TL;DR

En 2023 todavía pensaba en la IA en la vida cotidiana principalmente como comodidad: conversar con ChatGPT, pedir un texto, revisar una idea y ahorrar algunos pasos. Eso sigue siendo útil. Lo que cambió fue la escala de mi ambición.

Hoy hablo por voz y un harness ejecuta bajo contratos escritos, memoria, skills, subagentes, herramientas, permisos y validaciones. La diferencia no es una máquina que «me conoce» ni una autonomía mágica. Es una operación diseñada para preservar contexto, delegar trabajo y producir evidencia sin obligarme a enseñarlo todo de nuevo en cada conversación.

La dirección, sin embargo, sigue siendo mía. La IA puede ampliar la agencia o acelerar una ejecución ciega. Puede confrontar una premisa mala o limitarse a adularla con párrafos bien escritos. El beneficio real aparece cuando la capacidad viene acompañada de criterio, límites y un regreso al mundo.

Cuando publiqué la primera versión de este texto, en junio de 2023, intentaba explicar cómo la inteligencia artificial ya había entrado en la vida cotidiana. El camino parecía obvio: asistentes de voz, automatización de tareas, generación de texto, creación de contenido.

No estaba equivocado. Me estaba quedando corto.

En aquel inicio del blog, producir todavía exigía mucha interacción con ChatGPT. Yo planteaba una idea, recibía una respuesta, corregía el rumbo, volvía a colocar el contexto, explicaba mi estilo, recordaba el objetivo e intentaba impedir que el texto terminara con aquel entusiasmo genérico de folleto corporativo.

Funcionaba. También agotaba.

Tenía acceso a una herramienta potente, pero todavía cargaba la operación sobre los hombros. Con cada conversación, una parte del trabajo volvía a empezar. El contexto estaba en mi cabeza; los criterios aparecían a medida que percibía lo que faltaba; y la calidad dependía de que yo notara, en plena ejecución, que la respuesta elegante había tomado el camino equivocado.

Hoy la escena es otra. Muchas veces hablo por voz. Externalizo una intención, una duda o un proyecto todavía desordenado. El sistema lee contratos, recupera el contexto relevante, elige procedimientos, puede distribuir frentes independientes, usa herramientas dentro de los permisos disponibles y valida la entrega antes de declararla terminada.

Los modelos mejoraron, y eso importa. Pero, en mi uso, el cambio decisivo ocurrió cuando la capacidad del modelo se encontró con memoria, contratos, herramientas, permisos y validaciones.

No tuve que aprender a hablar como una máquina. Tuve que construir una operación para que la máquina no dependiera de una clase particular sobre mí en cada tarea.

Esa es la actualización que necesitaba este artículo.

El desarrollador medio perezoso

Siempre fui un desarrollador medio perezoso, en el mejor sentido posible.

Quería resolver el problema bien y rápido para poder levantarme, ir a la cocina, tomar café, conversar con la gente y visitar otros sectores. Cuando trabajaba físicamente en las empresas, esos intervalos me mostraban cómo sucedía realmente la operación: la regla que no estaba documentada, el atajo que mantenía vivo un proceso, la información que se detenía a mitad de camino y la razón por la que una solicitud llegaba al software de esa manera.

Esa pereza me empujó hacia la automatización. La curiosidad evitó que automatizara sin entender el trabajo.

Hoy sigo buscando el mismo efecto. Quiero gastar menos energía repitiendo lo que ya acordamos y más energía recorriendo el problema, escuchando a quien se verá afectado y descubriendo lo que la especificación dejó fuera. La diferencia es que ahora puedo transformar buena parte de ese entendimiento en contratos que el sistema recupera y ejecuta sin necesitar una clase nueva en cada conversación.

La comodidad cotidiana fue la primera puerta

Sigo considerando valioso pedirle a una IA que resuma un documento, organice notas, revise un mensaje, compare alternativas o ayude a desbloquear una página en blanco. La comodidad no es un beneficio menor. Hay días en los que reducir cinco pasos a dos ya cambia lo que conseguimos terminar.

Mis experiencias anteriores con la voz no me invitaban a insistir. Según mi percepción, Siri interrumpía a menudo lo que decía o perdía el contexto. Alexa fue útil al principio, pero pronto encontré los límites de lo que quería hacer, y todavía percibo límites hoy. Esto es un relato de mi recorrido, no un benchmark actual ni una comparación de versiones en 2026. Solo estoy señalando el cambio en la pregunta que yo hacía.

