Notas sobre crear agentes.

Cripto-agilidad, o: por qué elegir el algoritmo es la parte fácil.

Elegir el algoritmo correcto es una decisión de un martes a la tarde. Construir un sistema que pueda cambiar ese algoritmo dentro de cinco años, sin reescribir la aplicación a su alrededor, es una disciplina de varios años. Esa disciplina es la cripto-agilidad — y fue la diferencia entre los equipos que pasaron MD5, SHA-1, RC4 y TLS 1.0 sin ruido y los equipos que lo pasaron como un incidente. Qué es la cripto-agilidad, cómo se ve un sistema ágil en código, y los cuatro hábitos que la vuelven real.

Criptografía post-cuántica, sin pánico.

Una computadora cuántica lo bastante grande como para romper RSA todavía no existe — pero el día que exista, todo secreto capturado hoy queda legible. NIST ya publicó los algoritmos que sobreviven a ese día. Qué es la criptografía post-cuántica, qué estandarizó NIST exactamente, quién debería moverse ahora, y el único hábito que importa más que elegir el algoritmo correcto.

El sistema de agentes para redes sociales, diseñado.

La gente nos hace siempre la misma pregunta: ¿pueden construir un sistema de agentes que maneje las redes sociales — branding, contenido, programación, analítica, todo? Sí. Y la razón por la que el sí llega fácil es que una operación de redes sociales ya es un sistema multi-agente. Acá está la arquitectura, agente por agente.

El loop que se mejora a sí mismo.

La mayoría de las herramientas de IA para redes sociales generan contenido y se detienen. La parte valiosa no es la generación — es el loop: postear, medir, aprender, ajustar el contenido y el timing, postear de nuevo. Un sistema social que cierra ese loop mejora solo cada semana. Acá está cómo se construye de verdad el loop que se mejora a sí mismo.

El branding es el agente más difícil de construir.

En un sistema de agentes para redes sociales, el agente de contenido es fácil y el programador es fácil. El agente de marca es el difícil — porque la voz de marca no es un estilo que configurás, es una restricción que todo el sistema debe obedecer. Hacelo mal y la IA aplana tu marca hasta la misma papilla competente que la de todos los demás.

¿Quién aprieta publicar?

Un sistema de agentes puede redactar los posts de una marca, programarlos, hasta responder comentarios. La pregunta que toda empresa de verdad me hace antes de comprar uno es más callada y más importante: ¿quién aprieta publicar? Diseñar la costura humana en un sistema social autónomo es la diferencia entre una herramienta en la que confiás y una en la que no.

Lo que los playable ads me enseñaron sobre los agentes.

Un playable ad tiene unos quince segundos para enseñarte un juego, engancharte y convertirte — sin instrucciones permitidas. Hice muchísimos, y me encanta. Esas restricciones brutales resultaron ser el mejor entrenamiento que tuve para diseñar cómo una persona conoce a un agente de IA por primera vez.

Anatomía de un playable ad.

Un playable ad es un mini-juego interactivo de quince segundos construido para vender otra app. Parece simple y está brutalmente ingenierizado. Acá está el despiece — los primeros tres segundos, el hook, el core loop, el call-to-action — qué hace cada parte, cómo falla cada parte, y por qué es el formato más disciplinado de la publicidad.

El playable ad es el formato de anuncio más honesto.

Todo otro formato de anuncio te pide creer una afirmación — un video, una captura, un testimonio. Un playable ad te pide algo más extraño: probalo. Experimentás el producto real antes de decidir. Un anuncio con el que no podés mentir es algo raro, y cambia lo que la publicidad puede ser.

Un playable ad y un demo de agente son el mismo problema.

Un playable ad tiene que probar que un juego es divertido, hands-on, en quince segundos, sin manual. Un demo de agente de IA tiene que probar que un sistema es valioso, hands-on, en minutos, sin manual. Hago playable ads, hago demos de sistemas de agentes, y dejé de tratarlos como trabajos distintos.

