Categoría
Inteligencia artificial sin hype: modelos, agentes y casos de uso que funcionan en producción.
La función GELU (Gaussian Error Linear Unit) multiplica cada valor de entrada por la probabilidad de que la normal estándar sea menor que ese valor. El resultado es una curva suave, con derivada continua, que pesa las entradas por su magnitud y se ha convertido en la activación por defecto de BERT y GPT.
Una función de activación es la operación no lineal que cada neurona aplica a su suma ponderada z para producir su salida a igual a f de z. Sin ella, apilar capas solo encadena transformaciones lineales y toda la red se reduce a una sola. La no linealidad es lo que permite aprender patrones complejos.
En una neurona artificial, los pesos miden la importancia de cada entrada y el sesgo desplaza el resultado. La neurona multiplica cada entrada por su peso, suma todo y añade el sesgo para obtener la suma ponderada z = Wx + b, el número que luego pasa por la función de activación.
El perceptrón es la neurona artificial más simple: recibe varias entradas, las multiplica por sus pesos, suma un sesgo y aplica una función de activación que decide entre dos salidas. Frank Rosenblatt lo presentó en 1958 y sigue siendo la pieza básica con la que se construyen las redes neuronales modernas.
La probabilidad en redes neuronales aparece en tres ideas: una distribución asigna pesos a los resultados posibles, el valor esperado promedia esos resultados y la verosimilitud mide cómo de bien encaja el modelo con los datos. De esas tres piezas nacen la softmax y la entropía cruzada.
La función exponencial eˣ y su inversa, el logaritmo natural ln(x), aparecen una y otra vez en el aprendizaje profundo. La exponencial construye la sigmoide y la softmax para convertir números en probabilidades, y el logaritmo natural define la entropía cruzada, la pérdida con la que se entrenan los clasificadores.
Una derivada parcial mide cómo cambia una función cuando movemos solo una de sus variables y dejamos fijas las demás. El gradiente reúne todas esas derivadas parciales en un vector que apunta hacia el ascenso más pronunciado; en una red neuronal, moverse en sentido contrario reduce el error y guía el entrenamiento.
La regla de la cadena calcula la derivada de una función compuesta multiplicando las derivadas de sus eslabones: si y depende de u y u depende de x, entonces dy/dx es dy/du por du/dx. Esa multiplicación de derivadas capa por capa es exactamente lo que hace la retropropagación para entrenar una red neuronal.
Las reglas de derivación esenciales son un puñado de fórmulas que convierten cualquier función en su derivada: la regla de la potencia, las del producto y del cociente, y las del exponencial y el logaritmo. Con ellas, más la regla de la cadena, una red neuronal calcula gradientes y aprende ajustando sus pesos.
Una derivada mide la tasa de cambio de una función: cuánto varía su salida cuando la entrada cambia un poco. En una red neuronal, esa pendiente indica en qué dirección y con qué fuerza ajustar cada peso para reducir el error, y es la base del descenso de gradiente y la retropropagación.
La norma de un vector mide su longitud o magnitud. La norma L1 suma los valores absolutos de las componentes y la norma L2 aplica el teorema de Pitágoras: raíz de la suma de cuadrados. Ambas definen distancias distintas entre puntos y son la base de la regularización que evita el sobreajuste en las redes neuronales.
La matriz transpuesta intercambia filas por columnas y aparece en cada paso de la retropropagación; la matriz identidad actúa como el 1 del álgebra de matrices y no altera ningún vector, y la matriz inversa deshace una transformación, aunque solo existe cuando la matriz es cuadrada y su determinante no es cero.
La multiplicación de matrices es la operación central de una red neuronal: cada capa agrupa sus pesos en una matriz W y calcula su salida como el producto W por X. Esa sola operación, repetida capa tras capa, es la que convierte las entradas en predicciones y explica por qué las tarjetas gráficas dominan el aprendizaje profundo.
El producto escalar multiplica cada entrada por su peso y suma los resultados en un solo número. Una neurona usa esa operación para calcular su suma ponderada z igual a w por x más el sesgo b, y ese valor decide, tras la activación, cuánto se enciende la neurona ante los datos que recibe.
Un escalar es un solo número, un vector una lista ordenada de números, una matriz una tabla de dos dimensiones y un tensor la generalización a cualquier número de dimensiones. En una red neuronal los datos entran como vectores y los pesos forman matrices, de modo que cada capa calcula z = Wx + b combinando ambos.
Las matemáticas de las redes neuronales se apoyan en tres bloques: el álgebra lineal representa datos y pesos como vectores y matrices, el cálculo con derivadas y la regla de la cadena permite que la red aprenda mediante el descenso de gradiente, y la probabilidad da forma a las funciones de pérdida. Este mapa recorre ese camino de principio a fin.
