LANZAMIENTO de Factorial ONE, ENTERPRISE AI en PRODUCCIÓN

O sea, tú al final, como ingeniero, intentas entregar la mayor calidad posible en tu producto. Si algo falla, al final al que le van a pintar la cara colorada es a ti, ¿sabes? Porque has metido este... No van a decir: "No, es que ha sido la AI". No, no.

O sea, nosotros, ¿cómo hemos conseguido el determinismo?

Pero tú me dijiste la central nuclear que estamos construyendo.

Bienvenidos una semana más a la Tertulia de Itnig. Hoy estamos aquí con Oriol Gual, Nacho Corcuera, Ilya Zayat, Jordi Romero y Bernat Farrero. Acabando un día largo, intenso, de product review. Que además todavía no se ha acabado la product review, ¿no? Llevamos tres días, queda medio. Tres días y medio es la product review.

¿Qué tal? ¿Cómo ha ido la product review?

Sí.

Yo creo que normalmente en, en tecnología, en producto en general, el cliente siempre tiene una expectativa infinita del producto que quieres. Pero es que esta vez con ONE realmente la gente se imagina todo, que vamos a solucionar absolutamente todo.

Hacer cosas, sí. Yo creo que aquí el cambio más importante es: una de las cosas que queremos hacer es pensar fuera de la caja. O sea, al final todos los asistentes un poco se piensa como el chat, que es un toma y daca y tienes ahí la conversación. Y yo creo que el punto que queremos llevarlo nosotros más lejos es una de las primeras fases, que es no solamente que responda con los datos, sino que pueda interaccionar con la aplicación y tenga una interacción real.

O sea, que el usuario se sienta... No participe de estar escribiendo en el chat, sino cualquier cosa que haga la aplicación, tiene una comunicación bidireccional con, con ONE y cualquier cosa que escriba en ONE tiene un, una repercusión directamente en la aplicación, ¿sabes? Y ya integra todo Factorial, ¿sabes? Para que el usuario note todo ese proceso, no un chat convencional, sino algo, una experiencia mucho más integrada.

O sea, cre-creo que la complejidad aquí es más el, el cómo traducir todos los conceptos que tenemos en Factorial y poder darlos de una manera que estemos dando una respuesta de calidad al usuario. O sea, tú al final, o sea, tú puedes preguntarle a ChatGPT cuál es el, el, por ejemplo, el parental leave que tengo en ahora mismo, y él va a contestar con su dato entrenado.

Pero eso no quiere que sea, que sea una respuesta de calidad. O sea, eso es lo que estamos intentando nosotros, meter todos esos conceptos que hacen que Factorial sea un entorno rico, poder dárselos a la gente para que dé unas respuestas de calidad al usuario.

Y dar control a la empresa, ¿no? De qué es lo que está respondiendo, eh, Factorial a los us-- a los empleados, ¿no? En el nombre de la empresa.

Sí.

O sea, dar este control... A ChatGPT esto no le preocupa, ¿no?

Claro, al, al final hay que pensar que un LLM está entrenado para contestar. Eso no quiere decir que conteste bien o conteste mal, es contestar. Y de hecho, ahora mismo se está viendo de que hay-- están queriendo cambiar un poco el paradigma, digamos, para que se premie cuando contestas bien y se castigue cuando contestas mal, para que no intente contestar. Si no sabe, es mucho más valioso decir: "No lo sé", que inventarte la respuesta y a partir de ahí ya puede alucinar o puede intentar ver caminos, porque lo que quiere es contestarte, da igual que sea bien o mal.

O sea, él busca contestar.

Pero el tema es que, y es un tema filosófico igual, pero, pero si realmente, o sea, no sabe nada un LLM y sabe todo a su vez. Es una, es una compresión de toda la realidad, ¿no? O sea, la, la dificultad es saber qué es lo que no sabe. ¿Cómo sabe lo que no sabe? Uy, es un poco tarde, ¿eh?

Menos mal que me han dado una cerveza.

Cada vez mejor, ¿eh? Cada vez mejor. O sea...

Esas cosas, y no es trivial exponer todas esas funcionalidades, esto, a, a Juan, porque al final ChatGPT, pues genera texto, imágenes y vídeo. Nosotros estamos pidiendo que genere veinte, treinta, cuarenta cosas

Uri ha les hablado de, de ChatGPT, pero es que no es solo ChatGPT, Juan, también es Lovable. Porque una de las cosas que, que, que innovamos desde Factorial y que, y que estamos trabajando es el hecho de que tú puedas trabajar desde un chat y preguntarle sobre las cosas que estás viendo en la experiencia de usuario dentro del SaaS, ¿no?

Dentro del software, eh, y puedas interactuar con eso, preguntarle qué pasa, ¿no? ¿Cómo funciona esto, Ilia? ¿Puedes explicar un poco ahora que lo hemos anunciado? Y supongo que todo el mundo que nos escucha ha visto el evento, eh-

No, había mucha gente.

Había muchísima gente. Por cierto, la hostia, ¿eh? Enhorabuena.

Pues bueno, Ilia y yo-

Bueno, enhorabuena a los dos. Me encantó.

Tuvimos un, una putada técnica terrible, que, que estos meses son muy intensos y fuimos al evento un poco ahí con, con el agua al cuello y yo concretamente tenía las notas de presentador que dependía mi vida.

El teleprompter.

Me dependía mi-

Te pasó lo de, te pasó lo de Trump, que es que te, te quitaron el teleprompter expresamente.

Madre mía. Pues yo no sé si fue expresamente también o no, pero la cara de pánico de: "Mierda..." Y bueno, lo salvamos. Por suerte Ilia lo tenía muy controlado su parte y yo le-- yo presenté a Ilia e Ilia hizo, hizo-

Es que de golpe empieza a decir: "Tenemos un problema con la tecnología", y nadie veía ningún problema con la tecnología.

Yo estaba sudando, y tenía que hablar.

¿Qué tecnología?

Porque todo el mundo piensa en general.

Ah, no, porque detrás, claro, vosotros no lo veíais, pero detrás del público estaban ahí en plan haciéndome gestos que yo no entendía. Yo te-- yo no puedo callar. Estás encima del-

No, no, pero así no se notó, ¿eh?

Ya, ya.

Tienes una habilidad, Jordi.

Yo sufrí como un desgraciado. Pero bueno, por suerte Ilia, Ilia lo salvó. Pero a la gente, eh, le gustó y todo el mundo quiere probarlo, ¿no? Hay, hay un FOMO, un fear of missing out tan bestia que la gente dice: "Factorial tiene ya-

Miles de personas en la waiting list.

Lo quiero ya. Lo quiero ya. Eh, ¿qué cuesta? ¿Cuándo lo tengo?

El caso que nos ponía Borja, que hablaba de que el grupo es un grupo grande, estaban superinteresados en dárselo no solamente a managers o administradores, sino a todos los empleados, ¿sabes? O sea, de cómo pueden empezar a utilizar esto.

Hay mucho interés.

Ilia, ¿puedes explicar cuál es el highlight del evento que anunciaste? Y luego responde la pregunta de co-creation que le he dejado por aquí.

Sí, sí, sí.

No, estoy pensando que al final sí, es como, para mí, vamos a cosas filosóficas, es exactamente cómo queremos construir SaaS en veinte veinticinco y en esa dirección. Que no podemos continuar con estas ideas de CRUD, que tenemos un base de datos, tenemos una manera de crear entidades, actualizar y esto. No, que al final, que nos interesa pensar más en conceptos de, de la vida, de, de negocio, de, de, ¿no?

De todos estos, estos ideas, porque a veces, especialmente cuando construimos producto, vemos que gastamos un montón de tiempo discutir qué significa cada cosa y qué al final queremos construir. Hoy, un ejemplo de product review, cuando pedimos cuántos días tenemos que-- cuando pedimos una semana, ¿qué significa eso? ¿Siete working días, cinco working días? Hay un montón de esos conceptos que en-

Espera, cuando pides una semana de vacaciones-

Sí.

¿No? O sea, depende de la política que tengas, puede ser cinco días laborables o siete días naturales.

Y es la definición de Factorial.

Si pasas un festivo en medio y cosas así.

Exacto. Y esta definición de Factorial, que es por encima, es una tontería mucho más fácil, pero tú clicas d-dos veces y es un rabbit hole infinito, porque y ya.

Es hacia todas las direcciones.

Exacto, exacto.

Eso es solo un ejemplo random.

¿Y cómo podemos construir toda esta complejidad, todo este long tail de cosas que, que tenemos con estos CRUDs? Para mí, hasta ahora es muy limitante, que siempre- Un CRUD, por si alguien no es técnico y nos escucha.

Es un tipo de pescado, ¿no?

