El tema de hoy es algo de lo que casi todos han oído hablar, pero pocos pueden explicar realmente, el entorno para agentes de IA. Probablemente lo hayas visto en publicaciones de blogs o charlas en conferencias, pero ¿qué significa realmente? La cuestión es esta. La mayoría que construir un agente de IA se trata de escribir el PROM perfecto, esa instrucción mágica que hace que el modelo haga exactamente lo que deseas. Pero eso es como pensar que un auto es solo un motor. Claro, el motor es importante, pero sin ruedas, volante, frenos y chasis no vas a ninguna parte. Al final de este episodio entenderás que es realmente un entorno para agentes, porque es la evolución más allá de la ingeniería de PROM si como Microsoft AI Foundry le da vida para empresas reales. Toma tu café y comencemos. Porque el prompting ya no es suficiente. Volvamos a los inicios. Alrededor de 2022 a 2024, trabajar con IA era sencillo. Escribes un PROM y tienes una respuesta. Necesitas un borrado de correo electrónico. Escribe un PROM. Necesitas un resumen de una tica. Escribe un PROM. Para tareas simples de un solo paso, eso funcionaba muy bien. Podías pedir algo y el modelo te da una respuesta razonable. Pero la gente se volvió más ambiciosa. Empezaron a pedirle a estos modelos que hicieran trabajo real. Investigar un tema y redactar un informe. Analizar una base de código y corregir un error. O manejar una conversación de soporte al cliente de varios pasos de principio a fin. Y de repente un solo prompt no podía manejar. Eso es lo que sucedió. La ventana y contexto del modelo se llenaba. Olvidaba las instrucciones anteriores y empezaba a inventar hechos o a dar resultados incompletos. Cuanto más larga la tarea, más poco confiable se volvía el resultado. Probablemente tú mismo lo hayas experimentado. Le pides a una IA que haga algo complejo. Y al final se ha olvidado de lo que le pediste originalmente. Imagina pedirle a una sola persona que construya una casa entera desde cero. Todo de una sola vez, sin verificar nunca su trabajo. Eso es lo que le estábamos pidiendo a estos modelos. Los resultados eran exactamente lo que esperarías. Una casa medio terminar con paredes faltantes y puertas que no abren. La solución no era un mejor PROM. Podrías pasar horas ajustando la redacción, agregando más ejemplos y refinando las instrucciones. Y aún así fallaría en tareas largas y complejas porque el problema fundamental no era el PROM. Era la falta de un sistema a su alrededor. Lo que el modelo necesitaba no eran mejores palabras, sino un mejor soporte. Ahí fue donde comenzó la evolución de la ingeniería de PROM a la ingeniería de contexto. Las tres fases de la evolución de la IA. Así es como veo la evolución de la IA. Tres fases, cada una cambia el enfoque para los ingenieros. La fase 1 fue la ingeniería de PROM. Eso fue aproximadamente de 2022 a 2024. La gran pregunta era simple. ¿Qué le debo decir al modelo? Escribías una instrucción, obtenías una respuesta y eso era todo. Todo el trabajo consistía en la redacción y todo. Para tareas básicas eso era suficiente. Luego vino la fase 2. Ingeniería de contexto 2024-2025. La pregunta cambió de qué debo decir a qué debe ver el modelo. Los ingenieros descubrieron que lo que alimentas al modelo importa más que cómo preguntas. Así que crearon sistemas como llamadas herramientas generación aumentada por recuperación y protocolo de contexto de modelo, MSP. Esto permite al modelo obtener la información correcta al instante. En lugar de meter todo en un PROM, el modelo podía buscar lo que necesitaba cuando lo necesitaba. La fase 3 es donde estamos ahora. La ingeniería de arnés. Desde 2026 la pregunta es ¿qué sistema necesito construir alrededor del modelo? Aquí es donde se pone interesante porque la fiabilidad, la memoria, la orquestación y los límites no vienen del modelo sino del sistema que construyes a su alrededor. Aquí está la forma más sencilla de pensarlo. Un agente es igual a un modelo más un arnés. El arnés es todo lo demás. El modelo piensa, el arnés hace el resto. Ese arnés es el ingrediente secreto que hace que todo funcione. Piénsalo así, el modelo es un trabajador calificado, muy talentoso pero limitado. El arnés es el taller, las herramientas, la lista de verificación, el supervisor y los frenos. Sin el taller el trabajador no tiene dónde trabajar. Sin las herramientas no pueden construir nada. Sin la lista de verificación olvidan pasos. Sin el supervisor cometen errores. Y sin frenos se agotan. El arnés proporciona toda esa estructura. Entonces, ¿qué hay exactamente donde resta? Vamos a abrirlo. Lo que