258. Agentes de IA en Make y Kilo: nuevas formas de trabajar

✏️ Suscribirse https://www.youtube.com/watch?v=tm_Vi2dA7lg 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 ca