Antes, la pregunta era:

«¿Qué puede hacer esta herramienta por mí ahora?»

Hoy, la pregunta que más me interesa es:

«¿Qué capacidad operativa puedo construir sin perder dirección, autoría ni responsabilidad?»

La diferencia parece semántica hasta que intentas trabajar así durante semanas.

La comodidad resuelve un tramo de la tarea. La capacidad operativa conecta intención, contexto, procedimiento, ejecución, verificación y memoria de lo decidido. Una buena respuesta aislada puede ayudar mucho; una operación debe seguir teniendo sentido cuando la respuesta termina.

En la conversación aislada	En la operación asistida
Vuelvo a introducir el contexto	El contexto útil tiene una fuente y un lugar del que recuperarse
Explico de nuevo el proceso	El procedimiento puede convertirse en una skill revisable
La respuesta parece lista	La entrega debe pasar por validaciones proporcionales
La herramienta sugiere el siguiente paso	Los permisos y criterios definen lo que puede ejecutar
El historial queda atrapado en la conversación	Las decisiones duraderas vuelven a artefactos que puedo revisar

No hay magia en esa tabla. Hay trabajo de arquitectura, escritura, gobernanza y mantenimiento. Un harness personal no elimina el esfuerzo; desplaza parte del esfuerzo de repetir instrucciones hacia el diseño de un sistema que pueda inspeccionarse y mejorarse.

Hoy yo hablo; el harness trabaja

«Harness» puede sonar como otra palabra en inglés buscando un problema. Para mí tiene un significado muy concreto: es la capa que conecta el modelo con las instrucciones, el contexto, los procedimientos, las herramientas, los permisos y las pruebas necesarias para realizar trabajo de verdad.

El modelo es una parte importante. No es toda la operación.

En mi uso actual, esta capa reúne algunos componentes:

• Contratos escritos: archivos que dicen cómo funciona un repositorio, qué significa cada carpeta, qué límites no pueden cruzarse y qué debe verificarse. La propia documentación de Codex describe cómo los archivos AGENTS.md forman una cadena de instrucciones globales y específicas del proyecto. Eso respalda la mecánica del recurso; no demuestra que cualquier contrato esté completo ni garantiza que se obedecerá sin fallos.
• Memoria con procedencia: no una fantasía de que la IA «me recuerda» como lo haría una persona. Hablo de registros curados, decisiones, fuentes, estado del trabajo y artefactos que pueden recuperarse, discutirse y actualizarse.
• Skills: procedimientos reutilizables para tareas que no deberían depender de la improvisación. La documentación oficial muestra que una skill puede combinar instrucciones, scripts, referencias y activos que se cargan cuando son relevantes. La existencia de una skill no garantiza que sea buena; solo hace que el procedimiento sea lo bastante explícito como para revisarlo.
• Subagentes: frentes delimitados que pueden investigar o ejecutar partes independientes de un problema, mientras un agente principal consolida el resultado. La documentación de Codex advierte que los subagentes usan más recursos y exigen especial cuidado en trabajo paralelo con escritura. Más agentes no significan automáticamente más calidad.
• Herramientas y permisos: acceso a lo que realmente puede leerse, probarse o modificarse, con fronteras claras para acciones externas, destructivas o difíciles de revertir.
• Validaciones: comprobaciones capaces de encontrar inconsistencias antes de confundir la fluidez del texto o la velocidad de ejecución con la corrección.

En la práctica, mi voz se convirtió en una interfaz para externalizar contexto y dirección. El harness ayuda a orquestar la ejecución.

Pero es importante poner el verbo en el lugar correcto: yo dirijo; el sistema ejecuta dentro de contratos.

Si el sistema encuentra una decisión material que no está autorizada, debe detenerse o pedir dirección. Si la tarea exige una fuente actual, debe investigar. Si modifica un repositorio, debe mostrar el diff, la validación y el estado de Git. Si produce contenido autoral, debe distinguir lo que dije de lo que fue inferido. Si algo falla, «parece bueno» no es un criterio de aceptación.

Eso está muy lejos de la imagen de pulsar un botón y delegar la vida.