un arnés contiene realmente. Entonces, ¿qué se incluye en un arnés? Revisemos las piezas una por una. Primero, el bucle de la gente. Este es el ciclo que mantiene a la gente en marcha. El modelo piensa luego decide llamar a una herramienta. La herramienta se ejecuta y devuelve un resultado. El modelo mira eso, piensa de nuevo y quizás llama a otra herramienta. El bucle continúa hasta que la gente alcanza su objetivo. Sin este bucle, solo obtienes una pregunta y una respuesta. Con él, tienes un sistema que resuelve problemas paso a paso. A continuación, gestión de contexto. Esto es crítico porque los modelos tienen un lapso de atención limitada. Su ventana de contexto solo puede retener cierta cantidad antes de desbordar. ¿Y dónde intervenirá? Comprime la conversación, resume todos los mensajes y prioriza lo importante. Importante. Piensa en ello como un sistema de archivo para la conversación. El arnés lo organiza para que el modelo solo vea lo que es relevante. Sin esto, las sesiones largas se desmoronan a medida que el modelo pierde vida. Luego están las herramientas de seguridad. Estas son las manos de la gente. Un modelo por sí solo puede generar texto. No puede leer un archivo, navegar por la web, ejecutar código o consultar una base de edad. El arnés le otorga esas capacidades. Acceso a archivos, navegación web, ejecución de código, consultas a bases de datos. Todas son herramientas que el arnés provee. El modelo decide cuándo usarlas y el arnés hace que funcionen. La memoria y la persistencia de la sesión son otra parte importante. El arnés recuerda las sesiones pasadas. Sigue cuando vuelve un agente el día siguiente, no empieza desde cero. Recuerda sus preferencias, el contexto de su proyecto y las decisiones que tomó. El agente aprende con el tiempo porque el arnés conserva su historia. Las salvaguardas son la capa de seguridad límites que usted establece en el comportamiento del agente. Piensa en esto como el libro de regla agente. Pasos máximos antes de detenerse, acciones prohibidas, filtros de aprobación humana para movimientos de alto riesgo como escribir archivos o enviar correos. Sin salvaguardas, un agente podría ejecutarse para siempre o hacer algo que usted no tenía previsto. El arnés lo mantiene bajo contra. Finalmente, la orquestación. El arnés puede activar subagentes especializados para diferentes tareas. Uno se encarga de la investigación, otro de la redacción, un tercero de la verificación. Trabajan juntos como un equipo de especialistas en una obra de construcción. Cada uno hace lo que mejor sabe hacer y el arnés se asegura de que no se estorben entre sí. Ahora bien, estos componentes no son solo teoría. Microsoft ha construido una plataforma completa que pone todo esto en práctica. Presentamos Microsoft AI Foundry, el arnés empresarial. Esa plataforma es Microsoft AI Foundry. Piensa en ella como un taller completo para crear y ejecutar agentes de IA a gran escala. Cuando digo escala, me refiero a escala real, no a un experimento de laboratorio. Foundry atiende a más de 70 mil clientes hoy y, solo en el último trimestre, procesó 100 billones de tokens. Son 100 billones, no es un error tipográfico. Cada día impulsa 2 mil millones de consultas de búsqueda empresariales. Esta es una plataforma de producción que maneja algunas de las cargas de trabajo más grandes del mundo. Lo que Foundry hace realmente es ofrecerle el arnés como un servicio gestionado. Este no construye la gestión de contexto, memoria, salvaguardas y coordinación desde cero porque todo viene integrado, porque todo viene integrado. Tú traes a tu agente y Foundry proporciona el taller alrededor de él. Hablemos de identidad. Esto es muy importante. Cada agente en Foundry obtiene su propia ID de agente de entra. Básicamente una identidad digital. Piensa en ello como una tarjeta de empleado que emite la recepción. El agente puede iniciar sesión en servicios, acceder a datos y actuar en nombre de la organización como un empleado humano. Y como cada acción está vinculada a esa identidad, es totalmente auditable. ¿Por qué es importante eso? En una empresa necesitas saber quién hizo qué. Cada acción queda registrada y es rastreado. Foundry se conecta a más de 1.400 fuentes de datos empresariales, desde SharePoint y Dynamics 365 hasta Salesforce y bases de datos personalizadas. Si tu empresa lo usa, Foundry probablemente tiene un conector. Por lo tanto, la agente no está adivinando ni inventando cosas. Extrae datos reales de sistemas reales, lo que significa que las respuestas se basan en tus datos comerciales reales. Luego está la memoria. Foundry