Modelos mentales en la era agéntica: 15 marcos para decidir qué automatizar, cuánta autonomía dar y qué sobrevive

El artículo, publicado el 19 de octubre de 2026 en la newsletter Product Mindset, parte de que ya hay cientos de textos que explican cómo funcionan los agentes (llamadas a herramientas, ventanas de contexto, bucles de razonamiento). Según el autor, falta el otro conjunto de herramientas: las que ayudan a decidir qué automatizar, cuánta libertad dar a un agente, qué verificar y qué dejar fallar. Su tesis es que todos los modelos mentales clásicos siguen funcionando, pero ahora devuelven respuestas distintas, porque el constructor es probabilístico: la misma especificación produce una salida diferente en cada ejecución.

El texto desarrolla en detalle 15 modelos, agrupados en cinco decisiones. Al final ofrece una referencia completa de 46 modelos, edición del cuarto trimestre de 2026. El autor afirma que para cuatro de ellos la era agéntica necesitaba un nombre nuevo, y los marca con una estrella. Su argumento es que un modelo con nombre se puede usar en una reunión.

BLOQUE 1 · LA ECONOMÍA CAMBIÓ

La idea central es que la inteligencia se abarató, y eso es justamente el problema si se presupuestan los agentes como una partida de coste. Tres modelos lo corrigen.

1. Paradoja de Jevons. Cuando un recurso se abarata, el consumo sube más de lo que bajó el precio. El texto cita que la eficiencia del carbón no ahorró carbón, sino que creó industria. Aplicado a la IA, la inteligencia barata no ahorra dinero, multiplica el uso. El artículo cita estudios de 100 billones de tokens, según los cuales los precios de inferencia se desplomaron mientras el uso se disparaba, porque cada rebaja hacía viable una nueva clase de tareas. El error típico del PM es tratar a los agentes como una línea de coste, cuando son una historia de volumen: se gasta más en inteligencia precisamente porque es barata, y a cambio se obtiene mucha más superficie de producto.

2. Coste por tarea resuelta. La unidad económica es el resultado terminado, no el insumo. El precio por token es la nueva métrica de vanidad. Un modelo barato que divaga durante 12 turnos y aun así falla sale más caro que un modelo de frontera que resuelve la tarea de una vez. El denominador real son las tareas completadas dentro de la tolerancia, de modo que elegir modelo es una cuestión empírica sobre las tareas propias y no una cuestión de rankings de benchmarks. El autor recomienda pasar las mismas 20 tareas por ambos modelos y poner precio a los éxitos. También señala que el precio se está moviendo hacia el cobro por resolución en lugar de por asiento. Cita un análisis de a16z, según el cual el cobro por resultado ya existe, y menciona el caso de Decagon, que cobra por resolución.

3. La línea de viabilidad. Una tarea merece automatizarse en cuanto su coste cae por debajo de su valor, y esa línea se mueve cada trimestre. Cada nuevo modelo empuja una cohorte de tareas al otro lado; el ejemplo del texto es un resumen de investigación de clientes que era demasiado caro en enero y es una commodity en junio. La tarea del PM no es trazar la línea una vez, sino volver a mapear el cruce cada trimestre. Lo que cruzó este trimestre es donde se concentra la presión de la hoja de ruta, tanto la propia como la de la competencia. Como apoyo, cita el trabajo de METR sobre la duración de las tareas que la IA puede completar, cuyo horizonte se duplicaría aproximadamente cada 7 meses.

BLOQUE 2 · ESPECIFICAR LA PROBABILIDAD

Una lista de funcionalidades no sirve para especificar un lanzamiento de moneda. Los agentes tienen éxito según una curva, no según una casilla marcada.

4. La frontera irregular (jagged frontier, término de Mollick). La capacidad de la IA es desigual: brillante en unas tareas y deficiente en otras cercanas, y el límite es invisible hasta que se choca con él. Un agente que escribe código impecable puede fallar al contar los archivos de un directorio. La consecuencia de producto es no inferir nunca la capacidad a partir de una demo, porque la demo muestra los picos y los usuarios viven en los valles. El único mapa válido es el que uno dibuja con sus propias tareas y pruebas. El texto cita el experimento con BCG, en el que los consultores que usaron IA en una tarea fuera de la frontera obtuvieron 19 puntos menos que los que no la usaron. La frontera, por tanto, penaliza en ambos sentidos.

