes. También busca descubrir nuevos lugares donde esos modelos puedan consumir tokens.

Después de los chats, los asistentes de programación y los generadores de contenido, llegó el turno de las aplicaciones capaces de controlar la computadora. Son agentes que ven la pantalla, mueven el mouse, hacen clic en botones, rellenan formularios, abren archivos y navegan por distintos programas en nombre del usuario.

La demostración suele impresionar. El agente recibe una orden breve, abre el navegador, busca información, transfiere datos a una hoja de cálculo y entrega la tarea aparentemente concluida. Parece el inicio de una nueva era del trabajo.

En algunos casos, realmente puede serlo.

En muchos otros, sin embargo, solo estamos sustituyendo una automatización simple, barata y previsible por una larga secuencia de decisiones probabilísticas cobradas por uso. En las aplicaciones de escritorio con inteligencia artificial, la innovación puede estar más en la facturación que en el agente.

La computadora se convirtió en una máquina de consumir API

En el modelo tradicional de software, una empresa pagaba una licencia mensual y utilizaba la herramienta. Con los nuevos agentes, la cuenta puede incluir suscripción, infraestructura, uso del modelo, procesamiento de imágenes, llamadas a herramientas, búsquedas, generación de respuestas y nuevos intentos cuando algo sale mal.

El agente no necesita solo comprender la tarea. Necesita observar la pantalla, interpretar los elementos visuales, decidir dónde hacer clic, esperar la respuesta del sistema, analizar la nueva pantalla y repetir el proceso hasta llegar al resultado.

Cada etapa puede generar más contexto, más tokens y más procesamiento.

Lo que una integración directa haría en una sola llamada a la API puede exigir decenas de interacciones visuales. En lugar de solicitar un dato estructurado al sistema, el agente abre una página, busca el campo correcto, desplaza la pantalla, hace clic, copia, cambia de ventana y pega en otro lugar.

Es una forma sofisticada de imitar el comportamiento humano, pero no siempre es la forma más inteligente de ejecutar una tarea digital.

El ejemplo perfecto es el clipping

Imagina una agencia de prensa utilizando un agente de escritorio para buscar noticias sobre sus clientes.

El robot abre el navegador, accede a un motor de búsqueda, escribe el nombre de la empresa, analiza los resultados, entra en un artículo, espera a que carguen los anuncios y los elementos de la página, busca la fecha, identifica el medio, copia la dirección, vuelve al sistema de clipping y completa los campos.

Luego repite todo para el siguiente artículo.

Si encuentra un banner, una ventana de cookies, un captcha, una página lenta o un diseño diferente, necesitará interpretar el problema y probar otro camino. Durante todo ese proceso, sigue enviando imágenes, recibiendo instrucciones y consumiendo recursos del modelo.

Es usar un robot humanoide para presionar el botón de un ascensor.

Una arquitectura racional haría casi todo sin inteligencia artificial. Utilizaría APIs, feeds RSS, motores de búsqueda, raspado estructurado y reglas deterministas para recopilar título, dirección, medio, fecha y contenido. Después eliminaría duplicados por URL, hash o similitud textual.

La inteligencia artificial entraría solo donde existe una necesidad real de interpretación: identificar si el artículo es relevante para el cliente, clasificar el tema, evaluar el protagonismo de la fuente, producir un resumen y señalar posibles riesgos u oportunidades.

En ese modelo, el software tradicional hace el trabajo manual previsible y el modelo de lenguaje ejecuta la parte cognitiva. El costo baja, la velocidad aumenta y el proceso se vuelve más fácil de auditar.

Con un agente controlando el navegador, todo se convierte en razonamiento. Hasta abrir una pestaña pasa a ser una decisión cobrable.

En el desarrollo de software, el espectáculo también cuesta caro

La misma distorsión aparece cuando el agente de escritorio se utiliza para realizar pequeños ajustes de código.

Los entornos de desarrollo ya cuentan con búsqueda global, acceso directo a los archivos, terminal, control de versiones, análisis de errores, pruebas automatizadas y herramientas capaces de editar el código con precisión. Un asistente integrado al editor puede localizar una función, proponer un cambio, mostrar el diff y ejecutar las pruebas sin necesidad de simular a una persona moviendo el mouse.