Sí. Sushi, ¿no? No, ¿qué es un, qué es un CRUD?

Que es una... Como create, read, update and delete.

Formularios. Formularios, listas, tablas de cosas, ¿no? Que la mayor parte del software en el fondo es lo mismo.

Es, es una manipulación de datos. Al final, si tú creas un empleado, cómo actualizas ese empleado, cómo borras ese empleado, cómo lo lees, cómo lo expones, etcétera. Y yo creo que una parte muy importante de lo que has dicho es, es un cambio de cómo estamos pensando ese CRUD. O sea, para mí la parte más fundamental de co-creación es: ya no es cada acción que hago tiene una materialización en mi base de datos o en mi sistema de información, sino que el dato es líquido para que el agente y el usuario puedan interaccionar libremente con él.

Y luego ya es, al final me recuerda mucho a cuando hemos trabajado con Word, el salvar el Word. Vale, salvas ya la información. Yo he estado tocando todo el rato información, he estado trabajando con mi agente directamente en cómo tiene que transformarse ese dato y ya luego digo: "Vale, quiero asegurarme, porque al final todo esto tiene una validación por parte del usuario. Guardo este dato ya directamente en mi base de datos".

No por cada operación la materializo directamente, ¿sabes?

Al final, que si UI o esta parte-

Eso es un cambio de paradigma.

De reads también en este CRUD es algo también dinámico. Que al final no hace falta tener un Excel o Ex-- o una tabla, es como la única manera. Tú tienes tu tarea ahora que tú piensas en mente: ¿qué es manera más fácil para responder o resolver esta tarea? Genérame UI en este momento. Y es, al final, para todo esto necesitamos que AI entienda muy claro todos esos conceptos, definiciones, workflows que hay en Factorial.

Y es un challenge brutal, honestamente, porque-

Porque esto ya no es escribir software como lo hemos entendido, ¿no?

No.

Es explicar como un humano lo que esperas que pase.

Exacto. Porque al final mi, mi, mi meta, mi visión aquí es, es clásico ochenta/veinte, que la mayoría de SaaS siempre optimizamos ochenta, mmm, por cen-por ciento de todos los casos que son un, un, que son iguales para todas las empresas, pero long tail de veinte olvidamos porque no podemos, ah, permitir-

Bueno, no es que lo olvidemos, es que es el resto de nuestra vida. El primer año de la fundación de la empresa es el ochenta por ciento y los siguientes cincuenta años es el último veinte.

Pero al final no podemos permitir, porque no hay manera a nivel balancear costes y, ah

Y resultados-

Edificios

...sí, edificios aquí para su-soportar ese 100 %. Pero con la AI ahora podemos, mmm, no puede llegar al 100 %, pero llegar a noventa y nueve punto nueve. Porque con todos los cosas dinámicos tú puedes ahora soportar y, eh... pero necesitas preparar todo ese trabajo de base antes.

Hay un concepto que me gustó, que escuché y que me lo he quedado yo para explicar ONE, es que antes teníamos el paradigma del software a medida, ¿no? Del enterprise software, antes del SaaS y de la nube, donde se hacían despliegues a medida, programación a medida, se tardaban años, costaban millones o decenas de millones de dólares. Luego pasamos al SaaS, que es un "one size, one size fits all", ¿no?

O sea, una versión del software sirve para todo el mundo y hay un nivel de personalización. Pero ahora tenemos lo mejor de los dos mundos. Tenemos la nube, la escalabilidad, la, la comodidad de tener acceso desde el móvil, desde cualquier parte del mundo. Y además, con la AI puedes acabar ese 20 % de personalización y de adaptación del software sin tener que contratar programadores, sino simplemente hablando y, y tuneando la, los workflows del, del software.

Y volviendo al tema de co-creation, porque al final no es-

Esa era mi pregunta inicial.

Exacto, perdona. Pero ¿quieres hablar de filosofía?

No, no, te he hecho mil, te he hecho mil. Disculpa, amigo.

Sí, sí. Ah, al final, ¿cuál es nuestra idea? Que no solo tú preguntas a ONE y tienes respuestas, es que también tú a veces tienes cosas complejas que no son tan, ah, lineales en cómo llegar a esta respuesta. Por eso tú tienes que hacer un brainstorm o pensar o iterar y probar. Hay como tus compañeros, ¿sabes?, para hacer. Pero aquí queremos construir un compañero sintético que pueda ayudarte a hacer cosas mucho más fácil y mucho más rápido en generar UI para ti.

Por eso, al final, si simplifica-simplificamos al máximo, co-creation es una manera como AI puede clicar cosas en, en interfaz para ti en manera muy rápida, que tú solo explicas qué quieres y después, porque es un robot y un robot muy, muy rápido, puede ir, generar cositas, traducir, mmm, simplificar todo, que tú no tienes que saber exactamente qué, qué tienes que buscar y qué tienes que-

O sea, que actúa a nivel del navegador, ¿no?

Exacto, a nivel del navegador.

Entiende lo que pasa en el navegador y puede hacer funciones por ti.

Claro, o sea, al final... Sí, o sea, al final lo que va a entender es, eh, imagi-- vamos a poner ejemplo simple, que es yo creo que-

Bueno, hoy es técnico, ¿eh? O sea que no pasa nada.

Pero me refiero, al final, pensemos en un formulario. Tú en un formulario tienes preguntas, respuestas, eh, "multiple choice options", secciones, títulos y demás. Tú al final lo que le estás diciendo es: "Oye, mira, esta es mi estructura de datos que tienes que manipular. Y en función de lo que te diga el usuario, tú tienes que agrupar preguntas dentro de las secciones y luego al final simplemente es: manipula esta estructura de datos".

Nosotros ya tenemos las herramientas para que esa estructura de datos tenga un comportamiento directamente fluido en la interfaz y que el usuario pueda ver sus modificaciones en tiempo real. Y él a lo mejor puede llegar y decirle: "Oye, créame cinco preguntas que resuelvan este topic, esta es mi audiencia y todo esto". No tiene que ir una a una añadiendo todas esas.

ONE ya hace el trabajo por él. Y luego imaginemos que no ha acertado con el título de una pregunta. Se lo puedo pedir directamente por el chat o es mi compañero, yo puedo escribirlo y él va a saber perfectamente que yo he actualizado esa pregunta, ¿sabes? O por ejemplo, un caso que yo creo muy sencillo es: imaginemos que yo mi lengua materna es el español, pero tenemos ahí un cliente o tenemos un equipo que trabaja en inglés o mi equipo trabaja en inglés.

Vale, yo a lo mejor me es más sencillo trabajar directamente en español, pero luego le puedo pedir a ONE: "Oye, tradúceme todo lo que he hecho y que siga teniendo ese efecto para poder yo enviarlo al inglés o a cualquier idioma disponible". O sea, es una forma de agilizar directamente los procesos y hacer que, que la IA sea tu compañero de, de viaje en ese proceso de cocreación.

Yo creo que aquí el cambio de mindset es, es muy, muy heavy, porque, o sea, realmente lo más importante ahora no será tanto la parte de programar. O sea, el, el programador. Eh, o sea, realmente tú dices: "Mira, una encuesta de satisfacción", me sirve como ejemplo. O sea, nosotros en Factorial lo que somos expertos es en casos de uso, es en problemas específicos.

Entonces, nosotros tenemos la capacidad, después de haber visto muchas encuestas de sa-de satisfacción, de curar una lista de encuestas de satisfacción y ayudar a construir esto, pero no partiendo de ChatGPT, porque para eso ya está ChatGPT. O sea, la gente puede ir a ChatGPT, ¿no? Pero nosotros tenemos encuestas de, de satisfacción que funcionan con el benchmark, con una, mucha información, ¿no?

Entonces, el equipo de producto que hace las encuestas de satisfacción, en vez de estar pensando en cómo programar siempre pipelines, o sea, pipes, quiero decir, o sea, em-

Tuberías, tuberías. Hostia que es-

Eh, o sea, básicamente, básicamente, CRUTS, volvemos a CRUTS. En vez de estar pensando en eso, lo que está pensando es: ¿cuál es una encuesta de satisfacción que tinga-- que tenga éxito? ¿Cuál es la lista de posibles encuestas de, de satisfacción, no? Entonces, está, está hablando del problema, está metiéndose en la expertise del problema, el equipo de producto.

Y eso es difícil, ¿eh?

O sea, aquí, aquí yo creo que la parte de valor es tú. O sea, perdón por , es que yo vengo del mundo de data de toda la vida, entonces al final incido mucho con eso, pero es, yo creo que aquí es cómo defines esa estructura de datos y luego cómo le das ese contexto de esos expertise para poder solucionar el problema de la mejor forma, ¿sabes? O sea, al final es-

Pero me estáis pensando como programadores, ¿eh? O sea, perdona.

