La era del AI corporativo se encuentra en un punto de inflexión crucial. A medida que las empresas utilizan modelos avanzados y posibles soluciones en la nube para integrar la inteligencia artificial en sus operaciones, surge una reflexión esencial: la complejidad de la programación de estos sistemas me parece más un reto que un avance. La pregunta es si verdaderamente hemos alcanzado un nivel de sofisticación adecuado o si seguimos atrapados en un paradigma arcaico.
En la actualidad, tecnologías innovadoras como lenguajes de programación de alto nivel son comunes, facilitando la interacción con las máquinas. Sin embargo, para poner en producción estas aplicaciones de inteligencia artificial, se requiere que ingenieros configuren manualmente aspectos fundamentales, algo comparable a lo que pasaba en los primeros días de la programación en la década de 1990, antes de la llegada de la web. Esto plantea el interrogante: ¿estamos ante un nuevo «programar a mano» en la era digital?
La proliferación de herramientas y servicios que permiten la creación de aplicaciones inteligentes podría indicar que falta un nivel de abstracción que facilite este proceso. Hoy en día, las empresas emplean lenguajes como Python, combinados con diversas bibliotecas y marcos de trabajo, para construir aplicaciones. Sin embargo, cada elemento de estos sistemas maneja aspectos esenciales por separado, lo que crea una complejidad innecesaria que debe resolverse repetidamente.
¿Quién está validando el problema del runtime?
Un ejemplo claro es LangChain, que diferencia explícitamente entre el marco que rodea un agente y el runtime subyacente necesario para su funcionamiento. Este tipo de distinción indica que los agentes de producción requieren una serie de características como ejecución duradera, memoria, múltiples usuarios, y observabilidad. La labor de construir un buen agente parece depender de contar con un buen entorno de ejecución, lo que sugiere que aún hay un vacío que llenar en el desarrollo de soluciones nativas de AI.
Del mismo modo, Temporal ha recaudado $300 millones, llevando la conversación a un nuevo nivel al argumentar que las aplicaciones de AI duraderas y con estado requieren una capa de ejecución robusta. Su arquitectura de referencia recalca que las llamadas a modelos de lenguaje deben gestionarse cuidadosamente para que el estado del flujo de trabajo sea recuperable, un indicativo de que todavía estamos ensamblando primitivas a mano y dejando de lado la posibilidad de un runtime nativo de inteligencia artificial.
Distinguiendo entre un marco de agentes y un runtime nativo de AI
Es vital considerar qué propiedades deben estar garantizadas desde el diseño. Cuando los desarrolladores crean software convencional, no necesitan implementar manualmente aspectos como la memoria virtual o la programación de procesos para cada aplicación, ya que el sustrato maduro las proporciona automáticamente. En el ámbito de la IA empresarial, no obstante, continúan abordando problemas cruciales como la identidad persistente del agente y las señales de aprendizaje como si fueran retos únicos a resolver cada vez. Este enfoque parece obsoleto y poco práctico.
Las startups que emergen en este ecosistema se centran en áreas como la memoria, la ejecución duradera y la orquestación, que son indicativas de una falta de abstracción subyacente. Existe una clara intersección entre la evolución de la industria tecnológica y la necesidad de una mayor simplificación y estandarización en la programación de IA.
Una mirada al futuro
Lo notable en esta era del AI corporativo es que, aunque hemos construido una infraestructura impresionante, seguimos programando la capa inteligente de manera laboriosa. En el futuro, desarrolladores mirarán los actuales entornos de programación complejos y los recordarán como una etapa inicial, repleta de ingenio, esfuerzo y asombro por su tiempo, pero necessaria. Si todas las grandes capas de computación han logrado integrarse en un lenguaje y un runtime que expresan sus abstracciones nativas, ¿por qué la inteligencia artificial debería ser diferente?
Esto plantea un cuestionamiento interesante: ¿qué características y capacidades debería ofrecer un runtime nativo para transformar las implementaciones de inteligencia artificial en las empresas, y cómo avanzar hacia esa meta? Aunque hoy en día esto parezca un pensamiento teórico, el futuro podría deparar una práctica revolucionaria en la materia.