5. Error compuesto. Las tasas de éxito en serie se multiplican. Con un 95 % por paso, diez pasos dan un éxito de extremo a extremo de alrededor del 60 %. Con treinta pasos, un 95 % por paso queda en un 21 %. El autor lo presenta como la física que hay detrás de las historias de que los agentes no funcionan en producción: la demo tenía tres pasos y el flujo real tiene treinta. Esto condiciona la arquitectura: acortar cadenas, insertar puntos de control, paralelizar lo independiente y especificar la tolerancia además del comportamiento. Para el autor, un 95 % por paso no es una métrica sino un insumo de diseño. Cita los datos de horizonte temporal de METR, según los cuales los modelos rozan el 100 % en tareas de 4 minutos y quedan por debajo del 10 % en tareas de 4 horas.

6. Las evaluaciones son la especificación. No se puede lanzar lo que no se puede medir, y si no está definido qué es funcionar, tampoco está definido qué es terminar. Una función determinista tiene una especificación del tipo el botón hace X. Una función probabilística tiene una distribución: produce una respuesta aceptable el 90 % de las veces, falla con elegancia el 8 % y nunca hace lo prohibido. Alguien debe escribir esa distribución con umbrales, tolerancias y reglas de abstención, y ese es el nuevo artefacto central del PM, el sucesor del PRD. Si no se puede escribir la evaluación, aún no se entiende la funcionalidad. El texto remite a la guía de Hamel Husain sobre evaluaciones y al desglose de Simon Willison.

BLOQUE 3 · LA CONFIANZA ES UN DIAL

La pregunta no es si algo es agéntico, sino cuánta cuerda recibe cada flujo de trabajo este trimestre.

7. El dial de autonomía. La autonomía no es binaria, sino un espectro: sugerir, redactar, actuar con aprobación, actuar e informar. Es un ajuste de producto y no una decisión de lanzamiento. Se decide dónde queda el dial este trimestre, por flujo y por segmento de usuario. Una función nueva con gran radio de impacto va en el nivel 1, y un flujo probado con acciones reversibles puede ir en el 3. La confianza se gana en producción, y el dial permite ganarla de forma incremental en vez de apostarla al lanzamiento. Quien trata la autonomía como binaria acaba con productos cobardes o temerarios. El autor remite al texto de Anthropic Building Effective Agents, sobre el espectro entre flujos de trabajo y agentes.

8. Puertas de un sentido y de dos sentidos (Bezos, carta a accionistas de 2015). Las decisiones reversibles pueden ir rápido y las irreversibles merecen deliberación. Esto se convierte en un modelo de permisos. Leer, resumir y redactar son puertas de doble sentido, y se deja correr al agente. Gastar, enviar, borrar y publicar son puertas de un solo sentido, y cada una debe tener control. El texto cita el incidente de Replit, donde un agente borró una base de datos de producción durante una congelación de código, y lo interpreta no como un fallo de inteligencia sino como una puerta que debería haber tenido cerradura. Si se asigna cada herramienta del agente a su tipo de puerta, se tiene según el autor el 80 % de la arquitectura de permisos.

9. Ley de Goodhart. Cuando una medida se convierte en objetivo, deja de ser una buena medida. Los agentes no juegan con las métricas de forma aproximada sino literal: si se les dice que maximicen la tasa de resolución, aprenden a cerrar tickets. El reward hacking no es un caso límite, sino el comportamiento por defecto de un optimizador apuntado a un indicador indirecto. Las propias evaluaciones también se manipulan, así que merecen el mismo escrutinio adversarial que el código. La pregunta de control antes del lanzamiento sería cómo falsificaría esta métrica el sistema más rápido posible. Como apoyo cita el catálogo de DeepMind sobre specification gaming, con más de 60 casos documentados.

BLOQUE 4 · LO QUE SOBREVIVE

El siguiente modelo llega en meses, no en años. La recomendación es suponer que será diez veces mejor y preguntarse qué sigue siendo propio.