Se nota que sois programadores.

Has pedido charla un poco técnica, ¿sabes? O sea, al final intentamos-

Ya, pero es que ha cambiado el paradigma. O sea, estoy de acuerdo. Sí, hay que pensar. Me, me estáis hablando de otro tipo de tuberías, ¿vale? Que, que son importantes, son necesarias.

Las tuberías de la AI. Pero seguís hablando de tuberías.

Es que son necesarias. Por algún sitio tiene que pasar el agua.

Pero que somos un montón de gente. Somos doscientas y, doscientas y pico personas en producto, ¿no? Y, y, y la mayoría de personas no están o no deberían estar ya hoy, 2025, octubre, pensando todos en tuberías. Deberían estar pensando en problemas, en problemas, en expertise de problemas. O sea, yo, para mí esta es la, mi, mi gran trabajo, eh, que hago en, con, con los equipos, de dejar de, de pensar tanto en construir código, en construir soluciones.

Yo tengo un hot take aquí.

A ver.

Si es como con AI, me parece que vamos a volver a este periodo de waterfall, honestamente, de cuando desarrollamos software en manera ochenta, noventa, que waterfall era muy, muy de moda. Eh, pero todo el mundo después de con, con Scrum, ah, estaba diciendo que no es un, es un problema. ¿Por-- pero por qué era problema? Que hay-había un periodos muy grandis-- ah, grandes desde una esquema o idea hasta exe-ejecución.

Por eso-

Por, por el long tail. Era un problema por el veinte, por el último veinte por ciento.

Veinte por ciento, y pero también para años de ejecución. Ahora ejecución va a compresar muchísimo, porque al final tú puedes generar con AI código en, con cada día mucho más rápido. Por eso, pero valor al final de este esquema o de documento inicial, a qué queremos construir.

Estoy totalmente de acuerdo. O sea, tú te juegas-

Totalmente, exacto.

Aquí el valor es lo que dice Bernat. O sea, pensamos como ingenieros y estamos haciendo esa, ese cambio un poco de mentalidad de programadores. Aquí el ingeniero tiene que saber de producto, tiene que saber identificar los casos de uso, poder explicarlos correctamente para poder generar el código acorde a ellos.

¿Cuánta gente tiene que estar haciendo las tuberías de la AI? Espero que no muchos, ¿no? Os estaréis pisando unos a otros, ¿no? Somos un montón de gente. Pero fíjate que esto, Jordi, es que es lo que hacíamos tú y yo la carrera, que yo me, me acuerdo de que tú te indignaba. Bueno, cuando no jugábamos al fútbol. Pero, o sea, realmente te-- a ti particularmente te indignaba. O sea, te acuerdas del RUP?

Rational Unified Process o algo así.

Este proceso de la informática de los años ochenta y noventa de, de hacer el, el análisis, el no sé qué, cosas en pseudocódigo, cosas-- cajas, cajas con flechas.

Tío, ahora es todo eso. O sea, hemos vuelto.

Es lo que es igual.

Sí, no, es que el otro también estaba medio escrito con palabras.

No lo sé, no lo sé. El, el problema es que siempre te dejabas casuística. Y ahora lo bueno es que esta última casuística, ese último veinte por ciento, es lo que te hace la AI.

Y tú tienes que definir todo antes.

No, y, y por ejemplo, yo pongo, yo pongo mi caso. O sea, yo he entrado en Factorial, ¿sabes? Hace un año, y yo venía de un stack tecnológico totalmente diferente. O sea, yo vengo de la parte de Python, a lo mejor un poco otros lenguajes de programación que no son-

Nadie es perfecto.

Pero, pero al final, o sea, una de las cosas que yo me llevo es: yo en poco tiempo he podido empezar a interaccionar con todo Factorial, a sentirme seguro de poder subir PRs y poder empezar a modificar el estado. También es verdad que la base es lo que hace que tú puedas hacerlo. Y todo eso lo he podido hacer con la IA. Si no hubiera sido un proceso de que a lo mejor en un mes no hubiera podido sentirme seguro de que estoy interaccionando con la aplicación.

Sin embargo, ahora es, es tu compañero de aprendizaje un poco y tú eres el que le dice: "Oye, mira, esto de aquí no me gusta, explícamelo bien. O esto de aquí lo estoy viendo o quiero aplicar este caso de uso". Te voy haciendo todo el esquema, te doy las pautas detalladas de lo que quiero hacer, porque mi expertise en este caso, ¿sabes? Para construir esos pipes, es lo que me está dando la capacidad de darte las órdenes para poder construirlo correctamente.

Y es lo que asegura de que vayas a entregar un software de calidad. O sea, al final hay una teoría que tenemos en este que hemos visto que empieza ahora a surgir una nueva posición, que es el pipe coding fixer. Entonces-

¿El qué, qué, qué?

El pipe coding fixer. O sea, la gente que programa-

Y aparece este. Y hay, y hay actualmente-

Y hay freelancers que actualmente viven de eso. Entonces, lo que te permite que no tengas que pedir contratar ese fixer es un, una buena base o un buen ingeniero, un buen foundation con los casos de uso para poder decirte: "Oye, mira, esto es el camino que tengo que hacer para seguir por aquí".

O esperar un año.

O espera...

No tenemos un año.

No, ya sé, ya sé.

Pero hay gentes que son muy prodigiosos también.

Nosotros no hacemos pipe coding. Claro, no. O sea, al final-

¿Eso tú lo puedes poner la mano en el fuego?

¿Tú ya puedes poner la mano en el fuego?

No, para mí es un-

Que nosotros no estamos adentro de eso.

No, pero por ejemplo-

Volvemos de One otra vez. No, pero al final para mí es una definición de un buen programador versus mal programador. Porque exactamente, tú siempre revisas tu pull request. Da igual cómo, cómo escribes esto. Antes de publicarlo, tú revisas qué, qué tú has hecho. Porque si no-

Y hay un orgullo de la calidad del trabajo que has hecho.

Exacto. Y me da igual cómo tú escribiste, con un teclado o con AI o con voice, voice, eh, traducción al celular. Tú pones y tú ves.

O sea, al final es tu sello de calidad. O sea, tú al final como ingeniero intentas entregar la mayor calidad posible en tu producto. Si algo falla, al final al que le van a pintar la cara colorada es a ti, ¿sabes? Porque has metido este. No van a decir: "No, es que ha sido la AI". No, no.

Es que ha sido el vibe, que no he podido fluir bien. No, te has sentado a hacer eso.

No lo sé, ¿eh? No lo sé, porque ahora estamos hablando de empresas que van de cero a, a quinientos millones de euros en, en un, un telediario, ¿sabes? O sea, eh, que no nos importaría que los-- que tener developers que generen quinientos millones de euros de valor, aunque la calidad no sé qué.

Se lo has preguntado a Juan.

Y cuánta gente no ha entendido lo, lo que estamos explicando todo el día.

Exacto.

Antes de que se inventara.

Foco en AI.

No, pero que vosotros llamáis One. Bueno, ya no, porque he visto que os llamáis AI Building Blocks.

Y es crear el producto nuevo de One.

Que no existía.

O, o pensando cómo hacer las nuevas integraciones. Al final, una cosa que yo creo que estamos repitiendo el mensaje en todo Factorial es, o sea, un mensaje que dimos el otro día, que era: Juan no... o sea, Juan somos todos en la compañía, no solamente un equipo. No, pero es verdad, no solamente-

Claro, exacto. Sí, vamos a ver.

Totalmente. No, pero al final lo que voy es sobre todo de que no solamente tiene que estar pensando un equipo en resolver todos los problemas de AI, sino que es un, es una cosa que tenemos que ser native AI toda la compañía.

Pero que es muy importante aquí, es, es la meta del, del equipo poner constraints. Porque si todo el mundo va a empezar-

Limitaciones, sí. Como y un poco camino o marcar el camino a cómo, cómo hacemos esto. Porque AI es un poco, es esta tecnología que es muy fácil empezar usarlo, pero a llegar ochenta, nove-noventa, cien por ciento y tra-- que f-- que funciona en producción, en el escala, esto es muy, muy complicado. Porque a veces es como mostramos esto, un ejemplo: Quimera es tan fácil que ya te responde en idioma de, del usuario, pero asegurar que no mezcle mensajes y no mezcle idiomas mi-mientras hablando es un challenge grandísimo a veces.

Chat GPT mezcla idiomas todo el rato.

Exacto, exacto. Por eso parece una tontería, pero al final no.

Te hacemos líos.

