Un lenguaje propio, no un modelo más grande: la receta de una startup para que los agentes de IA no se pierdan en Excel

Por Zendoric · 6 de octubre de 2026.

Luke Harris, cofundador de Modeloptic —una startup de software de modelado financiero (la disciplina de construir proyecciones de ingresos, costes y caja de una empresa, habitualmente en Excel)—, ha publicado en el blog de la compañía un argumento técnico con un ejemplo muy concreto. Según describe, un agente de IA (un sistema que no solo responde, sino que ejecuta acciones por su cuenta) que intenta escribir una fila de un modelo financiero operando directamente sobre una hoja de Excel necesita encadenar nueve decisiones distintas: localizar la hoja y la fila correctas, mapear qué columna corresponde a qué trimestre, identificar las columnas de totales anuales, reconocer el patrón financiero que debe aplicar, decidir qué celdas llevan valores fijos y cuáles fórmulas, y construir cada referencia de celda a mano. Con el lenguaje específico de dominio (DSL, un lenguaje de programación reducido y diseñado para un problema concreto, en vez de uno genérico) que ha construido Modeloptic para su propio producto, la misma tarea se resuelve en tres pasos: reconocer el patrón, recordar que existe una herramienta para ejecutarlo y llamarla con los argumentos adecuados.

El diagnóstico de fondo que plantea el artículo tiene más recorrido que el caso financiero. Harris describe dos limitaciones estructurales de los modelos de lenguaje actuales: no retienen memoria entre conversaciones salvo que se los entrene específicamente, y su rendimiento se degrada cuanto más información —incluida la que el propio modelo genera al "pensar"— tienen que sostener en la ventana de contexto (el espacio de texto que el modelo puede procesar de una vez). De ahí la práctica, cada vez más citada en el sector, de la "ingeniería de contexto": no se trata de agrandar el modelo, sino de reducir todo lo posible la complejidad incidental —la fricción que no pertenece al problema real— antes de que llegue al modelo. La receta que propone el artículo es delegar en código determinista todo lo que no requiera criterio, y reservar al modelo únicamente las decisiones que sí lo requieren: no exponerlo al protocolo de envío de correo si lo que necesita es enviar una factura, no dejarlo tocar una base de datos SQL si lo que necesita es actualizar un estado.

Conviene leer esto con una salvedad: es una pieza de producto. Modeloptic vende exactamente la plataforma que describe, y frases como "el modelado financiero con IA por fin funciona" son una afirmación comercial de la propia empresa, no un hallazgo verificado por terceros —la publicación original apenas sumaba tres puntos y cero comentarios en Hacker News, señal de que es un apunte técnico de nicho, no un anuncio de alcance. Dicho esto, el patrón que describe no es exclusivo de las finanzas ni inventado por ellos: encaja con lo que Anthropic y otros laboratorios llevan meses insistiendo en sus propias guías de diseño de agentes —herramientas estrechas y bien documentadas superan a agentes con acceso genérico y sin restricciones— y con la carrera por el control de la "fontanería" de los agentes: la ventaja competitiva se está desplazando del modelo más listo a quien mejor diseña la capa que media entre el modelo y el trabajo real.

Nuestra lectura es que esta pieza, modesta en alcance, retrata bien el momento en que está la IA agéntica. El cuello de botella ya no es casi nunca la capacidad bruta del modelo —los modelos de frontera dan de sobra para tareas de este tipo—, sino la fiabilidad con la que esa capacidad se traduce en una acción correcta, repetible y auditable. El propio artículo señala una ventaja secundaria que nos parece más importante que el ahorro de pasos: si un agente solo puede actuar a través de un catálogo cerrado de operaciones, cada acción queda registrada como un cambio trazable, no como una edición opaca de datos. Eso es gobernanza aplicada al día a día, no a la geopolítica de los modelos, y es exactamente el tipo de ingeniería aburrida —abstracciones bien pensadas, registros de auditoría, límites claros de lo que el modelo puede tocar— que convierte una demo impresionante en una herramienta de la que una empresa puede fiarse para su contabilidad. A corto plazo, ese trabajo de orfebrería de software es lo que decide qué tareas administrativas se automatizan ya y cuáles siguen necesitando un humano que revise la hoja de cálculo; a largo plazo, es precisamente esta clase de ingeniería de la fiabilidad —poco vistosa, nada viral— la que tendrá que madurar en miles de dominios distintos para que la promesa de abundancia que sostiene la IA deje de ser una proyección y se convierta en infraestructura con la que, de verdad, contar.