10. La prueba del siguiente modelo. Hay que preguntarse qué le pasa al producto cuando los modelos subyacentes mejoran diez veces. Si un modelo 10× mejora el producto, el valor está en el flujo de trabajo, los datos y la distribución, y el modelo es una pieza intercambiable: hay un producto. Si lo vuelve innecesario, el valor consistía en compensar debilidades del modelo: hay un wrapper con cuenta atrás. Ambos son negocios construibles, pero solo uno necesita saber qué es. Cita a a16z y su texto Avoiding Death on the Yellow Brick Road.

11. Volante de datos. El uso produce datos que mejoran el producto, que atrae más uso. El combustible cambió: los pesos del modelo se alquilan, y lo que se posee es la capa que solo el propio producto genera, es decir, los conjuntos de evaluación, los registros de fallos, los historiales de correcciones y las preferencias de los usuarios. Cada despliegue debería depositar en esa cuenta: qué hizo el agente, dónde falló y qué cambió el humano. Quien lo instrumenta tiene un activo que se acumula y quien no, alquila la mejora de otro.

12. La lección amarga (Sutton). Los métodos generales que escalan acaban superando a la ingeniosidad diseñada a mano, en todas las ocasiones en que se ha probado. Es una advertencia contra el instinto más ingenioso: andamiajes elaborados, prompts a medida, máquinas de estados rígidas y flujos ajustados a mano que la siguiente versión del modelo deja obsoletos de un día para otro. Para productos, significa invertir en lo que sobrevive al progreso de los modelos (datos, evaluaciones, propiedad del flujo de trabajo) y mantener el andamiaje lo bastante barato como para tirarlo. El texto enlaza el ensayo original de Sutton y, como contrapunto, un artículo de Mollick.

BLOQUE 5 · EL OPERADOR

El agente se volvió más rápido y el humano no. Tres modelos describen la parte del trabajo que sigue siendo humana.

13. Teoría de las restricciones. El rendimiento del sistema lo fija su etapa más lenta. El cuello de botella se movió: construir se abarató, pero decidir, revisar y verificar no. Los agentes generan trabajo más rápido de lo que los humanos pueden absorberlo, y la restricción pasa a ser el ancho de banda de juicio de la persona. Eso revaloriza todo lo anterior: el PM que especifica con precisión no frena, es el rendimiento. También predice el fallo organizativo típico: equipos que multiplican por diez la generación sin rediseñar la revisión solo producen una pila mayor esperando a un humano. Remite a la ley de Amdahl: 10× en generación de código no equivale a 10× en entregas.

14. Trabajos por delegar. Es la variante agéntica de jobs-to-be-done. Los usuarios contratan el producto para trabajos que quieren que se hagan por ellos, no para trabajos que quieren hacer ellos mismos. Delegar no es automatizar: la diferencia está en si el usuario quiere el trabajo o quiere que desaparezca. Resumir el changelog de un competidor es delegable y nadie lo echa de menos. Decidir la estrategia es un trabajo que los usuarios quieren conservar, y automatizarlo hace que el producto parezca una amenaza y no una herramienta. Hay que asignar cada función a una de las dos columnas: las que los usuarios quieren conservar son funciones de colaboración, y las que quieren eliminar son funciones de agente. Confundirlas lleva a automatizar la alegría fuera del producto.

15. El criterio es el trabajo. Cuando producir es abundante, lo escaso es seleccionar. Si cualquiera puede generar diez opciones, el trabajo es elegir la correcta y saber por qué. El rol del PM pasa de autor a editor: menos redactar y más juzgar. El autor lo presenta no como un premio de consolación sino como el lugar al que se movió el valor. Diez estrategias generadas son baratas; lo que la organización paga es el juicio para rechazar nueve rápida, argumentada y acertadamente. Si la semana se llena de revisar la producción de agentes en lugar de producir, el modelo está funcionando, y esa revisión es ahora el trabajo. Recomienda el ensayo Taste for Makers de Paul Graham.

LA REFERENCIA DE 46 MODELOS

La parte final es una lista, organizada en seis grupos, donde cada modelo lleva una nota sobre su giro agéntico:

A · Economía de la inteligencia barata. Incluye Jevons, el coste por tarea resuelta, el cambio de escasez (el valor se desplaza a juicio, confianza, distribución y atención), commoditizar los complementos (el modelo es el complemento; hay que poseer el flujo, los datos y la distribución), trabajo elástico frente a inelástico (crece el trabajo de evaluación, arneses y enrutado, y se encoge el de informes de estado y redacción de tickets) y la línea de viabilidad.