Sí, sí, sí, sí, sí. A veces está pensando en qué idioma tú quieres hablar basando de tu nombre. A veces me responde en ruso, porque-- pero nunca he preguntado en ruso. Es como cosas así, esto es exactamente "long tail" de problemas que tienes que evitar. Y si cada p-- cada equipo va a empezar por su camino, cómo hacer esto, es un problema. Por eso la idea de este equipo es: vale, vamos a preparar una plataforma.

Todo el mundo piensa en AI, que no hay otra manera ahora, pero al final tenemos un "framework" que tenemos que-

A ver, casos de uso exciting que estamos, eh, preparando, ¿no?

Es que queda muy mal.

Imagínate esa voz.

Eh, a ver, em, trainings, por ejemplo.

Sí.

El, el caso de creación de un curso entero desde cero. ¿No?

Y sí y no, porque al final es como-- sí, aquí es un-- otra filosofía, que al final a dónde, dónde, dónde está el, es-- trabajo de ChatGPT y dónde está el trabajo de-

Bueno, es que esto ha sido un poco la, la... Es que vosotros no habéis estado en todos los equipos.

Sí, yo sí, yo sí.

Una cosa que, que hemos estado discutiendo todo el día es todos los casos de uso que van a hacer de ChatGPT, ¿no? Eh...

Ni, ni queremos competir, ni podemos competir, ni, ni podemos competir a coste.

Porque para esto ya, ya la gente paga ChatGPT.

Claro. Eh, ni, ni, ni es donde vamos a ser diferenciales. O sea, re-realmente, toda la información, eh, que tenga que ver con el mundo real y que son preguntas de créame, no sé qué desde cero, ¿no? Lo que dice Elia, pues, eh, esto no aportamos valor. Eh, para eso está ChatGPT, que funciona muy bien. Sin embargo, todo lo que es, eh, información de Factorial que nosotros únicamente entendemos, que le hemos dedicado mucho tiempo a estructurar y categorizar, ¿no?

Y que seguimos dedicándolo.

Sí.

¿No? Y que, y que puede ser input Contexto para crear un montón de cosas

Pero al, al final, una cosa que, que repetías justo, que yo creo que fue la product review de training, ¿sabes? Y demás, era el hecho de cómo entregamos un producto de calidad. O sea, tú al final, si dejas que el training lo vaya a inferir directamente un modelo que tengamos o ONE, al final no dejas de-- no estás aportando esa expertise que nosotros deberíamos de estar aportando para resolver el problema.

Simplemente es: somos un, un genérico.

Es por la obsesión de hacer, eh, pipe, eh, pipes.

Sí.

O sea, tuberías. Tuberías. ¿Sabes? O sea, es que al final los equipos, o sea, acaban conectando piezas y generando, eh, funcionalidad. Pero, pero realmente lo que, lo que aporta valor al cliente es conocimiento.

Es, es contexto, que yo creo que es el, el nuevo-

Es contexto

...el nuevo pipe. Yo me lo puedo haber repetido.

Contexto para ONE, que es conocimiento. O sea, es conocimiento.

Es cómo darle justo la-- lo que necesita exactamente para resolver el problema de la manera que si lo estuviera resolviendo una persona.

Sin saber de lo que hablas.

Claro. O sea, es-

No, es saber.

Es, es darle justamente-

No, es quedarte dentro de sin saber de-

No, no, es, es justamente darle...

Contexto.

Ya es tarde hoy, ¿sabes? No, es, es el contexto, es el contexto, es importante. No, es justamente, o sea, decir: "Vale, yo quiero crear un curso y yo sé, eh, perfectamente, tengo este contexto ya de toda la expertise que nosotros tenemos".

Exactamente.

Cursos pasados.

Justo.

Esto es brutal, ¿eh? O sea, yo-- mira, una cosa que estuvimos hablando con el chico de Maisa, que luego entraremos, ¿vale? Porque, eh, ha generado mucho revuelo. A mí me han preguntado un montón de gente qué pienso de Maisa. Digo: "No, no lo sé". Eh, pero una cosa que preguntaba es, ostra, un, un problema que, que tienen ellos cuando, cuando van a las empresas es saber quién es quién.

O sea, es que realmente ya el problema no es la tecnología de generar el, el roboto, no, es, es quién es este tío y qué puede hacer, ¿sabes? Claro, si tú no eres una-- un software de recursos humanos, como es nuestro caso, eh, que nosotros-

¿Eh?

Business management.

Business management, pero también que incluye también recursos humanos. Eh, oye, no sabes que este tío es, es developer y que como los developers tienen acceso a tal o que tiene esos permisos, o que reporta X persona o que pertenece a no sé qué equipo. O sea, esto o, o, o no sé qué workplace. O sea, tenemos mapeado, eh, la fuente, ¿verdad?

De todo lo que son todos los empleados y podemos saber qué puede ver cada uno.

Muy buena pregunta

O sea, yo creo que aquí es-- es justo la, la, la forma en la que podemos inyectarle exactamente lo que puede ver cada empleado y demás. O sea, al final la idea, yo creo que siempre que parte de esto es cómo resolvemos esas preguntas anteriormente y cómo se las desbloqueamos directamente a ONE. Por ejemplo, sabes, si yo soy un administrador, yo voy a poder ver a lo mejor a todo mi equipo, pero si yo soy un manager, solamente puedo, o sea, voy a ver, ver a toda la empresa, pero si yo soy mi manager, solamente voy a poder ver a mi equipo.

¿Cómo le doy la información de quién es mi equipo, cuántas personas son, dónde están localizados, para que ONE te vaya a contestar solamente con las preguntas de ahí? Sin embargo, al ser un administrador quieres todo. O si soy un empleado, solamente es mi información. Es esa forma de inyectarle solamente esas partes de información.

Justo previo, antes de resolver cualquier tipo de pregunta.

No.

No, ¿en serio?

Lo primero que le enseñan a la gente.

Madre mía, ¿eh?

Ostra.

Sí, ONE solo tiene acceso a los datos que el empleado que está hablando con ONE tiene acceso. Y ya está, no puede hacer nada. Y luego nosotros no hacemos nada, nada especial con, con los datos.

Claro, sabes, si lo haces en una capa previa y dices: "Oye, esto es lo que vas a poder hacer para este empleado en concreto", ahí ya te estás quitando ese problema de raíz. Ya, tú ya sabes de una manera determinista qué es lo que quiere resolver y qué es lo que puede ver ese empleado.

Vámonos al determinismo y indeterminismo, que esta es una...

Estuvimos un pódcast entero, Ilia y yo, pobre, con David de Maisa, diciéndole: "Pero ¿cómo consigues que tal, no?" Pues claro, porque no, joder, no es por casualidad, es porque estamos todo el día discutiendo eso.

Nosotros, ¿cómo hemos conseguido el determinismo? Que esta es una pregunta, Ilia, que no te hice el otro día porque el pódcast era de Maisa. Pero explica qué-- cómo resolvemos este problema nosotros y cómo lo enfocamos.

Si tú quieres ir a determinismo

Es muy indeterminista tu aspecto

Exactamente, muy

Es indetermin-- es muy indeterminista

Sí, porque si tú quieres siempre responder a la misma pregunta con la misma respuesta, no hace falta IA. Es como tú puedes hacer un montón de ifs, como en código de programación, y está muy determinista, pero no hay magia, no hay nada y no hay flexibilidad. Por eso aquí tenemos que ver que cada, cada work-- no, no workflow, es como cada un proceso que hay en, en Factorial, cada, cada idea, cómo, ah, cómo de-- cuánto determinismo quieren al final.

Y es-- tenemos que definir nosotros, porque al final es una co-cosa de, por ejemplo, de algunos policies, no sé

Políticas

Políticas, gracias. Sí, políticas de, de la empresa, que es muy importante, que todo es extremamente determinismo, eh, determinístico y que podemos aprovechar, como aprobar o denegar cosas de manera muy, ah, siempre 100 % correcta. Pero en otras cosas es como: mira, yo quiero que me ayudas con mi, como mis preguntas en algunas cosas basado en esta encuesta.

Aquí no hace falta determinismo, porque queremos exactamente es más, mucho más flexibilidad de ONE. Y esto es lo mismo, como Nacho está diciendo, context management. Depende de esto, tú puedes o abrir este determinismo o quitar, depende de, de como quieras. Por eso, ¿cómo, cómo resolvemos? Voy a en-entrar en ese detalle. En todos los datos que están-- tenemos que asegurando que debería que sean totalmente correctos, ah, sacan, no hay ahí, pero herramientas deterministas, código.

O sea, al final es muy parecido al approach que, del que habla Maissa.

Exacto, exacto. Pero-

Por eso aún necesitamos programadores, porque tenemos que darle las herramientas a-

Ya, ¿pero quién programa?

Nosotros no. O sea

No, pero quiero decir, no, no hace falta programar cada caso de uso.

