Satya Nadella publicó el 8 de octubre de 2026 un ensayo titulado The Infinite SaaS Factory en el que defiende que Copilot debe ser el nuevo sistema operativo del trabajo y, a la vez, una fábrica de software: describes lo que necesita tu negocio y obtienes una personalización o un módulo nuevo conectado a tus sistemas. Su tesis central lleva la contraria al tópico: más agentes no restan importancia al CRM o al ERP, se la dan. Continúa leyendo «Nadella quiere que Copilot fabrique software a medida para cada empresa: qué es la «fábrica infinita de SaaS»»
Etiqueta: agentes de IA
Gemini Enterprise Agent Platform: qué presentó Google en abril y qué ha cambiado de verdad desde entonces
Gemini Enterprise Agent Platform es la plataforma de Google Cloud para crear, desplegar, gobernar y optimizar agentes de IA en empresas, y no es nueva de este otoño: Google la presentó el 22 de abril de 2026 en Google Cloud Next ’26 como la evolución de Vertex AI. Funciones como Agent Identity, el ADK renovado, la simulación de agentes o el soporte de MCP llegaron entonces. Lo que ha pasado después es más discreto y, en parte, más interesante: varias piezas que salieron en preview ya son de disponibilidad general.
Conviene dejarlo claro porque la confusión es fácil. El 8 de octubre Google celebró Gemini at Work 2026 y habló de identidad de agentes y de MCP, pero lo que presentó allí fue otro producto: el agente Gemini para el trabajo. Este es el mapa, con fechas de las notas de versión oficiales.
¿Qué es exactamente Gemini Enterprise Agent Platform?
Es la capa de Google Cloud donde las empresas construyen y operan agentes, y sustituye a Vertex AI como marca y como producto. Google lo dijo sin rodeos en el anuncio oficial de Gemini Enterprise Agent Platform: todos los servicios de Vertex AI y su hoja de ruta se entregarán «exclusivamente» a través de la nueva plataforma, no como servicio independiente.
El post lo firman Michael Gerstenhaber, vicepresidente de producto de Gemini en Google Cloud, y Michael Bachman. La plataforma reúne la selección y el entrenamiento de modelos que ya ofrecía Vertex AI y añade integración de agentes, DevOps, orquestación y seguridad. Los agentes resultantes pueden llegar a los empleados a través de la aplicación Gemini Enterprise.
En el apartado de modelos, Model Garden da acceso a más de 200 modelos. En abril Google citaba los suyos (Gemini 3.1 Pro, Gemini 3.1 Flash Image, Lyria 3), el abierto Gemma 4 y la familia Claude de Anthropic (Opus, Sonnet y Haiku). El cambio de nombre llega hasta el detalle: según las notas de versión, Vertex AI Agent Engine pasó a llamarse Agent Runtime, y su Memory Bank, Agent Platform Memory Bank.
Qué presentó Google en abril: cuatro pilares para el ciclo de vida del agente
El anuncio se organiza en cuatro bloques: construir (Build), escalar (Scale), gobernar (Govern) y optimizar (Optimize). Cada uno agrupa varias herramientas.
Construir
Aquí están Agent Studio, una interfaz visual de bajo código cuyos agentes se pueden exportar al código, y el Agent Development Kit (ADK), que estrenaba un marco basado en grafos para organizar agentes en redes de subagentes. Google aportaba una cifra de uso: más de seis billones de tokens al mes procesados en modelos Gemini a través del ADK.
Escalar
Agent Runtime se rediseñó con arranques en frío por debajo del segundo, y Google habla de agentes capaces de funcionar de forma autónoma durante días. Las notas de versión concretan el límite: operaciones de larga duración de hasta 7 días. También aparecen Agent Sandbox, un entorno aislado para ejecutar código generado por el modelo y tareas de uso del ordenador, y Memory Bank para la memoria a largo plazo.
Gobernar
Agent Identity asigna a cada agente un identificador criptográfico único para que cada acción deje un rastro auditable ligado a políticas de autorización. A su lado están Agent Registry, que indexa agentes, herramientas y skills internas, y Agent Gateway, que Google describe como el «control de tráfico aéreo» de los agentes y que aplica las protecciones de Model Armor contra inyección de instrucciones y fugas de datos.