incluye tipos de memoria integrado. La memoria procedimenta a la agente aprender de tareas pasadas. Mejora con el tiempo, como la capacitación en el trabajo. La persistencia de sesión significa que recuerda conversaciones anteriores, por lo que no empieza de cero cada vez que hablas con él. Eso hace que las interacciones se sientan continuas e inteligentes. Entonces, ¿cómo funciona esto realmente? Analicemos los componentes que Microsoft proporciona para crear entornos personalizados. El marco de trabajo para agentes, creando entornos personalizados. Entonces, ¿cómo construyes realmente un entorno? Microsoft proporciona un SDK dedicado llamado Microsoft Agent Framework, que quizás conozcas por su nombre anterior, Semantic Kernel. Ha sido reconstruido, pero la idea es la misma. Permite a los desarrolladores crear entornos de agentes personalizados en Python y C-Sharp. El marco de trabajo tiene tres capas. En la base está el bucle del agente, el ciclo de razonamiento central donde el modelo piensa, llama herramientas, obtiene resultados y piensa de nuevo. Encima de eso están los flujos de trabajo, patrones de coordinación que gestiona múltiples agentes. Y envolviendo todo está la capa del entorno en sí, la estructura que mantiene todo unido. Microsoft incluye cinco patrones de coordinación integrados. El secuencial ejecuta agentes uno tras otro en un orden definido. El concurrente los ejecuta todos en paralelo. La transferencia pasa el control de un agente a otro según lo que se necesite. El chat grupal permite que varios agentes hablen en una conversación compartida. Y luego está Magentic, un gestor de Microsoft Research. Aquí, un agente supervisor genera un plan y luego delega el trabajo a sus especializados como un gerente de proyecto, asignando tareas a los miembros del equipo. Cada patrón maneja un programa de coordinación diferente. Aquí está la mejor parte. El marco de trabajo es extensible. Puedes conectar cualquier modelo que desees, desde OpenAI, Anthropic y Google Gemini, hasta Amazon Bedrock, e incluso modelos locales se nos llama, lo mismo ocurre con él. Te conectas a través de OpenAI el protocolo de contexto del modelo código directo. Algunas personas temen que usar el marco de trabajo de Microsoft te limite a su ecosistema. Eso no es cierto. El marco de trabajo funciona con cualquier pila tecnológica que ya estés usando. La capa de Arnés añade capacidades como acceso a archivos, ejecución de código, mide web de planificación y telemetría. Así que crear un agente con este marco significa construir un sistema completo que lee archivos, escribe código, planifica tareas de varios pasos y registra todo para depuración. Es más que una simple interfaz de chat. Así es como se ve. Imagina a un agente de programación construir este marco. Le das una tarea, por ejemplo, añadir una nueva función a una base de código existente. Luego escribe el código. Después ejecuta pruebas para asegurarse de error. Si una prueba falla, lee el error, corrige el fallo y ejecuta las pruebas de nuevo. Todo dentro del mismo Arnés, repitiendo el ciclo de pensar, actuar, verificar hasta que el trabajo esté terminado. Sin el Arnés tendrías que alimentar manualmente cada paso. Con él, el agente maneja todo el flujo de trabajo por sí mismo. Un ejemplo popular de un Arnés en acción es el patrón Claw. Microsoft lo ha puesto a disposición en Foundry y es una gran demostración de cómo estas piezas se unen. Agentes estilo Claw y Hermes. Hablemos de los agentes estilo Claw. El nombre proviene de proyectos de código abierto como OpenClaw. Estos agentes viven en tu máquina, esperan instrucciones y lo ejecutan en tareas largas por su cuenta. Siempre están ahí listos para intervenir cuando los necesitas. Piénsalos como un asistente personal que nunca se toma un día libre. La versión de Microsoft se llama Hermes. Se ejecuta dentro del sandbox de agentes alojado en Foundry y cuenta con algunas capacidades impresionantes. Hermes tiene su propio sistema de archivos, su propia memoria y su propio conjunto de herramientas. Puede configurar sus propias rutinas de mantenimiento, limpiando archivos antiguos y organizando su espacio de trabajo. Y si se da cuenta que necesita una nueva idea que no tiene, puede crearla sobre la marcha. Para bien, esto es lo importante sobre los agentes. Los arquitectos de la nube los llaman mascotas, no ganado. Las mascotas son únicas. Les da su nombre y los cuidas y no puedes reemplazarlos fácilmente. El ganado es intercambiable. Así que, si uno falla, pones en marcha a otro. Los agentes Claw son definitivamente mascota. Cada