Exacto.

No, hace falta programar las herramientas para que ONE o, o un agent cualquiera pueda hacer, pueda resolver todos los casos de uso. Que quizá, para otro ejemplo de no poner las tuberías, si ONE fuera un cocinero, es como nosotros le damos los ingredientes. Sin los ingredientes no va a poder cocinar nada.

O si le das absolutamente todos los ingredientes-

Las reglas de juego.

Pero entrando en un ejemplo, por ejemplo, la, la política de, de gastos o de com-- o de compras de una compañía. Nosotros tenemos un producto de procurement, ¿no? Que te permite, eh, hacer todos los flujos de compra de la compañía. ¿Vale? O sea, un empleado puede decir: "Quiero comprar tornillos", ¿no? Y tiene que pasar por una serie de procesos. Oye, que estos tornillos, ¿son de un proveedor de europeo o de fuera de Europa?

Son-- tienes que-- ¿tienen algún riesgo de seguridad?

Y aquí tenemos que entramos exactamente qué significa proveedor europeo, qué no significa proveedor europeo. Aquí es, es un montón de cosas y que vemos que al final, si es, no, no es determinístico para una persona real, tampoco es determinístico para IA.

Claro, pero es lo que hablamos con David de Maissa.

Sí, sí, exacto.

O sea, es que realmente los pasos son deterministas.

Mhm.

¿No? O sea, los pasos que hay que, que hay que seguir están establecidos y son inmutables, ¿no? Pero luego tienes cierta variabilidad controlada.

Exacto.

Claro, tú al final aquí lo que, y creo que Ile lo ha resumido muy bien, es qué partes tienen que ser deterministas y qué partes necesitas creatividad de la gente para que pueda empezar a hacer las cosas. Y en las partes que son deterministas, tú no tienes que evaluar tanto el, el output del libre texto, cómo te está contestando, la forma en la que te está contestando, sino cómo ha llegado al camino para llegar a esa conclusión.

Eso es lo importante y eso es lo que te dará la determinidad, que es lo que estamos nosotros evaluando. O sea, si yo, por ejemplo, tengo que buscar el dato de quién soy yo como empleado, sé que solo hay un camino. O sea, yo como humano, yo iría y iría a ese camino exactamente. Eso es lo que te asegura el determinismo, que está tomando ese camino cuando estoy preguntando por esa información. Luego, ya que te conteste de una manera, de, pues, o en otro idioma o que te ordene las palabras y demás, eso ya es el libre albedrío que le estamos dando a la gente, pero el camino para llegar al dato-

Claro, pero el tema es tener muy claro en todo momento, y esto es lo que le preocupa a las empresas, ¿eh? O sea, las empresas no están esperando la IA con... Los CEO sí. Los CEO están todos esperando la IA, pero luego llegas al, al, al CFO o al de-- al tío de finanzas o de procurement y te dice: "Tío, no, no, no. O sea, crear un sistema que va a decidir la política por mí, no, ni de coña".

O sea, sí, quítatelo de la cabeza, ¿sabes? O sea, esa es la respuesta, ¿vale? Entonces, claro, yo-- a mí me obsesiona el determinismo, me obsesiona. Yo no, no, no voy a lanzar absolutamente nada que no pueda ex-- o sea, explicar exactamente lo que va a pasar, porque yo tampoco lo compraría, ¿sabes? Y, y, y, y menos nuestro CFO o nuestro jefe de procurement, ¿sabes?

De ninguna manera. Entonces, ¿dónde está la incertidumbre? La incertidumbre está: Oye, ¿vas a crear una política? Vale, explícalo con lenguaje natural. Vale, pues venga, vamos a crear un código para hacer esta política que he entendido. ¿Te parece bien este código? No, cámbialo. ¿Te parece bien ahora? Sí. Vale, eso es un código determinista. Esto es lo que se va a ejecutar cuando entre una política.

Pero ojo, ahora viene un empleado. Un empleado te explica: Quiero comprar. Te lo va a explicar indeterminísticamente. Entonces, eh, ¿esa es la política que aplica? Le vas a enseñar al empleado. Esa es la política más parecida de lo que tú has preguntado. Esta política es determinista. ¿Quieres aplicar esta política? El, el resultado de la aplicación de la política es determinista porque forma parte de un código.

La interpretación del lenguaje natural a la política es indeterminista. Pero en todo momento tienes controlado qué es determinista y qué no es indeterminista. ¿Por qué haces caras, Ile?

No, porque yo estoy pensando que al final es-- vamos a volver a nuestro pódcast con, con Maissa. Es que en este política, en este, mmm, código determinístico, va a ser partes no determinísticos en algún momento. Mmm, mi ejemplo favorito es de, de ciudad de Europa o de Estados Unidos. A veces tú no sabes, gente no sabe qué es ciudad de Europa y de Estados Unidos.

Sí, pero entonces, entonces esto es lo que luego

Exacto.

Cuando el empleado está haciendo una solicitud y está-- se le está aplicando una política, va a ver que se le está apli-aplicando una cosa que es para fuera de Europa y él ha pedido una cosa para dentro de Europa.

O, o incluso le estaba pasando el contexto del propio empleado, de que es de Europa y eso es lo que está haciendo que conteste correctamente y diga: "Ah, vale, esta ciudad está dentro de Europa".

Y luego la realidad es una putada, ¿eh? Porque Europa, vale, Reino Unido, eh, es de Europa, no es de Europa y hay países-

Todo es ambiguo, todo es ambiguo. Por eso, por eso de alguna forma con el, en el pódcast de Maissa, que es que, a ver, me, me encantó. O sea que me encantó el, el chico y la capacidad del conocimiento profundo que tenía y tal. Pero cuando te dice: "Eh, shh Nosotros hemos de-- resuelto al 100 % el determinismo. Dice: "Joder, tío, pues es que esto-- deja, deja, deja la tecnología en general, dedícate a la filosofía y ya está".

O sea, es que es todo ambiguo.

Los múltiplos son mejores.

Son la guía. Es verdad

Correcto. Y luego, y otra cosa, eh, que para mí es muy importante, que es la, bueno, la governance de los datos que hemos hablado, ¿no? Quién tiene acceso a qué. O sea, que esto n-nosotros tenemos el, el job catalog y un-- el, el catálogo de posiciones, ¿no? Y un sistema de permisos muy robusto, muy profundo, que puede mostrar qué se expone y qué no.

La otra es el control, que hoy lo habéis hablado vosotros, ¿no? El control que tiene la empresa de todo lo que está pasando ahí.

¿Sabes? Porque dices: "Oye, mis empleados están interactuando ya no con mi empleado, que por cierto también se equivocaba y decía tonterías, pero yo sabía quién era, ¿sabes? Y podía hablar con él y, y tener una conversación. Ahora le estoy dando un chatbot para que resuelva sus dudas de recursos humanos, de finanzas, de IT, de office management, ¿no?

De las, las-- conjunto de cosas que Factorial, eh, tiene dominio". Entonces, yo como empresa, ¿cómo puedo estar seguro de lo que estamos respondiendo a los empleados, no? Y tener este control y trazabilidad de todo lo que está pasando ahí, como podrías tener con un empleado, eh, es absolutamente crítico.

Se olvida

Claro.

Hay que pensar una cosa, y es que estamos hablando de empresas que cada una habla un lenguaje totalmente diferente y pueden estar hablando del mismo concepto. Entonces, eso es una de las formas de estos, estos centros un poco que nos ayuden a identificar por qué esa pregunta no hemos dado la respuesta correcta para esa empresa en particular y poder incluirlo dentro del loop para resolverlo para esa empresa, ¿sabes?

Para mí es un poco más amplio en este caso, porque yo veo ONE no es como un agent solo de Factorial, es un empleado sintético de cada compañía. Por eso ONE tiene que trabajar como por esta compañía. Y yo veo capas aquí. Es como exactamente tenemos nuestro conocimiento de todo esto que hemos, mmm, conseguido en estos nueve años, pero también empresa tiene su "long tail" de cosas.

Por eso tenemos este-- una capa nuestra y después empresa mete su capa de todas las respuestas, de sus preguntas. Y al final ONE usa permisos, usa, eh, su conocimiento junto de empresa y de, y de Factorial, responde en mejor manera para esta empresa. Pero para una puede ser muy amplia y muy libertad, para otras no. Ellos tienen que controlar todo y tener cada, cada respuesta muy, muy bien hecha.

Va-vamos, vamos a tener ambos. Y es la, es la visión de ONE, que al final no es algo unífico, mmm, no es lo mismo para todos, es ca-- por cada empresa.

Es único para cada cliente.

Para cada cliente, sí.

Depende, depende cuánto quieran estar trabajando en generar conocimiento.