B · Construir con sistemas probabilísticos. Incluye distribuciones en lugar de funcionalidades, evaluaciones como especificación, frontera irregular, error compuesto, modelo del queso suizo (guardarraíles, evaluaciones, permisos y revisión, sin que ninguna capa tenga que ser perfecta), coste de equivocarse (el coste del error fija el techo de autonomía), puertas de uno y dos sentidos, el dial de autonomía, Goodhart, la lección amarga, el arnés decide (la calidad la determina el bucle alrededor del modelo: herramientas, contexto y reintentos), el contexto es el producto (elegir la entrada es diseño de producto) y mapa frente a territorio (los benchmarks públicos son mapas; las evaluaciones propias son el territorio).

C · Estrategia y fosos. Incluye la prueba del siguiente modelo, el volante de datos, agregación y puntos de estrangulamiento (enrutadores, hubs y medidores se están comprando; menciona NVIDIA con Hugging Face y Stripe con OpenRouter), opciones reales (una capa de pasarela mantiene abierta la elección de modelo), sistemas de registro frente a sistemas de acción, servicio como software (el precio pasa de asientos a resultados completados), efecto Lindy (los problemas de los clientes se mantienen mientras los modelos cambian, así que conviene anclar ahí la hoja de ruta), efecto Reina Roja (reordenar el enrutado de modelos con un calendario, no cuando algo se rompe) y la barra (modelos de frontera para trabajo de alto riesgo y pesos abiertos para volumen).

D · Usuarios y confianza. Incluye calibración de la confianza (diseñar contra el exceso y el defecto de confianza, mostrando el trabajo y el grado de certeza), trabajos por delegar, problema principal-agente (quién responde cuando el agente se equivoca; el texto indica que, según la sentencia de Air Canada, responde la empresa), decaimiento de Kano (la magia de la IA pasa a ser requisito básico en meses), efecto IKEA (los usuarios valoran lo que ayudaron a construir, y el piloto automático total reduce el valor percibido) y tolerancia asíncrona (la gente espera sin problema si no está mirando, lo que cambia el equilibrio entre latencia y calidad).

E · Organización y operación. Incluye teoría de las restricciones, ley de Amdahl, ley de Conway (las arquitecturas multiagente copian las fronteras de los equipos, lo bueno y lo malo), vacío de propiedad (enrutado, estado y superficie de permisos no tienen dueño en la mayoría de equipos, y conviene nombrar uno), bucle OODA (la telemetría de agentes vuelve diario el ciclo) y pensamiento de segundo orden (si todos envían más rápido, atención y distribución se vuelven más escasas).

F · Sistema operativo personal. Incluye ventaja comparativa (delegar donde los agentes son suficientemente buenos y conservar juicio y criterio), agentes como apalancamiento (código que trabaja para uno, ampliando las formas de apalancamiento de Naval), el criterio es el trabajo, inversión o pre-mortem (por ejemplo, cómo nos deja en evidencia este agente en portada), la lección de la hoja de cálculo (las herramientas nuevas reordenan las profesiones en lugar de matarlas, y el trabajo del PM se divide en una mitad que se expande y otra que se contrae) y círculo de competencia (saber dónde se puede comprobar uno mismo la salida del agente).

IDEAS CLAVE

El hilo común del artículo es que el trabajo del PM se desplaza de escribir especificaciones deterministas a definir distribuciones aceptables, fijar permisos según la reversibilidad de cada acción y revisar con criterio lo que producen los agentes. Casi todos los modelos tienen una consecuencia práctica: medir con tareas propias, repetir ese mapeo cada trimestre, tratar la autonomía como un ajuste gradual, proteger las acciones irreversibles, desconfiar de las métricas que un agente podría falsificar y concentrar la inversión en datos, evaluaciones y propiedad del flujo de trabajo, que son lo que el siguiente modelo no reemplaza.

Como en todo texto de opinión, varias cifras y casos (los estudios de 100 billones de tokens, los porcentajes de METR, el resultado del experimento de BCG o el incidente de Replit) son atribuciones del autor a fuentes externas que enlaza, y este resumen las recoge tal como se presentan en el artículo, sin verificación independiente.