Open Engine y la tesis del traspaso: el cuello de botella de la IA ya no es el modelo, es lo que pasa entre modelos

La observación con la que arranca Nate tiene la fuerza de lo evidente una vez dicho. Tras una llamada con un cliente, el trabajo recorre un "viaje": la transcripción va a Claude, Codex toca el código, ChatGPT revisa el borrador, un agente de navegador comprueba el render, Slack guarda la conversación y Linear registra la tarea. No son siete trabajos, escribe, sino uno solo cruzando siete sistemas. Y el punto donde se atasca no es ninguno de los modelos —todos son capaces—, sino el "aburrido intermedio": el momento en que el resultado de una herramienta debe convertirse en la tarea de la siguiente con su contexto adjunto. Hoy, ese eslabón es una persona. La capa de integración eres tú.

Es un encuadre que merece reconocerse porque corrige una distorsión del discurso dominante. Buena parte de la industria mide el progreso de la IA por la inteligencia de cada modelo, mientras el dolor cotidiano de quien la usa en serio vive en otro sitio: en la fricción de mover trabajo de un sistema a otro sin perder el hilo. La pregunta que propone Nate —"¿puede el trabajo sobrevivir el viaje a la siguiente herramienta?"— es más honesta sobre dónde está el valor por capturar que la enésima comparativa de benchmarks.

El segmento al que apunta también está bien identificado. Nate distingue al ingeniero, que puede cablear sus herramientas con APIs, arneses y cron jobs, del usuario serio no técnico, que conoce bien sus agentes pero no quiere "coronar a un favorito y fingir que el resto desapareció". El caso de la directora de producto con una agencia y un recién nacido, copiando el estado de su vida entre cinco herramientas mientras sostiene al bebé, ilustra ese hueco con una nitidez que ninguna abstracción lograría. Open Engine, dice, no busca quitarle el juicio ni el criterio, sino los traspasos que los rodean.

La propuesta operativa es deliberadamente accesible: plantillas de copiar y pegar que se entregan al agente que ya se usa, un registro de tarea de siete partes para que el contexto sobreviva al cambio de herramienta, una auditoría de nueve preguntas y un "recibo" que mantenga al agente responsable después de ejecutar, de modo que "hecho" deje de significar "ahora audítalo tú". Es un vocabulario sencillo para un problema real, y ahí reside tanto su atractivo como su límite: las plantillas sobre un agente generalista son más frágiles que una integración por API, y conviene mirarlas como un punto de partida, no como infraestructura definitiva.

Conviene además situar la pieza por lo que es: contenido de un autor que publica y vende su propio sistema, con herramientas comparables que él mismo menciona —OpenClaw, Hermes, Symphony— y, en el plano más técnico, frameworks de orquestación multi-agente como LangGraph, CrewAI o AutoGen. El nicho que reivindica Nate, el del usuario avanzado no ingeniero, es genuino y está poco cubierto. Que su solución concreta sea la mejor está por ver; que el problema que nombra es el correcto resulta difícil de discutir. En 2025-2026, cuando cada semana aparece un modelo más capaz, recordar que el progreso también se juega en los huecos entre ellos es, probablemente, el comentario más útil que se puede hacer.