uno tiene su propio estado historial y comportamiento sorprendido. Esa singularidad los hace poderosos, pero también dificulta la recuperación y el escalado. Si algo sale mal, no puedes simplemente descartar la instancia y empezar de nuevo porque perderías todo ese conocimiento acumulado. Solución de Microsoft es algo llamado rutina. Son tareas programadas que permiten a la gente despertarse, realizar tareas de mantenimiento y volver a dormir. En lugar de mantener el entorno aislado sandbox funcionando 24-7, lo cual cuesta dinero, el agente se apaga tras un periodo de inactividad. El sistema de rutinas lo despierta cuando llega el momento de hacer algo, como limpiar habilidades antiguas, ejecutar una copia de seguridad, buscar nuevas tareas. Luego vuelve a dormir. Esto ahorra costos, mientras mantiene a gente disponible cuando lo necesitas. El sandbox se aísla cada sesión. Los archivos, la memoria y la configuración de tu agente permanecen contenidos en su propio entorno. Y el arnés se encarga de gestionar ese estado entre sesiones, para que no tengas que preocuparte que los datos de un agente se filtren en otro. Construir tu propio arnés desde cero es posible, pero la mayoría de las empresas no lo necesitan. Foundry te ofrece una plataforma lista para usar con todas sus capacidades integradas. La verdadera pregunta es, ¿qué quieres que haga tu agente? Publicación y colaboración, donde los arnés se encuentran con los humanos. Entonces ya has construido a tu agente, le has dado herramientas, memoria, orquestación y un sandbox. Ahora, ¿cómo lo usa el agente realmente? Aquí es donde Foundry facilita las cosas. Una vez que tu agente está construido e implementado, puedes publicarlo en Microsoft 365 Copilot en Microsoft Teams con un solo clic. No 10 clics, sino un proceso de implementación de 3 días, solo un clic. Y tu agente aparece justo donde la gente ya trabaja en su correo electrónico, sus chats y sus documentos. Foundry admite dos modos de implementación. Primero, agentes de asistencia. Estos trabajan en tu nombre, redactando correos, programando reuniones o buscando documentos. Actúan como una extensión tuya, como tener un asistente muy rápido que hace lo que le pides. Segundo, agentes de piloto automático. Estos son más nuevos y más interesantes. Actúan en su propio nombre, con su propia dirección de correo electrónico y su propia identidad. No necesitan que los solicites cada vez. Toma la iniciativa. Los agentes de piloto automático tienen una cuenta de usuario como puedes añadirlos a un chat grupal de Teams, tal como añadirías a un compañero de trabajo. Siguen la conversación e intervienen cuando pueden ayudar, haciendo seguimiento de temas pendientes, respondiendo preguntas sobre lo que trabaja el equipo e incluso integrando a nuevos miembros al enviarle los documentos correctos y presentándoles a las personas adecuadas. Que hay un ejemplo concreto. Supongamos que tienes un agente gestor de flujos de trabajo. Lo agregas a tu chat grupal de Teams. Alguien dice, necesito el informe del tercer trimestre listo para el viernes. El agente nota que esto es una tarea pendiente. Crea una tarea, le asigna a la persona correcta y añade un recordatorio para el jueves para verificar el progreso. Nadie le dijo que hiciera eso. Simplemente vio algo que debía hacerse y lo hizo. El harness maneja todos los permisos detrás de escena. Solo los usuarios autorizados pueden interactuar con el agente en un chat grupal. El agente ve los mensajes que tiene permitido ver e ignora al resto. Respeta los mismos controles de acceso que tus compañeros de equipo humano. Aquí es donde la ingeniería de harness realmente vale la pena. El agente deja de ser un chatbot que abre en una pestaña del navegador. Te convierte en un miembro productivo del equipo. Vive donde tú vives, trabaja como trabaja tu equipo. Y todo esto es posible porque el harness, el sistema alrededor del modelo, gestiona la identidad, los permisos, la implementación y la integración. Sin el harness solo tendrías otra ventana de chat que revisar. Pero cualquier herramienta poderosa necesitas al favor. Hablemos de las medidas de seguridad que hacen que todo esto sea seguro. Y el responsable y gobernanza en el harness. Este es el punto. La ingeniería de harness no se trata solo de hacer que los agentes sean más capaces. Se trata de hacerlos seguros y confiables. Un agente que puede enviar correos electrónicos, modificar archivos y actuar en chats grupales es poderoso. Pero ese poder necesita control. Piénsalo como darle a un empleado las llaves del edificio. Quieres que hagan su