Poner un agente de escritorio a abrir la IDE, buscar visualmente un archivo, navegar por menús y escribir el cambio puede funcionar. Pero añade una capa innecesaria de lentitud e incertidumbre.

El agente dentro de la IDE conoce la estructura del proyecto. El agente de escritorio conoce los píxeles de la pantalla.

Para hacer un pequeño cambio, la segunda opción suele usar más etapas, más contexto y más oportunidades de error. La experiencia parece más autónoma porque el usuario ve cómo se mueve el cursor, pero la autonomía visual no es sinónimo de eficiencia técnica.

Es la diferencia entre integrarse al sistema y representar una obra de teatro sobre cómo una persona usaría el sistema.

El agente también cobra por los intentos fallidos

Los modelos de lenguaje no ejecutan tareas con garantía matemática de acierto. Incluso los sistemas más avanzados aún pueden interpretar incorrectamente una pantalla, hacer clic en el elemento equivocado, perder el contexto, repetir una acción o necesitar rehacer parte del proceso.

Esto crea una característica comercial curiosa: el proveedor puede facturar no solo por el trabajo concluido, sino también por los intentos fallidos.

En el software tradicional, un error es un problema que el desarrollador debe corregir. En el consumo de modelos por API, un error también puede representar más tokens, más llamadas y más procesamiento.

El agente no necesita ser mucho mejor. Comercialmente, basta con que permanezca más tiempo trabajando.

Es como contratar a un profesional que cobra por pensar, incluso por los pensamientos equivocados.

Eso no significa que exista mala fe en todo producto basado en agentes. Desarrollar sistemas capaces de operar distintas interfaces es un desafío técnico real. El problema surge cuando una capacidad impresionante se trata automáticamente como la mejor solución para cualquier proceso.

No todo lo que puede ser operado por un agente debería ser operado por un agente.

Cuándo un agente de escritorio realmente tiene sentido

Hay situaciones en las que este tipo de tecnología es valiosa. Sistemas antiguos sin API, portales cerrados, programas propietarios, tareas esporádicas que atraviesan varias aplicaciones y procesos que no justifican una integración convencional pueden beneficiarse de agentes visuales.

También puede haber ventaja cuando la tarea tiene un alto valor financiero, ocurre pocas veces y sería demasiado costosa para automatizarla de otra forma. En ese escenario, pagar unos dólares por una ejecución puede ser irrelevante frente al resultado generado.

El error es convertir esa excepción en arquitectura estándar.

Antes de poner a un agente a controlar la computadora, la empresa debería responder preguntas menos cinematográficas: cuántas veces se ejecutará la tarea, cuál es el costo por ejecución, cuántas etapas dependen de interpretación, cuál es la tasa de error aceptable y cuánto cuesta la supervisión humana.

También es necesario comparar el agente con alternativas menos llamativas: integración directa, script, automatización convencional, extensión del navegador, recurso nativo del sistema o simplemente un modelo de lenguaje dentro de la herramienta correcta.

La pregunta no debería ser “¿el agente puede hacer esto?”. Debería ser “¿esta es la forma más económica y confiable de hacerlo?”.

La mejor inteligencia artificial es la que aparece poco

En una automatización bien construida, el usuario no necesita seguir un cursor paseándose por la pantalla para creer que hay inteligencia trabajando.

La recopilación ocurre por código. Los datos llegan estructurados. Las reglas se encargan de lo previsible. El modelo se llama solo para resolver ambigüedades, interpretar contexto o producir algo que realmente dependa del lenguaje y del razonamiento.

Cuanto menos tenga el modelo que fingir ser una persona usando una computadora, más oportunidades habrá de construir un proceso rápido, barato y confiable.

El futuro de los agentes probablemente será importante. Serán útiles justamente en los espacios donde las integraciones tradicionales no llegan y donde la interpretación humana todavía es necesaria. Pero eso no elimina una regla antigua de la tecnología: la solución más moderna no es necesariamente la mejor arquitectura.

El verdadero avance no está en hacer que la inteligencia artificial haga clic en todo. Está en saber cuándo no debería hacer clic.

Mientras esa diferencia no esté clara, veremos muchas aplicaciones de escritorio vendidas como una revolución tecnológica, aunque su principal descubrimiento sea otro: convertir cada movimiento del usuario en una nueva oportunidad de cobro.