La inteligencia artificial generativa ha dejado atrás la etapa en la que un simple modelo de lenguaje bastaba para resolver la mayoría de los problemas. Hoy el valor real se encuentra en la composición de varias capas especializadas que trabajan juntas: modelos base, técnicas de recuperación de información, agentes autónomos, frameworks de orquestación y runtimes listos para producción. Esta nota explica de forma continua y técnica cada una de estas capas, sitúa a los actores principales en su lugar exacto dentro del stack y muestra cómo convergen en sistemas reales. El objetivo es ofrecer una visión clara, funcional y actualizada para quienes diseñan o implementan soluciones de IA en entornos productivos.

Los modelos de lenguaje como base de razonamiento

Todo el ecosistema se apoya en los grandes modelos de lenguaje. Estos modelos son el motor de razonamiento y generación de texto. Claude, de Anthropic, destaca por su capacidad de razonamiento profundo, uso de herramientas y funciones como Computer Use. Los modelos de la familia GPT de OpenAI siguen siendo una referencia de uso general. Los modelos Hermes, desarrollados por Nous Research, están optimizados especialmente para comportamientos agentic e instruction following. También existen opciones open-weight y locales que pueden ejecutarse con Ollama o vLLM. Ninguno de estos modelos, por sí solo, tiene acceso nativo a datos privados actualizados ni capacidad de ejecutar acciones de forma persistente. Por eso necesitan de las capas que se describen a continuación.

RAG como técnica de grounding

Retrieval-Augmented Generation, o RAG, surgió como la solución más directa al problema de las alucinaciones y del conocimiento estático de los modelos. El flujo clásico consiste en convertir la pregunta del usuario en un embedding, buscar los fragmentos más similares en una base vectorial, inyectar esos fragmentos en el prompt y dejar que el modelo genere la respuesta. Esta técnica es eficiente, de bajo costo y latencia predecible. Funciona muy bien para consultas factuales simples sobre documentación interna, políticas de empresa o bases de conocimiento. Sin embargo, su naturaleza pasiva y de una sola pasada la hace insuficiente cuando la pregunta requiere conectar información de varias fuentes o razonar en varios pasos.

Los agentes de IA y el paso a la autonomía

Un agente de IA va más allá de generar texto. Opera en un bucle de razonamiento, acción y observación. Recibe un objetivo, decide qué herramientas utilizar, ejecuta acciones, observa los resultados y ajusta su plan hasta completar la tarea. Puede llamar APIs, consultar bases de datos, navegar por la web, ejecutar código o interactuar con sistemas externos. La diferencia fundamental con un sistema RAG puro es que el agente no solo responde: actúa y decide. Esta capacidad abre la puerta a la automatización de flujos de trabajo completos, desde la investigación hasta la ejecución de tareas operativas.

Agentic RAG: la fusión de recuperación y autonomía

Agentic RAG representa la convergencia natural entre la técnica de recuperación y la autonomía de los agentes. En esta arquitectura el agente controla el proceso de retrieval. Decide si necesita buscar información, reformula la consulta, elige entre varias fuentes, evalúa la calidad de lo recuperado y vuelve a buscar si es necesario. Solo genera la respuesta final cuando considera que tiene suficiente evidencia. Este enfoque resuelve las limitaciones del RAG clásico en consultas multi-hop y ambiguas, aunque introduce mayor latencia y costo por las múltiples llamadas al modelo. Es el patrón que se utiliza hoy en asistentes de investigación, sistemas de soporte técnico avanzado y análisis complejos que cruzan datos internos y externos.

Los frameworks de construcción: LangChain y LangGraph

Para construir estos sistemas de forma controlada y mantenible se utilizan frameworks de orquestación. LangChain ofrece abstracciones estándar para modelos, embeddings, vector stores, herramientas y agentes. Facilita el desarrollo de cadenas y la integración de múltiples componentes. LangGraph, construido sobre la misma base, permite modelar el flujo como un grafo de estados con persistencia, ejecución durable, human-in-the-loop y streaming. Es la herramienta preferida cuando se necesita control fino sobre el comportamiento del agente o sistemas multi-agente. Ambos son open-source y se han convertido en el estándar de facto para implementar Agentic RAG y arquitecturas agentic personalizadas.