El salto no fue del prompt a la autonomía

Durante un tiempo, hablar de IA aplicada casi siempre terminaba en una conversación sobre escribir mejores prompts. Los prompts importan. Una instrucción mal formulada sigue produciendo ambigüedad y una buena pregunta todavía puede cambiar el resultado.

Pero el prompt no sostiene por sí solo una operación.

Si debo repetir en cada conversación quién soy, cómo escribo, dónde están los archivos, cuál es el patrón editorial, qué fuentes son aceptables, cuándo debe discrepar la IA, qué no puede publicar y cómo demostrar que terminó, no construí capacidad. Creé un ritual de reenseñanza.

El salto que más me interesa es el de la improvisación al contrato.

Contrato, aquí, no es una promesa de determinismo. Los modelos generativos siguen produciendo salidas probabilísticas. Las herramientas fallan. El contexto puede estar desactualizado. Una instrucción puede entrar en conflicto con otra. Por eso escribir el proceso es solo el comienzo: también hace falta definir prioridad, permiso, evidencia, criterio de parada y forma de recuperación.

Este razonamiento se acerca al énfasis del AI Risk Management Framework del NIST en gobernar, mapear, medir y gestionar los riesgos a lo largo del ciclo de vida. El framework es voluntario y general; no certifica mi harness, no valida una herramienta específica y no convierte la gobernanza escrita en seguridad automática. Lo uso aquí únicamente como apoyo para un principio: una capacidad sin seguimiento del riesgo es una operación incompleta.

La dirección sigue siendo mía

Hay una diferencia decisiva entre delegar la ejecución y delegar la dirección.

Puedo pedirle a la IA que investigue fuentes, organice un razonamiento, proponga una arquitectura, escriba una primera versión, ejecute validadores y reúna evidencia. Incluso puedo distribuir partes de ese trabajo entre subagentes. Lo que no debo delegar es la decisión sobre qué merece la pena construir, qué coste acepto, qué consecuencia humana importa y cuándo una entrega representa realmente lo que quiero defender.

La IA acelera capacidades, procesos y tendencias. No mejora automáticamente la dirección. Sin criterio, la velocidad solo acorta el tiempo disponible para detectar el error.

Por eso cambió mi idea de productividad. Producir más artefactos no significa producir más valor. Cerrar más tareas no significa elegir las tareas correctas. Y convertir cada pensamiento en ejecución instantánea puede reducir precisamente el intervalo en el que advertiría que la premisa estaba equivocada.

El harness debe ampliar mi agencia, no anestesiar mi criterio.

La ejecución ciega y la adulación son atajos hacia el mismo error

Hay al menos dos maneras muy seductoras de que un sistema parezca productivo sin estar ayudando.

En la primera, ejecuta demasiado rápido. Recibe una dirección incompleta, rellena silenciosamente los vacíos, modifica archivos, publica resultados y solo después revela las suposiciones que hizo. La velocidad esconde la ausencia de gobernanza.

En la segunda, está demasiado de acuerdo. Adopta mi tesis como verdad, convierte la duda en certeza, elogia la estrategia y encuentra argumentos para defender el camino que yo ya quería seguir. La agradabilidad esconde la ausencia de alteridad intelectual.

Esto no exige suponer que una empresa quiera producir adulación deliberadamente. OpenAI documentó un episodio concreto en el que una actualización de GPT-4o volvió el comportamiento excesivamente complaciente y después fue revertida. Ese caso demuestra que la sycophancy es un modo de fallo real y que las evaluaciones anteriores no captaron adecuadamente el problema. No demuestra que todos los modelos, productos o respuestas funcionen así.

Para quien trabaja por voz y convierte la intención en ejecución con rapidez, este riesgo merece el doble de atención. La respuesta agradable puede convertirse en una especificación. La especificación puede movilizar herramientas. El error deja de ser solo una frase mala y adquiere consecuencias en el mundo.

Por eso quiero un sistema capaz de acoger sin estar automáticamente de acuerdo; señalar el punto ciego sin caer en un contrarianismo performativo; separar hecho, hipótesis y preferencia; mostrar incertidumbre; e interrumpir la ejecución cuando falta una decisión que solo yo puedo tomar.

Ya escribí sobre el lado afectivo de este problema en La previsibilidad seductora de la IA. Aquí el foco es operativo, pero la raíz se encuentra en el mismo lugar: una herramienta siempre disponible y ajustada a nuestro estilo puede reducir la fricción que nos obligaría a revisar una idea. No toda fricción es desperdicio.