Docker Agent es un complemento de la línea de comandos de Docker para crear y ejecutar agentes de inteligencia artificial sin escribir código: describes el modelo, las herramientas MCP y los subagentes en un fichero YAML, arrancas todo con docker agent run y distribuyes el agente por cualquier registro OCI. Compatible con OpenAI, Anthropic, Gemini, Bedrock y Mistral.
Open GSD (Git. Ship. Done.) es un conjunto de herramientas de código abierto con licencia MIT para dirigir agentes de programación sin que pierdan el contexto: estructura el trabajo en cinco fases (discutir, planificar, ejecutar, verificar y enviar) y delega la parte pesada en subagentes con contexto limpio. Su núcleo son el motor gsd-core y el agente de terminal gsd-pi.
Un embedding vectorial es una lista de números reales que representa el significado semántico de un texto, imagen o cualquier otro dato. Dos frases con el mismo sentido producen vectores cercanos; dos sin relación, vectores lejanos. Sobre ese principio funcionan la búsqueda semántica, el RAG y los sistemas de recomendación modernos.
Postgres con pgvector es la opción por defecto para RAG en producción hasta diez millones de vectores: un índice HNSW, una base de datos y un plan de backup. Con reranking de dos etapas, búsqueda híbrida BM25 y SLOs medibles (p95 menor de 700 ms, recall@10 mayor de 0,85), la pila escala sin infraestructura adicional.
El 2 de agosto de 2026 entran en vigor las obligaciones de alto riesgo (Anexo III), transparencia (Art. 50) y las facultades sancionadoras de la Comisión Europea sobre IA. El primer paso es clasificar cada sistema en prohibido, alto riesgo, GPAI o riesgo mínimo. Checklist técnica por categoría, con plantilla descargable.
La especificación OpenTelemetry GenAI semconv define en 2026 los atributos estándar para instrumentar llamadas a LLMs, ejecución de herramientas y operaciones de agentes. Se instrumenta una vez con el SDK de Anthropic, se recolectan trazas con OTel Collector y se consultan con TraceQL en Grafana Tempo. El resultado es un dashboard portable que sobrevive a cambios de modelo, proveedor y framework sin reescritura.
Receta para oMLX en Mac M5 Max con 128 GB: instalación, TurboQuant a 3,5-bit, stack Qwen 3.6 35B-A3B, wiring para Claude Code y benchmarks propios. Revisada para oMLX 0.6.4, con lo que ha cambiado desde la 0.3.8.
LangGraph, CrewAI y Autogen son los tres frameworks de referencia para sistemas multi-agente en 2026. Cada uno encarna un modelo mental distinto: grafo explícito, jerarquía de roles o conversación de grupo. Esta guía compara los tres con código real, resuelve el mismo pipeline de investigación tres veces y explica cuándo elegir cada uno.
Esta guía muestra cómo construir un agente productivo con el SDK de Anthropic en Python: el bucle de tool use con la Messages API, streaming con backpressure mediante una cola acotada, prompt caching con cache_control, un servidor MCP propio registrado con el Claude Agent SDK, trazas OTel GenAI y un contenedor Docker no-root listo para producción.
Tres agentes de código (Claude Code, Cursor y GitHub Copilot) medidos sobre cinco tareas reales de un equipo de plataforma: endpoint REST, refactor multi-fichero, depuración de CI, revisión de PR de seguridad y ficheros de fixtures. Claude Code lidera en refactor y revisiones; Cursor brilla en exploración interactiva; Copilot sigue siendo el más ágil para autocompletado puntual.
Tras dieciocho meses de adopción multi-vendor, MCP es el estándar de hecho para conectar modelos a herramientas. Esta es la guía completa: arquitectura, servidores, políticas, autenticación, composición y los antipatrones que ya hemos visto en producción.
Skills empaquetan capacidades reutilizables que el agente carga según la tarea; subagentes aíslan la ejecución de trabajo acotado y devuelven un resultado sintetizado sin inflar el contexto del orquestador. Juntos forman el patrón de composición más sólido para construir agentes complejos y mantenibles en 2026.
Los datos sintéticos han dejado de ser un sustituto precario de los datos reales para convertirse en un componente central del entrenamiento moderno de modelos: el patrón más fiable amplía un núcleo real de 500 ejemplos con miles de parafraseos sintéticos, siempre que se valide diversidad, corrección y distribución, y se mantenga al menos un 30% de datos reales para evitar el colapso del modelo.
El Model Context Protocol, propuesto por Anthropic a finales de 2024 y adoptado durante 2025-2026 por Anthropic, OpenAI, Google y la comunidad open source, ya tiene patrones operativos probados: separar servidores genéricos de los propios, políticas explícitas por herramienta, credenciales fuera del modelo, composición con prefijos y tests de contrato. Este es el estado del arte en 2026.