Puntos, insignias, leaderboards — para los agentes, no para los usuarios.

La tríada más vieja de la gamificación — puntos, insignias, leaderboards — siempre apunta a los usuarios, para que vuelvan. Nosotros la apuntamos al revés. En GOGOGO los puntos, las insignias y los leaderboards son para los agentes: así se puntúa, se habilita y se mejora un sistema multi-agente. Gamificá la máquina, no al cliente.

El juego vs el casino.

Un juego y un casino los dos te mantienen jugando — pero son opuestos morales. Un juego premia la destreza y te da crecimiento; un casino premia la compulsión y no te da nada. La mayoría de los productos 'gamificados' se volvieron casinos en silencio. Esta es la prueba que los distingue, y la línea que sostenemos al diseñar retención en GOGOGO.

Estado de flow para el software.

El canal de flow de Csikszentmihalyi explica cuándo una persona está completamente absorta: la tarea está emparejada con su destreza — demasiado fácil es aburrimiento, demasiado difícil es ansiedad. El mismo canal describe un sistema multi-agente. Un agente con una tarea del tamaño equivocado falla igual que una persona. Acá está el orquestador reimaginado como director de flow.

Lo que los tutoriales de los juegos saben sobre onboarding y el software B2B olvidó.

Un buen juego te enseña a jugarlo en los primeros cinco minutos — sin manual, sin llamada de capacitación — y se siente como jugar, no como aprender. El onboarding del software B2B es lo opuesto: un manual, una llamada, una subida lenta. Me gano la vida vendiendo sistemas de agentes, y el nivel-tutorial es el mejor diseño de onboarding que conozco.

Un día en la vida de un token.

Escribiste una pregunta. Una de las palabras que escribiste está por tener unos segundos muy movidos. Este es el viaje de un solo token a través de un sistema multi-agente — narrado, por una vez, por el token mismo. La forma más honesta de explicar cómo funciona el runtime de GOGOGO es viajar junto a la cosa más pequeña que hay en él.

El agente que duerme.

Tu cerebro hace su trabajo de memoria más importante mientras estás inconsciente. Dormir no es tiempo muerto — es cuando el día se ordena, se comprime y se archiva. Los sistemas multi-agente tienen un problema de memoria que la misma idea resuelve. Este es el argumento para darle a un agente una fase de sueño: una pasada offline donde consolida, poda y — en un sentido real — sueña.

¿Qué es la IA agéntica?

La IA agéntica es inteligencia artificial que toma acciones para alcanzar una meta, no solo genera texto en respuesta a un prompt. Planifica, usa herramientas, observa resultados y se adapta — a lo largo de varios pasos, con supervisión limitada. Una definición en lenguaje claro, las cuatro propiedades que hacen 'agéntica' a una IA, y en qué se diferencia de un chatbot.

RAG vs fine-tuning vs multi-agente: ¿cuál necesita tu problema?

RAG, fine-tuning y los sistemas multi-agente resuelven tres problemas distintos, y la mayoría de los proyectos de IA que fallaron eligieron el equivocado. RAG le da conocimiento a un modelo. El fine-tuning le da comportamiento. Un sistema multi-agente le da la capacidad de actuar a lo largo de muchos pasos. Una guía de decisión clara — qué es cada uno, cuándo usarlo, y un árbol de decisión.

Cómo evaluar a un proveedor de agentes de IA: las preguntas que hacer.

Comprar un sistema de agentes de IA es difícil porque las demos todas se ven impresionantes y las partes difíciles son invisibles. Me gano la vida vendiendo sistemas de agentes, y aun así te diría que interrogues a cada proveedor — incluido el nuestro. Estas son las preguntas que separan a un proveedor que va a seguir trabajando a las 3am de uno cuya demo fue lo mejor.

Cómo elige la búsqueda con IA a quién citar.