trabajo, pero también estableces reglas sobre a qué pueden acceder y cuándo. El enfoque de Microsoft se basa en el estándar de IA responsable. Seis principios guían todo. Equidad, confiabilidad y seguridad. Privacidad y seguridad. Inclusión, transparencia y responsabilidad. Y estas no son solo ideas bonitas escritas en un póster. Son la base real de cómo se diseña toda la plataforma desde cero. El harness es donde estos principios se convierten en código real. Las medidas de seguridad limitan lo que la gente puede hacer. Los ganchos de ciclo de vida te permiten aplicar políticas en cada paso de la ejecución de la gente. Antes de que la gente se ejecute, después de que lo hace. Antes de llamar a una herramienta. Después de obtener un resultado, puedes insertar tus propias comprobaciones en cualquier punto. ¿Quieres bloquear el acceso a la gente a ciertas bases de datos? Puedes hacer. ¿Quieres requerir aprobación humana antes de que la gente envíe un correo electrónico? Puedes hacer. Ambas cosas son sencillas de configurar. El marco de trabajo with Architected de Azure incluye orientación dedicada para cargas de trabajo de él. Cubre todo desde el cifrado de datos hasta la respuesta a incidentes. La idea es que construir un sistema de IA no es fundamentalmente diferente de construir cualquier otro sistema empresarial. Todavía necesitas seguridad, confiabilidad y excelencia operativa. El Web Architected Framework te ofrece una forma estructurada de pensar en todo eso sin perderte. Más allá de eso existe el Cloud Option Framework. Proporcioso de cuatro etapas para la gobernanza de IA. Primero, identificar los riesgos. Podría ser mal. Segundo, medio de impacto. ¿Qué tan grave sería? Tercero, mitigar con controles. ¿Qué puedes implementar para prevenirlo? Cuarto, operar con monitoreo. ¿Cómo detectas los problemas cuando ocurren? Es un enfoque práctico paso a paso que convierte preocupaciones abstractas en acciones concretas que puedes realizar. Para los marcos de agentes, Agent Harnesses específicamente, eso significa algunas cosas. Límites máximos de pasos para que la gente no pueda ejecutarse indefinidamente. Restricciones de herramientas para que solo acceda a lo que debe. Filtros de aprobación humana para acciones de alto riesgo. Registros de auditoría para que cada decisión que documenta desee revisar. Filtros de seguridad de contenido que detectan resultados problemáticos antes de que alguien los vea. Cada pieza trabaja en conjunto para mantener a tu agente bajo control. Microsoft ofrece seguridad de contenido y evaluadores integrados dentro de Foundry. Puedes probar tu agente contra un conjunto de criterios antes de implementarlo. ¿Se mantiene en el tema? ¿Maneja adecuadamente los datos sensibles? ¿Rechaza las solicitudes que no debería cumplir? Puedes ejecutar estas evaluaciones automáticamente y obtener una puntuación antes de publicar el agente para tu equipo. De esa forma detectas problemas temprano, no después de que algo salga mal. Este es el panorama completo. Desde un simple prompt hasta un agente autónomo seguro de nivel de producción. El modelo piensa, el marco hace todo lo demás, la coordinación, las barreras de seguridad, la gobernanza, todo lo que lo hace confiable. Entonces recapitulemos la transformación. Comenzamos con la creación de prompts y no solo pasa OneShot. Escribes un prompt y obtienes una respuesta. Eso funcionaba para tarasín. Luego pasamos a la ingeniería de contexto. Gestiona lo que ve el modelo. Carga la información correcta en el momento justo. Eso funcionaba para tareas más complejas. Y ahora hemos llegado a la ingeniería completa de marcos Harness Engineering. Construir un sistema completo alrededor del modelo con memoria, herramientas, coordinación, barreras y gobernanza. Aquí está la conclusión clave. Un agente es tan confiable como el sistema que lo rodea. El modelo importa absolutamente, pero el marco es lo que define el éxito en producción. Puedes tener el mejor modelo del mundo, pero sin un buen marco fallará en tareas reales. Puedes tener un modelo decente con un excedente marco y superará las expectativas siempre. Aquí está tu desafío. En tu próximo proyecto de IA, piensa más allá del prompt. No preguntes qué debería decirle al modelo. Pregunta qué sistema necesito construir a su alrededor. Ese cambio de mentalidad es lo que separa las demos de los sistemas de producto. En el próximo episodio profundizaremos en un componente clave, la memoria. Cómo los agentes aprenden con el tiempo, cómo recuerdan lo que han hecho y cómo eso cambia lo que pueden lograr. Suscríbete para no perder.