Usar un LLM como juez de otro LLM se generalizó en 2024 y sigue siendo, en 2026, la única forma escalable de evaluar calidad cualitativa en sistemas con LLM. Es fiable si la correlación juez-humano supera 0,7 en 30 casos y se recalibra cada trimestre; por debajo de ese umbral, no fiarse del número.
Claude Sonnet 4.6 es el modelo por defecto en la mayoría de cargas de producción de 2026: cubre el 80% del tráfico con calidad indistinguible de Opus 4.7 en pruebas ciegas y un coste por token que ronda el 60% del de Opus. Sigue haciendo falta Opus en razonamiento complejo y coding agéntico sobre bases grandes.
El RAG híbrido en 2026 combina búsqueda densa y léxica fusionadas con RRF, reranking cross-encoder sobre los top-50, chunking consciente de estructura y evaluación continua con Ragas o TruLens. Es el patrón que sobrevive en sistemas serios tres años después del boom inicial de embeddings.
Opus 4.7 se lanzó como el modelo más capaz de Anthropic con énfasis en trabajo agéntico de horizonte largo. Tras dos meses de uso intensivo, estos son los cambios prácticos frente a Opus 4.6.
La primera factura de un agente en producción suele doblar o triplicar lo estimado. Este artículo repasa cinco palancas reales y en orden de prioridad, cacheo, routing, control de contexto, batching y telemetría, para recortar el coste sin tocar la calidad percibida.
Mientras OpenAI y Anthropic acaparan titulares con rondas de cientos de millones, un grupo creciente de startups de IA de nicho factura entre uno y diez millones de dólares con equipos de dos a diez personas. Comparten cinco patrones: foco vertical estrecho, márgenes del 70-80 %, distribución comunitaria, ciclos de días y la IA como palanca interna.
La idea de que la UI se genere sobre la marcha en lugar de ser prediseñada llegó a producción en 2025. Tras un año de casos reales, el balance es más matizado que el entusiasmo inicial.
Direct Preference Optimization (DPO) y sus variantes, IPO, KTO y SimPO, han desplazado a RLHF como método preferido para alinear modelos de lenguaje: eliminan el modelo de recompensa separado, reducen el coste de entrenamiento y son más fáciles de reproducir. RLHF conserva ventaja solo en modelos frontera con presupuesto muy grande.
Los agentes de IA fallan en producción: lo que importa es cómo respondes en los primeros veinte minutos. Este runbook cubre clasificación de severidad, aislar antes de investigar, purgar memoria contaminada, comunicar sin inventar datos y convertir cada incidente en una prueba de regresión antes de darlo por cerrado.
El red teaming de modelos de lenguaje ha pasado de actividad esotérica a práctica obligatoria. Con OWASP Agentic Top 10 y CSA Agentic AI Red Teaming Guide convergiendo en un vocabulario común, este es el manual operativo que cualquier equipo que despliegue agentes necesita tener.
Después de año y medio llenando tableros con agentes en producción, la pregunta que separa equipos que envían fiable de los que van a ciegas sigue siendo la misma: ¿cómo mides que el agente está funcionando?
Prompt engineering ha madurado de trucos virales a disciplina con patrones reproducibles: few-shot, chain-of-thought y salida estructurada con function calling. Los equipos que tratan los prompts como código (versionados, probados y monitorizados) obtienen resultados consistentemente mejores que los que improvisan.
El concepto de Agent OS pasó del slide al despliegue en 2025. Seis meses en producción dejan patrones visibles: qué arquitecturas funcionan, dónde se rompe el modelo y qué aporta frente a correr agentes sobre pila existente.
Ollama 0.5 o superior ejecuta Llama 3.3 70B y Mistral Large 2 en local sobre Ubuntu 24.04: la cuantización Q4_K_M deja que una sola GPU NVIDIA de 24 GB de VRAM, una RTX 4090 por ejemplo, mueva el modelo completo. Esta guía instala los drivers, monta Open WebUI y expone el servicio tras Traefik con TLS.
Un año después de que GraphRAG saliera de laboratorio, queda una estadística clara: funciona donde la información corporativa tiene relaciones densas, falla donde solo hay documentos sueltos. Patrones, costes y decisiones de arquitectura que han sobrevivido.
Model Context Protocol ha pasado de propuesta a estándar de facto para conectar editores con herramientas. Guía práctica para levantar un servidor MCP local, conectarlo a VS Code o a tu cliente favorito y entender qué estás exponiendo realmente.
Tras dos años de pilotos y un año de agentes en producción, la gobernanza ha pasado de comité aspiracional a control operativo. Qué piden las auditorías, qué rompió en 2025 y qué barandillas están absorbiendo la mayoría de los incidentes.
Durante 2025 cientos de equipos pusieron agentes IA en producción real. A principios de 2026, con datos suficientes, emergen lecciones consistentes sobre qué falla, qué funciona, cuánto cuesta y qué tareas no encajan. Repaso ordenado para equipos que empiezan ahora.