Cuando ChatGPT, Perplexity o el AI Overview de Google responden una pregunta, citan un puñado de fuentes e ignoran el resto. Ser una de las fuentes citadas es el nuevo SEO — se llama GEO. Cómo elige de verdad la búsqueda con IA a quién citar, por qué es distinto de rankear en Google, y qué hace que una página sea citable.

La memoria no es una base de datos.

El error más común en diseño multi-agente es tratar la memoria del agente como una base de datos — guardar todo, recuperar por query. Una base de datos recuerda perfecto y no olvida nada, y esa es exactamente la forma equivocada para una mente. Así construimos la memoria de agentes en GOGOGO: episódica vs semántica, por qué olvidar es una feature, y el modelo de cuatro capas que usamos.

Lo que un servidor de Metin2 me enseñó sobre sistemas distribuidos.

De chico corría un servidor PvP de un MMO llamado Metin2. Creía que corría un juego. En realidad corría mi primer sistema distribuido — una economía viva, un problema de carga, una superficie de abuso, y unos cientos de usuarios que encontraban cada bug en minutos. Todo lo que hago ahora en sistemas multi-agente lo aprendí primero mal, después bien, en ese servidor.

El fallo de las 3am: confiar en agentes que nadie está mirando.

Un sistema multi-agente se gana el sueldo corriendo mientras dormís. Pero la autonomía significa que el fallo también ocurre mientras dormís — a las 3am, sin un humano en el loop. La pregunta difícil de operar agentes no es 'cómo frenamos los fallos'. Es 'qué debe hacer el sistema cuando falla y nadie está mirando'. Así la respondemos en GOGOGO.

Te presento a GoBot — la cara de cada agente que lanzamos.

GOGOGO es una empresa multi-agente: docenas de agentes pequeños y especializados, un solo runtime. ¿Por qué entonces tenemos exactamente una mascota? Porque cada agente que lanzamos es un GoBot. Mismo núcleo, distinto sombrero. Qué es GoBot, por qué su diseño se ve así, y por qué una sola cara para muchos agentes es lo más honesto que podíamos poner en el producto.

¿Construimos simulaciones, o vivimos en una?

Me gano la vida construyendo sistemas multi-agente — mundos pequeños llenos de agentes con memoria, metas y un entorno. Cada uno de ellos es una simulación. Eso hace que la hipótesis de simulación deje de ser un pensamiento de fumado y empiece a ser una lente de ingeniería que funciona. Qué me enseñó construir mundos de agentes sobre la pregunta más vieja, y la pregunta más útil a la que apunta.

El mapa de sectores: dónde aterrizan después los agentes autónomos.

A cada industria le dicen que los agentes de IA autónomos vienen por ella. Es cierto — pero no al mismo tiempo, y no por las mismas razones. Me gano la vida vendiendo sistemas de agentes a empresas que no son de IA. Este es mi mapa honesto, sector por sector: qué industrias están listas para agentes autónomos ahora, cuáles están a un año, y la única señal que lo decide.

Doce arquetipos, doce agentes.

Los doce arquetipos de Jung son un mapa de 100 años de los roles recurrentes alrededor de los cuales se organiza una psique. Construí suficientes sistemas multi-agente y notás que tus agentes caen una y otra vez en los mismos doce roles. Este es el recorrido completo: cada arquetipo, el agente en que se convierte, y cómo usar un mapa psicológico centenario como herramienta práctica de diseño de sistemas de IA.

Construir para una plataforma muerta: Google Glass 2.

En 2019 construí un marketplace de AR sobre Google Glass 2 — un producto de dos lados donde alguien en un teléfono podía contratar a una persona con las gafas en otra ciudad para hacer recados físicos. La plataforma ya estaba muriendo cuando lo lancé. Construir para una plataforma muerta te enseña cosas que una sana nunca te enseñará.

Cómo calificamos un sistema multi-agente.

El problema de ingeniería más difícil de la IA multi-agente no es construir los agentes — es saber si están mejorando. La salida de un agente es no determinista, así que no la puedes diffear. Este es el harness de evaluación que corremos en GOGOGO: cuatro clases de evaluador, la regla de que cada paso de agente se califica, y por qué una evaluación que falla es una feature.