Optimizar
Agent Simulation prueba los agentes con interacciones sintéticas de usuarios y herramientas virtualizadas, y los puntúa por éxito en la tarea y seguridad en conversaciones de varios pasos. Lo acompañan evaluación continua sobre tráfico real, observabilidad con trazas completas y Agent Optimizer, que agrupa fallos y propone instrucciones de sistema corregidas.
¿Y MCP? Las notas de lanzamiento marcan el servidor MCP remoto de la plataforma como disponibilidad general y explican que Agent Identity sirve para que un agente se autentique de forma segura ante servidores MCP. Si el protocolo te suena a sopa de letras, aquí tienes una explicación de qué es MCP y por qué conecta la IA con tus herramientas.
¿Qué ha cambiado de verdad desde abril?
Sobre todo, la madurez: varias piezas de gobierno que nacieron en preview son hoy de disponibilidad general. Las notas de versión de Gemini Enterprise Agent Platform permiten seguir el rastro fecha a fecha.
- Abril (lanzamiento): Agent Identity sale en disponibilidad general; Agent Gateway, en preview privada; Agent Registry, en preview pública; Agent Observability, en preview.
- 18 de junio: Agent Gateway, Agent Registry y Agent Observability pasan a disponibilidad general. Ese mismo día llega en preview la API de Agent Identity.
- 15 de julio: los perfiles de memoria de Memory Bank pasan a disponibilidad general.
- 1 de septiembre: entra en vigor la medición del cómputo de sesiones y Memory Bank dentro del SKU de cómputo de la plataforma.
- 9 de septiembre: los sandboxes de uso del ordenador y de shell pasan a disponibilidad general.
- 30 de septiembre: Agent Gateway se integra en preview con Cloud Trace para seguir las peticiones de los agentes de extremo a extremo.
En lo que va de octubre, las notas recogen sobre todo modelos nuevos en el catálogo: Nano Banana 2.1 en disponibilidad general el 6 de octubre, Claude Haiku 5.5 de Anthropic el 7 y DeepSeek-V4.1-Flash en preview pública el 14, además de actualizaciones periódicas de CodeMender. No hay ningún anuncio de octubre que reformule Agent Identity, el ADK o la simulación.
Un matiz: Agent Simulation, uno de los reclamos del anuncio de abril, no aparece en ninguna entrada de las notas de versión. Su estado (preview o disponibilidad general) no está documentado ahí, y es lo primero que conviene preguntar antes de diseñar pruebas sobre ella.
¿Entonces qué anunció Google en octubre?
El 8 de octubre, en Gemini at Work 2026, Thomas Kurian presentó el agente Gemini, un agente universal para el trabajo que no es una actualización de la Agent Platform. Según el post de Google Cloud sobre Gemini at Work 2026, orquesta modelos Gemini y modelos Claude de Anthropic, se conecta a cualquier servidor MCP dentro o fuera de la red de la empresa y puede crear «agentes compañeros» con cuenta propia de Workspace y dirección del tipo @agents.empresa.com.
La identidad también aparece ahí: cada agente tiene una identidad «atestiguada criptográficamente», permisos mínimos y trazas de auditoría a su nombre, con Agent Sandbox y Agent Gateway como piezas de seguridad. El post, sin embargo, no menciona la Agent Platform, el ADK ni Model Garden por su nombre. Lo contamos con detalle en el agente único de Gemini para empresas que también usa Claude.
Mi lectura es que el agente Gemini se apoya en la misma maquinaria de gobierno que nació en abril, pero eso es una inferencia por los nombres compartidos (Agent Sandbox, Agent Gateway), no algo que Google detalle en su anuncio.
Lo relevante de esta plataforma no es ninguna novedad de octubre, sino que Google ha cerrado la etapa de Vertex AI y ha metido toda su apuesta empresarial en una sola marca centrada en agentes. El orden de las disponibilidades generales dice mucho: lo primero que maduró fue el gobierno (gateway, registro, observabilidad), no las funciones vistosas. Para una empresa, esa es la parte que decide si un agente sale del piloto.
Lo discutible es el ritmo de nombres. Agent Engine, Agent Runtime, Agent Platform, Gemini Enterprise, agente Gemini: el cliente tiene que cruzar notas de versión para saber qué está en preview y qué no. Antes de comprometer un proyecto con identidades de agente o simulación, la pregunta útil no es qué anunció Google en el escenario, sino qué figura como disponibilidad general en la documentación ese día.