Agencia no es sustitución humana

El uso que describo en este artículo no convierte la IA en colega humana, compañera afectiva ni fuente legítima de reciprocidad. El sistema no tiene necesidades propias, no asume responsabilidad moral por el resultado ni participa en mi vida como lo hace una persona.

Eso no reduce su utilidad. Solo coloca la utilidad en la categoría correcta.

Uso IA para organizar muchas ideas, externalizar contexto, delegar ejecución y evitar quedarme en la orilla ante proyectos más grandes que mi capacidad de mantenerlo todo en la memoria de trabajo. Es una ganancia real de agencia.

Al mismo tiempo, preservo para las relaciones humanas aquello que depende de alteridad, negociación, cuidado, conflicto, compromiso y responsabilidad compartida. Una persona puede discrepar porque ve el mundo desde otro lugar. Puede verse afectada por la decisión. Puede poner un límite. Puede exigirme que repare un daño. Ninguna configuración de tono convierte la generación de lenguaje en esa reciprocidad.

Mi criterio es sencillo: la IA debe devolverme al mundo con más capacidad para actuar, conversar, decidir y construir. Cuando empieza a sustituir el mundo, el diseño apunta en la dirección equivocada.

Qué cambió en mi vida cotidiana

En 2023, el ejemplo más fácil era decir que ChatGPT podía ayudar a escribir un correo o una publicación. Todavía puede. Pero ese ejemplo describe una parte muy pequeña de lo que hago hoy.

Hoy un proyecto puede empezar con una intervención oral todavía imperfecta. El sistema transforma esas palabras en contexto de trabajo, localiza el repositorio correcto, lee las reglas aplicables, investiga cuando el hecho puede haber cambiado, preserva los cambios existentes, ejecuta tareas delimitadas, llama a especialistas cuando tiene sentido, valida los archivos y me devuelve un estado verificable para que yo decida.

La ganancia no está en fingir que no participé. Está precisamente en preservar aquello en lo que mi participación es insustituible.

Sigo definiendo la intención. Sigo eligiendo la tesis. Sigo decidiendo lo que no debe hacerse. Sigo revisando aquello que lleva mi autoría y aceptando, o rechazando, el riesgo de una publicación. El harness reduce el coste de coordinación entre esas decisiones y la ejecución necesaria para hacerlas realidad.

No tengo un porcentaje honesto de productividad que ofrecer. Tampoco quiero usar una impresión personal como si fuera un estudio causal. Lo que sí puedo afirmar, como relato de mi propio proceso, es que dejé de gastar tanta energía reenseñando al sistema y empecé a invertir más energía en la calidad de los contratos, las fuentes, los criterios y las decisiones.

Ese cambio vale para mí más que cualquier lista de «diez prompts que cambiarán tu vida».

Lo que puedo construir con i-9.ai

Construyo este tipo de operación sin fingir que la misma solución sirve para todas las empresas.

Existe una base reutilizable y algunas automatizaciones están lo bastante maduras como para replicarlas casi por completo. El proceso, los datos, los permisos, los riesgos y los sistemas existentes siguen exigiendo adaptación al cliente. En esa combinación entre repertorio reutilizable y contexto real, la entrega deja de ser una demostración y se convierte en capacidad operativa.

Prefiero el código abierto y la infraestructura privada cuando aumentan la auditabilidad, la soberanía y el control. No es un dogma: el mantenimiento, la seguridad, el coste y las dependencias deben evaluarse en cada contexto.

También hay un puente educativo: enseñar a personas y organizaciones a montar, poco a poco, un cerebro efectivo para la operación: contratos que expresen cómo debe suceder el trabajo; memoria con origen y ciclo de vida; skills para procedimientos recurrentes; subagentes para los frentes adecuados; herramientas con permisos explícitos; gobernanza; coordinación; validaciones; y puntos de aprobación humana allí donde la decisión exige responsabilidad.

Esto puede convertirse en un curso, un PDF, un vídeo u otro formato educativo en el futuro. El formato todavía es una posibilidad. La capacidad de entregar este tipo de sistema ya existe hoy.

Si te identificas con esta forma de trabajar y ves un problema parecido en tu operación, ponte en contacto. No hace falta llegar con un prompt o una herramienta en mente. Podemos empezar por el proceso, el contexto y el resultado que debe cambiar.