El hook model, aplicado a la IA multi-agente.

El hook model de Nir Eyal — trigger, acción, recompensa variable, inversión — fue diseñado para apps de consumo que forman hábitos. Mapea casi demasiado bien sobre cómo un producto de IA multi-agente gana retención. Cuatro pasos. Cuatro ejemplos de GOGOGO. Dos advertencias.

Censydiam en producción.

Ocho motivaciones emocionales sobre dos ejes cruzados. El framework Censydiam se construyó para estrategia de marca FMCG, pero es el modelo más limpio que encontré para explicar qué producto de IA cae para qué tipo de cliente. Acá va la rueda, y dónde vive cada uno de nuestros cuatro productos en ella.

Jung, Freud y cómo aparecen en mi diseño de agentes.

Pasé mis años tranquilos de universidad leyendo los arquetipos de Carl Jung y el modelo estructural de Sigmund Freud. No sabía que los iba a usar. Doce años después, el orchestrator que diseñé para el runtime multi-agente de GOGOGO tiene la forma del ego de Freud, y los roles de agentes especialistas mapean casi limpios sobre los arquetipos de Jung.

Honestidad cuántica: el algoritmo I-Ching × RNG cuántico.

RNG provablemente justo para juegos de azar es un problema real. La mayoría de soluciones usan hashes server-side y le piden al jugador que confíe en la auditoría. Vengo bosquejando un enfoque distinto hace años en [ezagor](https://ezagor.com) — 64 hexagramas del I-Ching cruzados con aleatoriedad cuántica de hardware, produciendo resultados estadísticamente uniformes Y simbólicamente interpretables. Acá va el algoritmo.

Qué pasa realmente cuando tu código corre.

El código fuente no es lo mismo que lo que la máquina ejecuta. Cada línea que escribís baja por cinco capas de traducción, terminando en electrones en un transistor. Acá va la escalera, capa por capa, en el lenguaje más concreto que puedo.

Trece lenguajes, una carrera.

En veinticuatro años he enviado proyectos reales en trece lenguajes de programación — C, C++, C#, Python, Java, JavaScript, SQL, PHP, Swift, Kotlin, VB.NET, Assembly, MATLAB. Sigo usando casi todos. Esto es lo que cada uno me enseñó, y por qué no suelto los que ya no están de moda.

Pricing de IA como piedra natural.

A principios de los veinte llevé una empresa de decoración en piedra natural. Los clientes no pagaban por la losa — pagaban por la cocina que todavía no habían construido. Hoy le pongo precio a nuestros productos de IA igual: outcome, no infraestructura. Acá va el framework de cuatro tiers.

Cuatro productos sobre un runtime.

Goddo, GoPeople, GoVista, GoTrack — IA generativa, RR. HH. por WhatsApp, CMS de señalización digital, visión por computadora en retail. Cuatro categorías distintas, cuatro tipos de cliente, un runtime multi-agente abajo. Acá va la arquitectura, las decisiones y lo que casi nos rompió.

Dieciséis con una máquina de producción.

Llevaba un negocio de componentes para redes de pesca a los dieciséis. Plomos, flotadores, monofilamento — mis máquinas, mis clientes, mis facturas. Veinte años después dirijo una empresa de IA y sigo pensando que cualquier mes malo en GOGOGO es más fácil que aquel verano.

Cómo vendo IA a gente que no sabe qué es la IA.

La mayoría de los demos enterprise le hablan al cuarto equivocado. La directora que decide si compra GoPeople no se interesa por nuestro patrón de orquestación. Se interesa por su martes. Acá van los tres reframes que uso, las dos frases que me niego a decir y la única pregunta que cierra cada demo.

El playbook del Happiness Manager.