Google convierte Gemini en un agente único para empresas que también usa Claude: las claves de Gemini at Work 2026
Google Cloud presentó el 8 de octubre de 2026, en su evento Gemini at Work, el agente Gemini: un único agente de trabajo que responde preguntas, redacta documentos, genera imágenes y escribe y ejecuta código desde una sola caja de texto. La novedad de fondo no está en la interfaz, sino en dos decisiones: el agente puede crear «compañeros» con identidad y correo propios, y elige en cada tarea entre modelos de Google y modelos Claude de Anthropic.
GPT-6 Astra completa la zona inicial de World of Warcraft en 40 minutos sin ver una sola imagen
El modelo GPT-6 Astra de OpenAI ha completado la zona inicial de los orcos en World of Warcraft en unos 40 minutos y sin morir, según el desarrollador del proyecto de código abierto agent-wow. La clave es que no vio ni un fotograma: jugó leyendo los mensajes de red del servidor y los archivos de datos de misiones. Lo cuenta Bojan Stojkovski en Interesting Engineering y lo desarrolla Tom’s Hardware, con una advertencia que conviene dejar clara desde el principio: no es una prueba sobre el juego comercial, sino sobre un servidor privado. Continúa leyendo «GPT-6 Astra completa la zona inicial de World of Warcraft en 40 minutos sin ver una sola imagen»
Qué es MCP (Model Context Protocol) y por qué va a cambiar la forma en que usas la inteligencia artificial
MCP es un protocolo abierto —un estándar de comunicación— que permite a los modelos de inteligencia artificial conectarse con herramientas, bases de datos y aplicaciones externas de forma directa y estandarizada. Fue creado por Anthropic en noviembre de 2024, y en poco más de un año ha conseguido algo raro en tecnología: que competidores como OpenAI, Google y Microsoft se pongan de acuerdo en adoptarlo. Si has oído hablar de él como «el USB-C de la inteligencia artificial», la analogía es bastante precisa. Antes de MCP, cada conexión entre una IA y una herramienta externa requería un conector hecho a medida. Con MCP, un solo estándar sirve para todos.
Y no es una promesa de futuro. En diciembre de 2025, Anthropic donó MCP a la Agentic AI Foundation, bajo el paraguas de la Linux Foundation, con OpenAI y Block como cofundadores. Las descargas mensuales del SDK superan los 97 millones entre Python y TypeScript. Hay más de 5.800 servidores MCP disponibles en directorios como MCP.so. Esto ya no es un experimento: es infraestructura. Continúa leyendo «Qué es MCP (Model Context Protocol) y por qué va a cambiar la forma en que usas la inteligencia artificial»
Colab MCP Server: cuando tu agente de IA puede “manejar” Google Colab por ti
El 17 de marzo de 2026, en el blog de Google for Developers, Google presentó el Colab MCP Server, un servidor de código abierto que permite conectar cualquier agente de IA compatible con MCP a Google Colab. La idea es sencilla de explicar: si tu agente trabaja desde tu terminal, ya no tiene por qué quedarse limitado a la potencia de tu portátil ni a los permisos de tu sistema. Con esta integración, el agente puede usar Colab como si fuera un taller remoto con herramientas listas, buena luz y una mesa grande, en lugar de intentar hacer el mismo trabajo en la encimera de casa.
Google enmarca el anuncio como una forma de convertir Colab en un “host” extensible y automatizable, más que como una novedad de interfaz para compartir cuadernos. Continúa leyendo «Colab MCP Server: cuando tu agente de IA puede “manejar” Google Colab por ti»
Nvidia pone “cinturón y airbags” a OpenClaw: qué trae NemoClaw y por qué importa a las empresas
En enero, OpenClaw pasó de ser una curiosidad creada por un desarrollador independiente a convertirse en una especie de “navaja suiza” de agentes de IA para ejecutar en local: ordenar archivos, escribir código, automatizar tareas y moverse por la web sin que cada acción tenga que salir hacia la nube. Esa promesa —más autonomía, menos dependencia del cloud— explica su atractivo. También explica el vértigo que provoca en los equipos de TI: un agente con manos para tocarlo todo puede ser útil, pero también puede romper cosas sin querer… o ser empujado a hacerlo.