Los runtimes de agentes listos para producción

Una vez que se tiene la lógica de orquestación, aparece la necesidad de ejecutar el agente de forma persistente y accesible. Aquí entran los runtimes. Hermes Agent, desarrollado por Nous Research, es un agente autónomo open-source con un learning loop incorporado. Crea skills a partir de la experiencia, mantiene memoria persistente entre sesiones y mejora con el tiempo. Puede ejecutarse en un servidor propio, en la nube o de forma serverless, y admite cualquier modelo, incluido Claude. OpenClaw, por su parte, se orienta más a la accesibilidad multi-canal. Corre en el dispositivo del usuario o en un servidor y se conecta de forma nativa a Telegram, WhatsApp, Discord, Slack e iMessage, entre otros. Ambos son MIT y gratuitos para self-hosting. Representan la capa de experiencia de usuario y persistencia operativa.

Cómo convergen todos estos elementos

La arquitectura moderna no elige entre RAG, agentes o frameworks. Los combina según la necesidad. Un sistema típico de producción puede tener a OpenClaw o Hermes como interfaz y runtime persistente, LangGraph como capa de orquestación y control de flujo, herramientas de Agentic RAG para la recuperación inteligente de conocimiento, y Claude u otro modelo potente como motor de razonamiento. El resultado es un sistema que puede recibir una instrucción por Telegram, decidir qué información necesita, recuperarla de varias fuentes, razonar sobre ella y ejecutar acciones, todo manteniendo contexto a lo largo del tiempo.

Criterios prácticos de decisión

Cuando la necesidad es únicamente responder preguntas sobre un corpus de documentos con baja latencia, el RAG clásico sigue siendo la opción más eficiente. Cuando las consultas son complejas o multi-fuente, se recomienda subir a Agentic RAG implementado con LangGraph. Si el objetivo es automatizar flujos de trabajo de extremo a extremo, se construye un agente con el mismo framework. Cuando se busca un asistente personal que esté siempre disponible y mejore con el uso, Hermes Agent o OpenClaw ofrecen una base sólida. Y cuando se requiere control total y personalización profunda, se desarrolla todo sobre LangChain y LangGraph.

Consideraciones de producción

En entornos reales adquiere especial importancia la observabilidad. Herramientas como LangSmith permiten trazar cada decisión del agente, medir costos y detectar fallos. El control de herramientas, el uso de sandboxes y la inclusión de human-in-the-loop son prácticas recomendadas para limitar riesgos. La memoria debe distinguirse entre la de sesión y la persistente de largo plazo. Finalmente, la evaluación debe ir más allá de la precisión de la respuesta e incluir métricas de trayectoria del agente y de fidelidad a las fuentes recuperadas.

Conclusión

El stack actual de IA generativa es una composición de capas especializadas. Los modelos aportan el razonamiento, RAG aporta el grounding, los agentes aportan la autonomía, los frameworks aportan el control y los runtimes aportan la persistencia y la accesibilidad. Entender el lugar exacto de cada actor permite diseñar sistemas más eficientes, controlables y alineados con el problema real que se quiere resolver. Esta convergencia es la base sobre la que se construyen hoy las aplicaciones de IA más avanzadas.

Fuentes y enlaces de descarga

LangChain Framework open-source (MIT). Gratis. Repositorio: https://github.com/langchain-ai/langchain Documentación: https://docs.langchain.com Instalación: pip install langchain o uv add langchain

LangGraph Framework de orquestación open-source (MIT). Gratis. Repositorio: https://github.com/langchain-ai/langgraph Documentación: https://docs.langchain.com/oss/python/langgraph/overview Instalación: pip install -U langgraph

Hermes Agent (Nous Research) Runtime de agente autónomo open-source (MIT). Gratis para self-hosting. Repositorio: https://github.com/NousResearch/hermes-agent Documentación e instalador: https://hermes-agent.nousresearch.com/docs/ Instalación rápida (Linux/macOS/WSL): curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

OpenClaw Runtime/gateway de agente personal open-source (MIT). Gratis para self-hosting. Repositorio: https://github.com/openclaw/openclaw Sitio oficial: https://openclaw.ai Instalación rápida (Linux/macOS/WSL): curl -fsSL https://openclaw.ai/install.sh | bash

Claude (Anthropic) Modelo propietario. Existe plan gratuito limitado en claude.ai. API y planes Pro/Max son de pago. Sitio: https://claude.ai Documentación API y precios: https://docs.anthropic.com y https://www.anthropic.com/pricing

Referencias conceptuales adicionales

• Documentación oficial de Agentic RAG y patrones: sitios de IBM, LangChain y papers de arXiv sobre Agentic Retrieval-Augmented Generation.
• Comparativas y casos de uso de Hermes y OpenClaw: documentación oficial de ambos proyectos y análisis técnicos de 2026.