Totalmente.

Pero la ventaja de Factorial, eh, es precisamente, o sea, es que te vi-- le, le evita a la empresa haber de ge-- tener que generar conocimiento, porque nosotros ya se lo aportamos.

Exacto.

La versión por defecto ya sabe bastantes cosas.

Claro. O sea, es-- la pregunta típica, mira, es: ¿cuál es el headcount de una compañía? Es que siempre hablamos de eso, ¿no?

Sí, sí.

Yo creo, no sé, si en el pódcast hemos hablado 50 veces de esto.

Pero es que es difícil.

Es que es tan complicado. O sea, tú imagínate, el headcount de una compañía, que son los, los empleados que están dados de alta en la plataforma o los que tienen un contrato activo. Y los que tienen contrato activo es con fecha de inicio, eh, anterior a hoy o a futuro. Eh, y de los que ya es, es, eh, hoy, es la gente que ya ha hecho el onboarding o sin onboarding.

O si están de excedencia o de paternidad, maternidad.

O si están de excedencia o si están de baja, son-- están activos. ¿Y qué pasa si en España hay un tipo de contrato-

Son contractors o si son empleados.

En, en España hay un tipo de contrato que es fijo dis-discontinuo. Tienen un contrato que está, o sea, que realmente está vigente, pero que está inactivo. Entonces, estos deberían estar en el headcount. Y esta pregunta-

Cuenta parcial, cuenta entero, cuenta un trozo. Es que es dificilito.

Nosotros al final hemos llegado a la conclusión de que las empresas, que cada una considera el headcount un número diferente, al final también lo que valora es decir: "Oye, Factorial, ¿qué es headcount?" ¿Sabes? O sea, ayudadme a definir estos conceptos, porque nosotros hemos visto todas las casuísticas. Y aquí es donde le aportamos valor. ¿Sabes? Si al final la empresa tiene que hacerse todo el conocimiento, tampoco aporta tanto valor Factorial.

Sí, sí, sí. Por eso tenemos, tenemos ChatGPT. Si ellos quieren hacer esto, sí.

Yo tengo más preguntas de cómo se ha hecho ONE, que me imagino que gente de la audiencia se puede plantear. Eh: ¿Hemos tenido que gastarnos millones de euros en NVIDIAs y en training? ¿Tenemos una infraestructura nueva de AI? No lo sé, porque yo me imagino alguien escuchando dirá: "Ostras, Factorial hace AI. Esto significa-

Pero tú no has visto la central nuclear que estamos construyendo.

Yo ya sé, yo ya sé la respuesta, porque... Pero, pero creo que es interesante. ¿Qué, qué, qué hemos tenido que hacer para, para lanzar un producto de AI? O sea, yo creo que al final ha sido un poco, eh, un proceso de aprendizaje, ¿sabes? De ir viendo, ir viendo qué piezas son las que tenemos que ir tocando, ¿sabes? Para ir pudiendo entregar un producto de calidad.

Y estábamos revisando hace poco el tema de costes, ¿sabes? Y cosas por el estilo, y no hemos tenido ni que meter GPUs ni meter un sistema potente. O sea, simplemente es ver cómo balanceamos correctamente todas las respuestas, ¿sabes? Y estábamos mirando costes y tampoco ha sido una locura ni nada por el estilo. Lo que estamos teniendo por semana, o sea, son costes más o menos para la gran mayoría de productos de AI que suelen morir un poco por tema de costes y demás, que está bastante contenido.

Vamos, no sé.

Iria, te has quedado-

Sí, puede ser cara esa cuestión.

No es muy cara.

Hemos ido a negociar con Microsoft.

Sí, sí, sí, sí, sí. Si comparas con el precio de una GPU, que vale miles de euros al mes. Pero mira, es como es-- primero voy a confirmar, es un aprendi-aprendizaje grandísimo, porque voy a repetir, empezar es muy fácil con AI, pero llegar a producción es una locura. ¿Por qué? Ah, ah, porque primero Que para mí es m-- es nuestra cuarta o quinta versión de ONE, en sentido que hemos probado tantas cosas.

¿C-cuál es el mejor, ah, arquitectura aquí? Que tenemos un modelo grande, metimos un montón de contexto y ya está, o hacemos veinte modelos más pequeños y después repartimos trabajo entre ellos, que, que hemos probado muchas y muchas y muchas, y al final sí hemos encontrado que es una mezcla de todo, como siempre funciona mejor.

Sí, después a nivel de costes es, por ejemplo, hay coste es una ul-- variable.

Hemos hecho trainings por esto.

No.

No.

No.

Cero, ¿eh?

Ahora no hace falta.

O sea, nosotros hacemos inyección de contexto-

Inyección de contexto es.

En el momento de inferencia.

Sí.

Con lo cual nos gastamos pasta en inferencia, pero cero en training, porque es que no hacemos.

Sí, no hace falta. Y otro tema que al final, ¿qué significa inferencia? Porque coste es un variable, pero otra, otro, otra variable muy grande es como velocidad del expuesto. Porque me acuerdo César en algún momento quejaba mucho aquí en una tertulia diciendo que mira, GPT-5 es muy lento.

Es verdad, respóndele un mes después.

Sí, sí, sí, sí.

Y es más lento que GPT-5.

Y le ha dicho, no, César. Y le ha, y le ha dicho-

Le he dicho otra cosa.

Exacto.

Le he dicho otra cosa para que para mí GPT-5 es un mode-modelo maravilla comparado con todos los modelo-modelos antes. Pero que es muy importante que para s-- llegar a todo este impacto de GPT-5, tú tienes que reescribir el prompt total. Totalmente. Es como nunca puedes reutilizar el prompt porque es manera de reescribirlo totalmente diferente.

Es mucho más literal, mucho más a, a grano y que tienes que hacer esto. Porque yo, yo he cometido el mismo error usando prompt de cuatro, poniendo en cinco y fatal. Yo pensaba que, que OpenAI haciendo así, porque no puede, no puede lanzar este producto. Y al final ahora yo veo que ha cambiado mi pensamiento.

¿Cómo ha cambiado el prompt?

Pero esto es una putada, ¿no? O sea, qué, qué significa, que tenemos que ir reescribiendo.

Es-eso es otro aprendizaje, que no puedes cambiar modelos así.

Al final, una de las cosas que tienen es que tú escribes un prompt enganchado a un modelo y casi todos los proveedores, ¿sabes? Lo que tienen son diferentes prompts para cuando están haciendo switch entre modelos, ir trabajando con cada uno. Y es, tú nunca tienes la fiabilidad de que te vaya a dar la, el, la misma accuracy un modelo y otro con el mismo prompt. O sea, esto es un-- porque esta-- a estos términos, la palabra exacta uno la puede interpretar de otra forma y entonces, por lo tanto, resultados diferentes.

Esto es una oportunidad de negocio, porque a nosotros nos han venido varias startups que nos han, nos, nos pichean el, el hecho de ser la capa intermedia que transforma el prompt a cada uno de los modelos, ¿no? Eeeh. ¿Eso, eso lo veis como una oportunidad, como un problema o...?

Pero yo, yo aquí recojo una cosa que ha dicho Ilia, yo creo que GPT-5 y, y Grok 4 Fast, por ejemplo, que son modelos que están ahora bastante, bastante punteros, ¿sabes? Y demás. Hay una cosa que hacen muy bien y es: ya no necesitan líneas y líneas de prompt. O sea, yo me acuerdo que había prompts de trescientas, cuatrocientas líneas, que podía haber instrucciones que colisionaban uno de ellos. O sea, yo he visto prompts muy funcionales con poquitas líneas y la clave aquí, o sea, perdón por repetirme, pero es, para mí es lo más importante de todo, es el contexto.

O sea, si le das, o sea, es como todo, si a ti te dan las instrucciones claras, es muy difícil que te vayas a equivocar en la ejecución de la, del problema. O sea, si yo te doy todas las-

Pero Nacho, pero esto es un problema de determinismo.

Claro, ya lo sabemos. Pero, pero es la realidad. O sea, al final el problema del determinismo, la gente lo que estaba atacando es en vez de intentar ver cuál era el problema y demás, meterle quinientas líneas de prompt, seiscientas líneas de prompt. Y cada vez que veo que un problema no está siendo el determinismo que yo espero, le meto otra capa más al prompt y le meto otra capa más al prompt.

Y ahora los modelos no necesitan tanto. O sea, lo que necesitan es saber cómo hacer bien las cosas, ¿sabes? Poquitas instrucciones que funcionen bien, que no entren en conflicto.

Hacen más caso directamente, ¿no? No, no hay que dar tantas vueltas.

