La salida de Astra me ha coincidido con un pico de trabajo increíble. Os adelanto que estoy preparando el lanzamiento de una nueva marca, Xendai – AI Engineering Studio, formada por el equipo de Vizologi. Y, como bien sabréis quienes hayáis pasado por la experiencia de montar un negocio desde cero, los primeros meses son frenéticos.

Pero, vaya, no estoy solo. Me he buscado un aliado que ha bajado de una constelación y se llama Astra. Si Vizologi ya era una startup 100 % AI-native, con Xendai quiero pasarme unas cuantas pantallas más y alcanzar el plus ultra del AI-native.

Os lo iré contando todo en este blog, pero os adelanto mi intención: integrar la inteligencia artificial en cada píxel de la empresa.

A lo tonto, ya van siete años probando modelos desde aquel imperfecto GPT-2. Y, como vosotros, yo también empiezo a sentir cierta fatiga tecnológica. Es prácticamente imposible estar al día, ni siquiera para quienes nos dedicamos profesionalmente a esto. En apenas un mes se suceden innumerables actualizaciones en el ecosistema de modelos propietarios, pero, ojo, el código abierto también está que arde. Y ya me faltan manos para probar todo lo que me gustaría.

Si tuviera que resumirlo brevemente, y reflexionando en voz alta, destacaría siete momentos clave que me han marcado probando modelos y herramientas de IA.

El primero fue GPT-3 (junio de 2020). Lo tengo grabado a fuego: aquellos test iniciales me llevaron a tomar decisiones drásticas sobre el rumbo de mi empresa. Después llegó ChatGPT (noviembre de 2022), seguido de la aparición de los modelos razonadores con o1 (diciembre de 2024), la actualización de GPT-4.1 (abril de 2025) y el shock de Claude Code (mayo de 2025). Aquí muchos dijimos: «Ojo, que esto empieza a funcionar realmente bien». El salto de calidad fue considerable.

Luego llegó Fable (junio de 2026), que también me impresionó. Y, por último, Astra (septiembre de 2026), que me tiene directamente noqueado.

Siete momentos en los que he tenido la sensación de que algo acababa de cambiar, se había producido un salto grande.

En medio de esta sensación de fatiga tecnológica, empezaba a pensar que ya nada iba a sorprenderme. Y entonces llegó Astra. Llevo días con la boca abierta. Lo he probado durante horas y horas, en multitud de casos de uso, diferentes entornos, herramientas y circunstancias, y mi conclusión es que estamos ante un modelo brutal. Lo más inteligente que he probado hasta la fecha.

No os voy a aburrir con benchmarks ni con esas historietas que tanto nos gustan a los ingenieros. De hecho, cada vez tengo más dudas sobre el sentido de estas métricas para evaluar la calidad real de un modelo. Como siempre he hecho en este blog, lo que os cuento nace de mi experiencia directa, de sentarme delante de la máquina y ponerla a trabajar.

Para mí, la calidad se mide con una métrica mucho más sencilla: la fricción que existe entre lo que tengo en la cabeza y lo que consigo materializar con el modelo. ¿Obtengo realmente lo que había imaginado? ¿Cuántas veces tengo que iterar hasta conseguirlo? ¿Hasta qué punto el resultado se adapta a mis necesidades, en lugar de entregarme una respuesta genérica?

Cuanto menor sea esa fricción, mayor será la calidad del modelo. Así de sencillo. Con Astra, el 90% de lo tengo en mi cabeza, se materializa en la primera interacción, unido a cómo tengo configurada la memoria, puedo confirmar que he llegado a un pico excepcional en el uso de esta tecnología.

Olvidaos ya de la ingeniería de prompts, de instalar no sé qué skill y de todas esas historias de configuraciones complejas. Los modelos frontera como Astra ya se han pasado esa pantalla. Y es precisamente aquí, cuando dejas de preocuparte por cómo hablar con la máquina y empiezas a concentrarte exclusivamente en lo que quieres conseguir, donde te das cuenta de la magnitud de la evolución.

Pero hay algo que me ha impresionado todavía más: su capacidad para utilizar el ordenador.

Su modo computer use abre la puerta a una pregunta que, hasta hace relativamente poco, parecía reservada a los debates más especulativos sobre inteligencia artificial: ¿podemos empezar a considerar que estamos ante una forma de AGI?

Y es que da miedo. En mis pruebas, no se le ha resistido prácticamente ninguna tarea de escritorio o navegador. Lo que antes requería una sucesión interminable de instrucciones, configuraciones y supervisión empieza a convertirse en una conversación entre lo que quiero hacer y una máquina capaz de ejecutarlo.

Mi impresión es que podríamos estar a una o dos iteraciones de alcanzar lo que yo describiría como una AGI de cuello blanco. Esto podría suceder en los próximos 6 a 12 meses, quizá incluso antes, pese a la “parada” consensuada en el mercado.

¿Y qué significa exactamente AGI de cuello blanco?

Para mí, una inteligencia artificial capaz de realizar cualquier tarea que un ser humano pueda desempeñar delante de un ordenador.

No estoy hablando de una inteligencia artificial que supere todos los benchmarks, que resuelva los grandes misterios de la humanidad o que alcance una supuesta conciencia artificial. Estoy hablando de algo mucho más concreto, cotidiano y, probablemente, más trascendental para el mundo del trabajo: una máquina capaz de sentarse virtualmente delante de un ordenador y hacer lo mismo que hacemos millones de personas cada día.

AGI de cuello blanco, AGI de cuello azul.

Hemos confundido la inteligencia general con la capacidad universal de ejecutar trabajo humano.

Durante años he defendido una definición estricta de AGI: una inteligencia artificial capaz de realizar cualquier tarea humana, ya sea cognitiva o física. Me parecía la única manera de evitar que el término acabara convertido en otra etiqueta de marketing.

Pero los avances de Astra para operar ordenadores me han obligado a revisar esa posición.

¿Tiene sentido negar la existencia de una inteligencia general a un sistema que fuera capaz de aprender y realizar prácticamente cualquier trabajo intelectual, simplemente porque no puede cambiar una tubería?

Creo que estamos mezclando dos problemas distintos. Uno es alcanzar una inteligencia general capaz de desenvolverse en el mundo del conocimiento y del trabajo digital. Otro es trasladar esa inteligencia al mundo físico, donde hacen falta percepción, destreza manual, movilidad y adaptación a entornos impredecibles. Luego, propongo distinguirlos como AGI de cuello blanco y AGI de cuello azul.

No significa que hayamos alcanzado ninguna de las dos. Significa que necesitamos dejar de utilizar una sola meta para medir capacidades que pueden desarrollarse de manera independiente.

La generalidad no consiste en poder hacer absolutamente todo. Consiste en poder aprender y adaptarse a una amplia diversidad de problemas sin necesitar una inteligencia distinta para cada uno de ellos.

La AGI no debería exigir que una inteligencia artificial sea capaz de hacer cualquier cosa que hace un ser humano. Debería exigir que sea capaz de aprender a resolver problemas generales. Que pueda ejecutarlos delante de un ordenador o necesite un cuerpo robótico es una cuestión diferente.