Todos los componentes open-source mencionados (LangChain, LangGraph, Hermes Agent y OpenClaw) pueden descargarse e instalarse de forma gratuita bajo licencia MIT. Los costos aparecen únicamente al utilizar APIs de modelos propietarios como Claude o al desplegar infraestructura en la nube.

Gartner proyecta que para fin de 2026 el 40% de las apps empresariales van a incorporar agentes IA con tareas específicas, contra menos del 5% en 2025. En Argentina, el salto ya se siente: de la teoría de «arquitecturas multiagente» a un estándar de conexión real que corre en producción. Repasamos qué cambió y qué significa para quien está armando su propio sistema hoy.

El salto que no fue gradual

Hace apenas dos años, hablar de «arquitecturas multiagente» era terreno de papers y ebooks técnicos: diagramas de agentes con memoria, herramientas y patrones de coordinación (router, jerárquico, secuencial, paralelo) que sonaban más a diseño de software que a algo que una empresa mediana pudiera correr en producción. Ese material sigue siendo válido — la gramática no cambió —, pero en 2026 dejó de ser el tema central. Lo que pasó a ocupar ese lugar es la pregunta de cómo se conectan esos agentes entre sí y con las herramientas reales de una empresa, sin que cada integración sea un desarrollo a medida.

Gartner lo puso en números: los agentes de IA para tareas específicas van a pasar de estar en menos del 5% de las aplicaciones empresariales en 2025 a un 40% para fines de 2026. No es adopción incremental — es el tipo de salto que reordena qué vale la pena construir hoy.

MCP: el estándar que resolvió el problema de fondo

El obstáculo real de un sistema multiagente nunca fue diseñar los patrones de coordinación — eso ya estaba resuelto conceptualmente. El obstáculo era conectar cada modelo con cada herramienta externa (una base de datos, un CRM, el sistema de archivos) sin que cada combinación exigiera su propio desarrollo a medida. Anthropic publicó el Model Context Protocol (MCP) a fines de 2024 como respuesta a ese problema — un estándar abierto para que cualquier agente hable con cualquier herramienta sin integración a medida — pero en 2026 pasó de propuesta a infraestructura real: gobernanza abierta bajo la Fundación Linux, adopción de OpenAI, Google DeepMind, Databricks y Salesforce, y más de 10.000 servidores MCP públicos ya disponibles a comienzos de año. La comparación que más se repite es la correcta: es el USB-C de la IA — un conector único en lugar de un cable distinto para cada combinación de modelo y herramienta.

La agenda que Anthropic viene marcando para lo que resta de 2026 — autenticación empresarial vía OAuth y SSO, permisos por rol, auditoría de qué hizo cada agente y por qué — es la parte que ningún material de 2024 podía anticipar, porque son problemas que solo aparecen cuando el sistema ya está en producción con datos reales, no en un demo.

Argentina, en la mitad de la curva

Los números de adopción en la región conviene leerlos con la salvedad de que cada estudio mide distinto (algunos hablan de «usa IA» en sentido amplio, otros de agentes autónomos específicamente), pero la dirección es consistente: Argentina aparece entre los países de mayor adopción de IA de la región, con estimaciones que van del 29% al 68% según la métrica y la fuente. Al mismo tiempo, un dato de la Universidad Siglo 21 marca la brecha real: el 76% de las tareas en empresas argentinas tiene potencial de automatización, pero menos del 15% de las PyMEs implementó algo concreto todavía. Ahí está la oportunidad — no en la tecnología en sí, sino en cerrar esa distancia.

El stack que domina esa implementación en Argentina hoy es, según relevamientos de consultoras locales, la combinación de n8n como orquestador con la API de un modelo como Claude o GPT-4 para la generación — el mismo patrón «monitor de fuentes → agente redactor → aprobación humana → publicación» que sirve tanto para automatizar un ecosistema editorial como para un bot de atención al cliente o un sistema de gestión interno. La arquitectura es la misma; lo que cambia es a qué herramientas se conecta cada agente.