Según contó The Next Web, el proyecto arrancó el 25 de enero de 2026 y su adopción fue explosiva en cuestión de semanas, justo el tipo de crecimiento que deja a la seguridad corriendo detrás del producto. Continúa leyendo «Nvidia pone “cinturón y airbags” a OpenClaw: qué trae NemoClaw y por qué importa a las empresas»
Meta compra Moltbook: qué gana con la red social hecha para agentes de IA (y qué puede salir mal)
Meta ha confirmado la adquisición de Moltbook, una plataforma social diseñada específicamente para agentes de IA, por una cantidad que no se ha hecho pública. La noticia se conoció el 10 de marzo de 2026 a través de Axios y fue ratificada después por otros medios como TechCrunch y Reuters. En paralelo al acuerdo, los cofundadores de Moltbook, Matt Schlicht y Ben Parr, pasan a integrarse en Meta Superintelligence Labs (MSL), el equipo de investigación y desarrollo de IA de la compañía, liderado por Alexandr Wang, según recoge Axios.
Que el precio no se haya comunicado es habitual en compras de este tipo, sobre todo cuando el valor real no está en los ingresos actuales, sino en el talento y en un “bloque” tecnológico concreto. En este caso, el bloque parece claro: un sistema de identificación y coordinación entre bots que actúan en nombre de una persona. Continúa leyendo «Meta compra Moltbook: qué gana con la red social hecha para agentes de IA (y qué puede salir mal)»
GPT-5.4 de OpenAI: el nuevoGPT-5.4: lo nuevo de OpenAI para trabajo profesional, agentes y contextos gigantes modelo pensado para trabajo profesional, agentes y contexto “gigante”
OpenAI ha presentado GPT-5.4 como su modelo “frontera” más capaz y eficiente orientado a tareas profesionales, con despliegue en ChatGPT (bajo el nombre GPT-5.4 Thinking), en la API y en Codex, según explica la propia compañía en su anuncio de producto. La idea es clara: juntar en un solo sistema mejoras de razonamiento, programación y flujos de trabajo con herramientas para que el modelo no solo responda, sino que entregue resultados que parezcan entregables de trabajo: un documento pulido, una hoja de cálculo coherente o un análisis legal estructurado.
La versión “estándar” alimenta la API y herramientas para desarrolladores, mientras que GPT-5.4 Thinking está orientada a usuarios que quieren ver un enfoque de razonamiento más deliberado dentro de ChatGPT. Junto a ellas aparece GPT-5.4 Pro, una variante para quien prioriza rendimiento en cargas complejas. En medios como Interesting Engineering se ha destacado precisamente ese posicionamiento: un modelo para documentos, spreadsheets, código y flujos multi-paso, con la promesa de menor coste por eficiencia de tokens y menos iteraciones para llegar al resultado. Continúa leyendo «GPT-5.4 de OpenAI: el nuevoGPT-5.4: lo nuevo de OpenAI para trabajo profesional, agentes y contextos gigantes modelo pensado para trabajo profesional, agentes y contexto “gigante”»
GPT-5.4 Pro y el “atajo” matemático: cuando la IA gana por memoria, búsqueda y contexto
La conversación sobre modelos de lenguaje y matemáticas suele moverse entre dos extremos: o “solo predicen texto”, o “ya razonan como un estudiante brillante”. La noticia reciente se sitúa justo en el punto incómodo del medio. Según contó Computerworld, y apoyándose en una publicación de Epoch AI, GPT-5.4 Pro logró resolver un problema de máxima dificultad dentro de un conjunto de retos académicos, uno que hasta ese momento ningún otro modelo había superado.
El detalle que vuelve esto interesante no es únicamente el acierto, sino el “cómo”. En el análisis preliminar, Epoch AI sugiere que el modelo localizó un preprint de 2011 que permitía recortar gran parte del trabajo esperado, y que el propio autor del problema no conocía ese documento. Es como si a alguien le pidieran demostrar un teorema en una pizarra y, antes de empezar, sacara del bolsillo una fotocopia olvidada de una demostración publicada hace años en un repositorio poco transitado. El resultado final es correcto, pero la historia cambia: no estamos viendo solo capacidad de deducción desde cero, sino una mezcla sofisticada de búsqueda, memoria y recombinación. Continúa leyendo «GPT-5.4 Pro y el “atajo” matemático: cuando la IA gana por memoria, búsqueda y contexto»