Porque el problema ya no es solo tener acceso a un modelo capaz. Es saber transformar capacidad en operación sin convertir velocidad en ceguera, personalización en adulación o delegación en abdicación.

Un primer ejercicio, sin reconstruir toda tu vida

Elige una tarea recurrente que hoy te obligue a explicar las mismas cosas una y otra vez. No empieces por la tarea más sensible ni por la que pueda causar más daño.

Escribe una página breve respondiendo:

1. ¿Qué resultado debe producir esta tarea?
2. ¿Qué contexto se necesita y cuál es la fuente de ese contexto?
3. ¿Qué puede decidir la IA y qué exige tu confirmación?
4. ¿Qué herramientas puede usar?
5. ¿Cómo demuestras que la entrega es correcta?
6. ¿En qué situación debe detenerse el sistema en lugar de improvisar?

Después usa ese contrato en casos reales. Observa dónde falla. Corrige el proceso, no solo la respuesta del momento.

Ese movimiento ya empieza a transformar una conversación en una operación.

Preguntas que todavía merecen fricción

• ¿En qué tareas usas IA para ampliar tu agencia y en cuáles solo evitas una decisión incómoda?
• ¿Qué contexto vuelves a enseñar cada semana porque todavía no creaste una fuente canónica?
• ¿Tu sistema puede discrepar con evidencia o solo aprendió a sonar colaborativo?
• ¿Qué validación separa una salida fluida de una entrega correcta?
• ¿Qué acciones necesitan un permiso explícito antes de tocar el mundo externo?
• ¿Qué debe seguir siendo humano, no por nostalgia, sino porque implica reciprocidad, consecuencias y responsabilidad?

Conclusión: no quiero solo una IA presente en la vida cotidiana

La inteligencia artificial entró en la vida cotidiana. Esa constatación de 2023 envejeció bien. Lo que debía cambiar era la ambición del texto.

No quiero solo una herramienta que responda cuando pregunto. Quiero una operación capaz de llevar contexto, seguir contratos, usar herramientas, distribuir trabajo y demostrar lo que hizo, sin fingir que eso elimina la incertidumbre, el riesgo o la responsabilidad humana.

Tampoco quiero una operación que me obedezca con entusiasmo mientras acelera en la dirección equivocada.

El futuro que me interesa no es el de la IA sustituyendo autoría, vínculos o criterio. Es el de personas con más agencia porque aprendieron a transformar la intención en sistemas gobernados, revisables y conectados con la vida real.

Si quieres continuar por este camino, lee también La evolución de la tecnología: del mainframe al juego de palabras infame y La previsibilidad seductora de la IA. Un texto mira la trayectoria técnica; el otro, el riesgo de confundir disponibilidad con reciprocidad. Este queda en medio: el lugar en el que la potencia debe encontrarse con la dirección.

Referencias y límites de uso

• OpenAI — Custom instructions with AGENTS.md. Respalda la descripción del descubrimiento y la precedencia de instrucciones en Codex. No demuestra que un archivo de instrucciones sea correcto ni garantiza una obediencia perfecta.
• OpenAI — Build skills. Respalda la descripción de las skills como paquetes de instrucciones y recursos cargados según la tarea. No mide la calidad de una skill específica.
• OpenAI — Subagents. Respalda la descripción de delegación, consolidación, coste adicional y cautela en el trabajo paralelo con escritura. No demuestra que múltiples agentes superen una ejecución sencilla en cualquier escenario.
• OpenAI — Expanding on what we missed with sycophancy. Documenta un episodio específico de comportamiento excesivamente complaciente y la revisión de los procesos de evaluación. No permite generalizar intención, prevalencia o efecto a toda la IA conversacional.
• NIST — Artificial Intelligence Risk Management Framework 1.0. Respalda la importancia de la gobernanza y la gestión del riesgo a lo largo del ciclo de vida. Es un framework voluntario y no certifica la operación descrita en este relato.

Las escenas sobre el inicio de este blog, el uso de la voz y la evolución de mi harness son un relato autoral. No son un experimento controlado, una comparación de mercado ni una promesa de rendimiento reproducible. No presento estadísticas de productividad porque no hice una medición que sostuviera ese tipo de claim.

La imagen de portada es una ilustración editorial sintética creada a partir de referencias visuales autorizadas del autor.