Lo que esto significa para armar un sistema propio hoy

Si el objetivo es una arquitectura multiagente real y no un diagrama, el orden de prioridades cambió respecto a hace un año: primero definir qué conecta con qué (¿hay servidores MCP ya armados para las herramientas que vas a usar, o hay que construir la integración?), después elegir el patrón de coordinación (secuencial alcanza para la mayoría de los pipelines de contenido; jerárquico tiene sentido recién cuando hay múltiples fuentes y decisiones de enrutamiento no triviales), y recién al final optimizar el prompt de cada agente individual. Es el orden inverso al que proponía la generación de guías de 2024, que empezaban por los patrones y dejaban la conectividad como detalle de implementación — hoy la conectividad es la decisión que más condiciona todo lo demás.

Fuentes:

• Gartner, proyección de adopción de agentes IA en apps empresariales 2025→2026
• Anthropic — anuncio y roadmap del Model Context Protocol (MCP), 2024-2026
• Linux Foundation — gobernanza abierta de MCP, 2026
• ebankingnews.com — «Adopción de IA en 2026: Liderazgo Global y Avance de LatAm» (jul-2026)
• ecosistemastartup.com — «IA empresarial 2026: 95% de empresas la adoptan» (abr-2026)
• Universidad Siglo 21 / Duotach — «Top 5 Consultoras de IA en Argentina 2026» (jun-2026)
• diegoceredi.com — «Agentes autónomos 2026: el mapa para empresas argentinas» (jun-2026)
• Weaviate — ebook «Agentic Architectures for retrieval-intensive applications» (fundamentos y patrones)

Andrew Ng presentó OpenWorker, un agente de inteligencia artificial de código abierto que no se limita a chatear con el usuario, sino que entrega trabajo terminado: documentos redactados, mensajes de Slack enviados o eventos de calendario actualizados. El anuncio lo hizo el propio Ng junto a su socio Rohit Prasad, y la herramienta ya está disponible para descargar en Mac, con versión para Windows en camino.

El producto llega en un momento en que la carrera por los agentes de IA se acelera en todo el mundo, y Argentina no queda al margen de esa tendencia. OpenWorker funciona como una aplicación de escritorio construida con Tauri 2 y una interfaz en React, que se comunica con un servidor local en Python montado sobre FastAPI. A diferencia de otros asistentes que dependen de un servicio de inferencia propio, esta herramienta no tiene modelo propietario: el usuario debe traer su propia clave de API y elegir entre proveedores como OpenAI, Google o Anthropic, o bien optar por modelos de peso abierto como GLM, DeepSeek o Kimi, e incluso correr todo de forma local con Ollama para que los datos nunca salgan de la máquina.

El anuncio generó movimiento inmediato en el ecosistema de desarrolladores y en las redes de discusión tecnológica, donde OpenWorker fue comparado con otros agentes de escritorio que compiten por resolver tareas de oficina de punta a punta. El motor de la herramienta se apoya en aisuite, la biblioteca de enrutamiento de modelos que el propio Ng viene desarrollando, lo que le permite a las empresas alternar entre proveedores sin reescribir el código de sus flujos de trabajo. El repositorio publicado en GitHub suma más de 30 mil líneas de código en Python y una capa de permisos que clasifica cada acción del agente en cuatro niveles de riesgo, desde una simple lectura de archivos hasta una acción externa que requiere aprobación explícita del usuario antes de ejecutarse.

De cara a los próximos meses, el lanzamiento profundiza una discusión que ya venía instalada en la industria: si conviene depender de agentes cerrados y gestionados por una nube, o si el camino es hacia herramientas abiertas que corren en la computadora del usuario y solo se conectan a un proveedor de modelos cuando hace falta. No faltaron las voces críticas, que señalaron que aun con el código abierto, la dependencia de las claves de API de gigantes como OpenAI o Anthropic mantiene atada a la herramienta a esos mismos proveedores. Para los equipos de desarrollo y las empresas que evalúan sumar agentes a sus procesos, OpenWorker aparece como una alternativa concreta, gratuita y auditable, aunque con una barrera de entrada más alta que la de un asistente listo para usar: hay que instalar la aplicación, configurar las claves y, por ahora, contar con una computadora Mac.

Fuentes:

MarkTechPost: https://www.marktechpost.com/2026/07/23/andrew-ng-just-released-openworker-an-open-source-local-first-desktop-ai-coworker-that-returns-finished-deliverables-instead-of-chat/

Blockchain.News: https://blockchain.news/ainews/openworker-launches-open-source-agent-that-ships-work

Publicación de Andrew Ng en X: https://x.com/AndrewYNg/status/2080333504446108104

MoClaw Blog: https://moclaw.ai/blog/what-is-openworker

APIMart: https://apimart.ai/blog/openworker-andrew-ng-open-source-agents-deliver