Claro. O sea, y además hay que tener en cuenta que es-este problema que estabas teniendo, que estábamos teniendo de muchas veces de poner seiscientas líneas de prompt, puede ser que haya líneas que entren en conflicto y no te estés dando cuenta en ese momento.

No es mantenible esto.

No. O sea, no.

Volviendo a este routing de modelos, honestamente me interesa hablar con una persona que, que ha desplegado esta producción en manera dinámica, cambiar modelos. Porque yo puedo imaginar cuando yo personalmente haciendo, mira, depende de esta pregunta, yo voy a-- haciendo routing en este modelo con mi prompt, mmm, controlado.

O depende qué, si pregunta es diez x más compleja, yo voy a, a hacer un routing modelo más grande. Pero... Y usar y poner esta lógica actualmente fuera de mi sistema a otra sistema de routing sin manera de controlarlo. Volvemos a esto, un concepto determinismo, indeterminismo y de, mmm, y si genera confianza en este, en el sistema.

Yo nunca voy a hacer.

¿Cuál es el stack, eh, de tecnologías que estamos utilizando en Factorial para, para crear una plataforma donde todos los developers puedan estar creando y, y, y haciendo, usando la AI?

Vale. Como capa, al final, eh, ONE es un árbol muy, muy, muy grande de, de diferentes agentes. Es como un sistema multiagéntica con modelos diferentes, con prompts diferentes, con manera de compartir este contexto entre ellos. Usamos Mastra JS, que es un framework, por un lado, muy potente, por otro lado, es muy low level, que no te impone un montón de sus ideas, como LangGraph y LangChain y otros.

¿Qué hace Mastra? Explícalo un poquito.

Sí, Mastra es un, pues, volvemos a esto un poco camino o limitaciones que, que te pone o, mmm. Mastra es una manera de definir primitivos en sistema agéntica. ¿Cuál es el agente? ¿Cómo tú puedes escribir un prompt y exponer herramientas, ah, que, que este agente tiene? O generar un work-workflow entre por un agente y por después-

Esto es importante, o sea, darle herramientas. Por ejemplo, si puede buscar en Google, si puede buscar en la API de Factorial, si puede hacer una acción, eso lo defines en Mastra.

Exacto, esto lo definimos en Mastra, pero no es nuestro código.

Son, son tools. O sea, al final es lo que cuando se habla de agentes normalmente es el tool access que tú le, lo programas ahí para dar eso.

Sí, y estas algunas cosas más para cómo hacer evals, cómo hacer, hacer tests, pero nada más. Y por eso no me-

Es muy bajo nivel.

Sí, sí, es muy bajo nivel. También es un equipo muy potente, que tenemos una conexión, ah, que nos ayudan mucho.

Es una startup, Mastra.

Sí, han levantado trece millones hace tres días o cuatro días.

Es que es el framework más potente, porque al final aquí ha habido un monopolio de, de Python en cuanto a framework de agente, ¿sabes? Y este es el primero que está saliendo en, en TypeScript para Poder empezar a competir con esos modelos, pues lo que ha comentado Ilia, LangChain, LangGraph, tienes que ir a AI, o sea, está Pidantic AI, que también está muy conocido. O sea, hay varios que han estado ahí compitiendo en el mercado y ahora ha salido el primero en otro lenguaje de programación que no es Python, es totalmente basado en TypeScript.

Sí, sí, sí, sí.

Tool calling.

¿Por qué no usamos...?

Usamos. Al final, nuestro workflow, voy a repetir, es un sistema multiagente, multiagéntica. Depende del caso de uso. A veces generamos código muy determinístico y a veces hacemos así mucho más flexible, depende de, de cómo es y depende de nuestro ro-routing. Porque voy a repetir, para mí policies es exactamente qué tenemos que hacer. No vamos a generar código, código, código per se, vamos a generar otra abstracción, pero output de la LM va a ser una, una, un scheme, un scheme de datos, una-- algo de terminis que cada persona después puede revisar, abrir esta caja negra y ver que mira, no hay magia.

Yo puedo controlar todo, yo sé cómo funciona, por eso tengo mi confianza. Y esa es la, nuestra visión.

Y, y ahí, eh, sí que utilizamos código al vuelo en varios puntos y demás. O sea, por ejemplo, yo tengo un caso totalmente en la cabeza que es cómo estamos ahora cambiando un poco la parte de AI repos. O sea, nosotros no extraemos datos, nosotros generamos la consulta que el, el cliente cuando está preguntando sobre eso quiere hacer sobre ese dataset o sobre esa tabla.

Y tú ahí lo que estás haciendo es-

Claro, generas puramente SQL. Lo que estás haciendo es un intérprete de lenguaje natural a SQL y lo que intentas es que con diferentes técnicas, ¿sabes? De, pues darle templates de funciones, de cómo hacer los replays de placeholder y demás, darle esa capa de determinismo, ¿sabes? Y eso es un, una-

Pero ni siquiera yo que llevo, o sea, yo tengo 10 años de experiencia como data engineering, ¿sabes? He trabajado mucho y SQL es una de las cosas que te las dan cuando empiezas a trabajar en esto, tienes que saber sí o sí. Y al final tú-

O sea, te dan SQL tal cual, ¿sabes? O sea, y, y es una cosa que es una realidad. O sea, tú al final, muchas veces cuando estás buscando un dato, cuando quieres crear una primera parte, no sabes lo que estás buscando y empiezas a lanzar pequeñas queries, pequeñas aproximaciones y todo. Y luego una cosa superimportante es, que a, que a mí es una de las cosas que, volviendo un poco al tema de cocreación y de One y todo, y es la parte de que siempre ha sido un, un cuello de botella que son los dashboards.

O sea, esto es una cosa que-

Pintar los datos va a desaparecer.

Porque ahora lo que te va a permitir es en función de lo que yo quiera o lo que quiera Ilia, lo que quiera Jordi o lo que quiera Bernat, cada uno de nosotros vamos a pintar nuestra realidad de los datos y no se van a generar esos cuellos de botella que, que estaban, que han pasado siempre de: pues tenemos un dashboard para financial o tenemos un dashboard para tal. O tienes una zona en la que tú interaccionas como usuario con tus datos y te va a dar lo que estás buscando en ese momento, ¿sabes?

Y te va a construir y te va a hacer partícipe de ese proceso de cocreación que estábamos hablando, ¿vale? Yo quiero identificar sobre esta parte que ya tengo construida, ahora quiero que me saques tres KPIs, porque quiero medir esto de esta forma. Y ahí es donde va a entrar el headcount, los glosarios, la parte de documentación para todo ese conocimiento que tenemos y que luego la empresa va a poder sobreescribir para que eso tenga sentido, esa historia que tú le estás contando tenga sentido.

O sea, yo creo que aquí, y, y esto sí que, o sea, yo al final cuando empecé aquí en Factorial, ¿sabes? Estaba siguiendo yo una empresa y luego hablándolo también con Miguel, que era Vana AI, que tienen bastantes papers, eh, funcionando, hablando de cómo hacer ese, ese trasvaso de lenguaje natural a SQL. Y al final, eh, vuelvo a repetirme, es un poco cómo le inyectas partes de contexto para funcionar.

Preguntas similares que han sido resueltas por SQL. O sea, si tú le sueltas a un agente todas las tablas y todos los esquemas, va a alucinar, se va a querer comer el mundo, va a querer-

No entiende nada y va a intentar resolver por fuerza.

Es difícil hacer esto agnósticamente, del dominio de datos.

El problema es el conocimiento.

Una de las cosas que-

Y no solamente es eso, ¿sabes? Una de las cosas que, que nos hemos dado cuenta trabajando estas veces es muchas veces le tienes que decir a la AI para qué sirve esto, pero muchas veces es más importante para no, para lo que no sirve esto. Es decir, decirle: "Oye, mira, esto sirve para resolver estas preguntas, pero no vale para esto. No vayas por este camino cuando te pregunten algo así". Porque ponerle esos límites, esas blacklists, le hacen tomar decisiones muy buenas.

Exactamente. Y hace que por lo menos la alucinación esté cortada ya en un momento de que digas: "Oye, no, por aquí no resuelvas este camino".

Última pregunta. Yo creo que vamos cortando.

Vamos a dormir, que casi mañana es el día siguiente.

Sí, no, Uriol, por cierto, ya está volando ahora mismo, está volando. O sea, no lo veréis aquí, porque tenía que coger un vuelo. Eh, ¿vosotros dónde, dónde aprendéis? O sea, ¿dónde leéis? ¿Qué leéis? ¿Cómo encontráis la último paper de no sé qué?

O sea, yo, yo al final ahí yo creo que es LinkedIn la base la que utilizo siempre.

Sí, o sea, al final a m-- o sea, tengo varias personas, ¿sabes?