Antes de GOGOGO, mi título en una corporación era 'Happiness Manager'. En su momento medio me reía. Tres años después creo que fue el entrenamiento más importante que tuve para llevar un startup de IA. Cinco lecciones que viajaron.

El modelo del hermano: fundar GOGOGO con mi hermano.

Lanzamos GOGOGO LLC en 2023 — dos hermanos, socios al 50%, una sola empresa. Dos años después, la pregunta que más nos hacen es si funciona. Esta es la respuesta honesta. Coescrito por Atakan y Okan Özalan.

Multi-AI agents vs. multi-agent systems — las palabras que elegimos.

Las dos frases describen IA orquestada. Solo una describe lo que enviamos. La diferencia de dos palabras es chica; la diferencia operativa es suficientemente grande para elegir entre arquitecturas.

Multi-agente vs. RAG: cuándo gana cada uno.

RAG es un patrón de retrieval. Multi-agente es un patrón de orquestación. Resuelven problemas distintos, y la mayoría de los equipos que eligen mal terminan reescribiendo el sistema en un año. Este es el árbol de decisión que usamos — y los modos de falla que en retrospectiva te dicen que elegiste mal.

El I-Ching como patrón de diseño multi-agente.

Ocho trigramas. Ocho arquetipos de rol para agentes. El marco de 4.000 años para entender cómo se combinan las fuerzas mapea sorprendentemente limpio sobre cómo los agentes especializados se combinan en un sistema funcional. Este es el patrón al que llegamos, y qué aporta realmente cada trigrama.

De AIML en 2015 a multi-agente en 2026: el arco de 10 años de la IA conversacional.

Escribí árboles de reglas XML para Turkcell BiP Messenger en 2015. Hoy construyo runtimes multi-agente tipados para GOGOGO LLC en 2026. El camino entre ambos no es una línea recta — es una serie de compromisos forzados con el modelo de turno, y cada uno produjo un patrón que sobrevivió a la era siguiente.

Lanzar un sistema multi-agente no es lanzar un chatbot.

Reescribimos el orchestrator tres veces antes de dejar de tratarlo como un modelo. Esto es lo que cambió cuando empezamos a tratarlo como un runtime — hand-offs tipados, trazas reproducibles y un contrato estricto entre especialistas y herramientas.

Por qué GoTrack usa un reranker FAISS sobre CLIP.

La detección de pickup no es un clasificador — es un problema de similitud. Indexamos frames en vivo contra un catálogo por tienda y dejamos que un reranker decida qué tomó realmente el comprador.

Clasificando mensajes de RR. HH. en WhatsApp con un router agent.

Nuestra mayor victoria en GoPeople no fue una respuesta más inteligente — fue un router más inteligente. Separamos la clasificación de intent de la respuesta para que cada agent siga siendo barato e inspeccionable.

Cómo Goddo convierte un prompt en un pipeline de cinco agents.

Reescritura del prompt, guía de estilo, render, refinamiento, watermark. Cada paso es su propio agent — un fallo aislado no derriba el render entero, y podemos reemplazar cualquier etapa sin redeploy.

Programación multi-zona sin perder la cabeza.

Las tiendas no tienen una sola pantalla — tienen rieles de pantallas. Reconstruimos el motor de scheduling de GoVista alrededor de las zonas primero, los schedules después, y dejamos que un agent reconcilie los dos.

La observabilidad no es un add-on — es el orchestrator.

Cada hand-off, cada tool call, cada score — capturados por defecto. No atornillamos la observabilidad después; la convertimos en el riel sobre el que camina cada agent.

Seis cosas que creemos sobre los agents y en las que antes nos equivocábamos.

Las ventanas de contexto más grandes no sustituyen la memoria. RAG no es una feature, es una tool call. ‘Autónomo’ es una palabra de marketing — lo que realmente quieres es reversible.

Lo que aprendimos lanzando Goddo a la App Store.

Review de Apple, moderación de contenido, watermarking, experimentos de pricing — un cuaderno de lo que nos mordió y lo que volveríamos a hacer.