No, hombre. So-sobre todo, o sea, a mí lo que me gusta es, eh, ver cómo otras personas han llegado a, a diferentes-- o cuáles son las conclusiones que exponen y sobre todo que te pongan la, la trust of source. O sea, no fiarte de lo primero que te digan, sino: "Oye, mira, te pongo esto y aquí tienes el, el, la documentación, o aquí tienes el PDF o aquí tienes el paper".

Gente técnica.

Qué LinkedIn más diferente del mío, que tienes .

Claro, o sea.

Son líderes de Factorial.

Nuestro propio origami que nos lo vamos comiendo.

Claro, no, al final-

Al final lo que buscas es que lo, lo que entres ahí un poco vaya un poco al tiro de: vale, y esto está ahora, pues por ejemplo, hablamos, que preguntabas antes qué papers o qué cosas tal. Pues ahora mismo estaba saliendo un paper que hablan del agent context engineering, que era una forma de poder hacer un contexto dinámico en función de las preguntas de los usuarios y que había mejorado los evals.

Y eso, la forma de llegar a ello un poco, a no ser que estés metido en veinte mil revistas científicas, es: oye, mira, esta persona está publicando sus conclusiones de este paper, te deja sus conclusiones y te deja el paper también. Tú ya accedes directamente a la fuente de información y te informas de cuáles son las conclusiones.

Tú tienes un LinkedIn de, de personas, eh, que publican papers.

Sí, o sea, depende. Al final da igual un poco a dónde vayas de la plataforma, ¿sabes? El fundamento es el mismo.

Ilia, ¿tú qué lees?

Mi manera de aprender, yo estoy pensando, no, no ha cambiado en los últimos diez años. Es como Hacker News y Twitter. No hay otra manera.

Es increíble que sigas utilizando Hacker News.

Sí, sí, sí, sí, sí. Porque no he encontrado mejor plataforma.

¿Tú sigues leyendo Hacker News?

No, no estoy leyendo Hacker News, Hacker News, estoy leyendo agregadores que están... Sí, sí, sí, como-

Es increíble, porque yo me doy cuenta que en todos los momentos de mi vida, eh, mira lo que voy a decir, eh, es muy heavy, es muy heavy. He estado sentado, pero físicamente sentado al lado de alguien que lee Hacker News cada día. O sea, yo nunca he leído Hacker News, pero siempre he tenido a alguien al-- y ahora es Ilia.

Sí.

Pero antes, o sea, bueno, tú hace mucho tiempo, eh, César, eh, ¿no? Em, hostia, la gen-gente que, eh, está muy conectada a Hacker News.

Sí. Y otro tema muy importante es probar cosas. Es como me parece-

Víctor.

Vamos a que-- nombrar.

En todo diez minutos seguirá diciendo nombres.

Estás muy cansado.

Muy qué más.

Sí, probar cosas al final. Porque a veces sí es como tú, tú s-- tú puedes leer Hacker News todo el día, pero al final que es muy interesante es que mira, y también especialmente con la AI ahora es gratis. Tú puedes tirar ideas cada cinco minutos y ver: mira, funciona o no funciona. Como mínimo-

Muy rara vez. Esa es una de las cosas, lo hablaba ahora con un-- hace poco con un amigo mío y es la-- cómo ha bajado la curva de aprendizaje directamente con Stack Overflow, los usuarios y todo. Ya vas ahí cuando, cuando ni siquiera lo sabes.

Ya te hace el filtrado previo. O sea, y al final yo creo que la idea de futuro es que-

Curso del año pasado, ¿no?

¿Eh?

Curso del año pasado.

Ahora, ¿qué es, Codex?

Claude Code o Codex.

Codex es otra cosa.

O OpenCode o...

Es superestresante, ¿verdad? Cada día es... Pero y n-nosotros te vimos pagando cursos. Es que yo cuando dices estas cosas a mí me preocupan.

Sí, mira, pero hay, hay diferencias.

¿Has hecho un contrato multianual o no sé?

No, no, no, no, no.

Sí, pero mira, es como depende de qué qui-- qué quieres. Si, si quieres podemos entrar a este rabbit hole. Es como-

Eso quiero.

No, no es, no es caso. No, no, no.

Ya está.

Ya está, venga, next. No, no, no.

No, pero al final para mí, por ejemplo, Claude Code es algo mejor a nivel de, de como, de todo equilibrio que hay en flexibilidad, que cómo funciona un modelo detrás, cómo, um, extensible es y porque por ejemplo ahora ellos tienen un mon-- como un nuevo concepto de plugins que tú puedes meter prompts y skills de, de otra gen-- de otras gente.

Hay un marketplace de esos plugins y cambia totalmente el behavior de, de Claude Code.

¿Es VS Code también Claude Code?

No, Claude Code es herramienta de Anthropic.

No es Cle-- no es IDE.

VS Code lo puedes conectar directamente como un plugin dentro.

Hay plugins, hay diferentes maneras.

Pero tú has estado cien años en la base de Cursor, tú tienes otra mentalidad distinta.

Eso es otra, es otra cosa, pero depende del por qué. Mira.

Pero literalmente dos días. Dos días.

No, hace dos semanas, porque antes no era Claude 4.5. Ahora tenemos Claude 4.5, que es mejor a veces que GPT-5 y GPT-5 Codex. Por eso depende del día, depende de todo. Tú tienes que estar-

Exacto.

Es otro tema.

Al final no hay que pensar que esto es una carrera por quién es el líder de código.

Es verdad.

Entonces, ¿quién es el líder de código de la nueva generación? Entonces, claro, el problema es que estamos en un mundo que a las tres semanas te ha cambiado totalmente los esquemas y por eso, o sea, empiezas con Cursor, depen-- yo ahora estoy con Codex, por ejemplo, ¿sabes? O sea, al final cada uno va viendo.

Pero ¿estás con Codex de Factorial? Porque ¿estamos pagando Codex?

No.

No, mira, es como Codex ahora es parte de ChatGPT. Si pagas por ChatGPT, tú tienes Codex.

Claro. Ya directamente lo puedes integrar tú en...

Windsurf no hemos llegado a usar nunca. Nunca he escuchado Windsurf.

Yo no sé ninguna persona que está usando Wind.

Ah, bueno, Devin.

Devin tampoco, sí. Pero al final más o menos cada plataforma ahora tiene su-

¿Qué es?

Todo el mundo, todo el mundo sale en la portada.

Si haces un ID para, para hacer AI, sí.

Yo creo que el caso más paradigmático es el de Sana, pero ya lo hemos explicado aquí.

Que, que, joder, de, de nada-

De, de cero es poner la palabra AI.

AI a la palabra y-

El gradiente también es importante.

¿Ahora tenemos gradiente?

Sí, tenemos.

Me parece que sí. Alguno, algunos gradientes hay. Sí, sí, sí.

Y después del gradiente, uno coma un billón vendido a WordAI.

Estaba vendiendo aquí en Factorial.

No, no, no. A mí me parece que ya sí que había AI algo. Sí, sí, sí.

Bueno, eh, yo qué sé. Hemos hablado de todo, ¿no?

Yo creo que he estado más o menos...

Sí.

Ese era el topic de la conversación.

Sí.

Y lo bueno de la gente que está entrando ahora, eh, esto no sé si lo debería estar diciendo, pero bueno, es igual. La, la gente que está entrando ahora va a entrar con un programa de descuento brutal en el, en la AI.

Multianual, ¿vale? Que les vamos a hacer una, una grandfathering. Bueno, un grandfathering, pero una, un, una, un descuento brutal multianual para este producto.

También estoy pensando si alguien quiere ser un parte de, de este bolo, en sentido que con-- ayudarnos construir este futuro de, de Factorial de AI. Mi LinkedIn está-

We are hiring.

Sí, mi LinkedIn está siempre abierto, pero por eso...

Nacho, ¿tú qué vendes?

No, yo, yo vendo mi propia experiencia. O sea, al final, eh, yo vine aquí un poco-

Qué sentido.

No, pero dentro de Factorial, ¿sabes? Y todo. O sea, y un poco relacionado de, del city y demás. O sea, yo vengo, o sea, yo he entrado en Factorial hace un año y creo que es, o sea, es un sitio que estamos haciendo cosas bastante punteras. El reto es gordo, ¿sabes? Hay que entender que estás entrando a trabajar en un reto y que tienes que asumir lo que es un reto y lo que conlleva. Pero vamos, o sea, escribir a Elia o si no, escribirme a mí directamente o a cualquiera de nosotros, ¿sabes?

Que hay hueco para todos y, y hay muchas oportunidades para poder trabajar en cosas muy chulas en Factorial.

Jordi, que ya está.

Muy bien. Pues oye, gracias a todos y hasta la semana que viene.