POR QUÉ el 95% de los proyectos de INTELIGENCIA ARTIFICIAL fracasan | #401

O sea, ¿no hay nadie haciendo lo que vosotros hacéis?

Tal cual, no.

Eh, antes de empezar a grabar, dices que todos los approaches que la gente está haciendo a día de hoy para hacer agentes están condenados al fracaso.

Sí. Lo que nosotros hacemos es permitir que con lenguaje natural tú puedas hacer onboarding a un trabajador digital. Acompañado por la plataforma, se autoconfigura, y la clave está que el, el trabajo que hace es totalmente auditable. Y si le vuelves a dar los mismos datos, vuelves a tener la misma solución. La información está superfragmentada. Entonces, tienes que conectarlo a distintas fuentes de información y que además van cambiando.

Hay un montón de APIs externos, credenciales, cosas, tokens revocados y todo esto. ¿Cómo, cómo soporta, eh, eh, todo este ecosistema aquí?

Lo que los modelos te cuentan que están haciendo no es verdad. Qué están pensando no es verdad. Todas las tareas que se llevan a cabo para la resolución del problema se hacen con código.

¿Quién, quién escribe el código y cuándo? O sea, en, en tiempo, en tiempo de ejecución va escribiendo el código.

Nosotros, al-- esto que está pasando es muy común. O sea, si tú vienes con un cambio de paradigma, es normal el, el challenge.

Mola tener la mente abierta. Hablando de mente abierta: ¿AGI?

Eh, mira, en mi opinión de la AGI...

Bienvenidos

una semana más al pódcast de Itnig. Yo soy Bernat Farrero. Hoy estoy con Ilías Ayed, CTO de Factorial. ¿Qué tal, Ilías?

Hola a todos. ¿Todo bien? Gracias.

Y estamos con David de Maisa.

Sí.

Eh, David Villalón.

Eso es.

De Valencia.

Así es.

Muy bien.

Valenciano.

Valenciano. Oye, tú, em, estás construyendo la manera correcta, tal como tú dices, de hacer agentes o de hacer automatización agéntica-

Sí.

Para enterprise.

Sí.

Eh, antes de empezar a grabar, dices que todos los approaches que la gente está haciendo a día de hoy para hacer agentes están condenados al fracaso.

Sí.

Pero vosotros tenéis la manera.

Sí.

Vale. ¿Me puedes explicar for dummies, em, qué es lo que está haciendo el mercado hoy, por qué está mal y qué estáis haciendo vosotros?

Sí, yo creo que sí.

Venga.

Am, o sea, no es que esté mal, eh, y que-- hay que entender que el mercado principalmente no está mirando lo que va a pasar en el futuro. Es decir, lo que ellos no entienden es que hay varios puntos, ¿no? Eh, la IA está construida encima de los LLMs. Entonces, ya asumimos que tiene alucinaciones por defecto, aunque se vayan reduciendo, y que no es fiable, es decir, que es unreliable.

Que me dé un resultado no quiere decir que me vaya a volver a dar el mismo resultado con los mismos datos. Entonces, empiezas por ahí. Luego lo que ocurre es que hay otro punto, que es la velocidad. A día de hoy, la IA va en slow motion. Todavía va un poquito despacito y me da tiempo a más menos seguir la velocidad que sigue. Pero cuando tengamos quinientos mil tokens por segundo, que viene a ser...

¿Cuántos tenemos hoy?

Máximo llegas a unos tres mil con Groq o con Cerebras System.

Pero con el modelo...

Exactamente, con Cerebras System. Por eso digo máximo. Eh, llegas a tres mil con, eh, en plan GPUs especializadas como LPUs de la empresa Groq, especializadas en, en eso.

tokens por segundo. Sí, en realidad el mercado ochenta, sesenta tokens on average por segundo.

Exactamente.

Vale. Y, y luego hay una ventana de contexto que tiene un límite-

Exactamente.

De un millón.

Y luego tienes el concepto de la ventana de contexto, que tienes, pues unos un millón tienes con 4.1, con el modelo 4.1 de OpenAI. Ahora tienes, eh, dos millones con Gemini, que son diez también, y que todo eso va a seguir creciendo. De todas maneras, la ven-- una ventana de contexto más grande no implica que funcione mejor. Hay un paper, eh, que se llama No Lima, que mi cofundador Manu, que sabe muchísimo de IA, eh, siempre pone el ejemplo que te prueba que a partir de cierto nivel de ciento veintiocho mil tokens, el performance decae.

Entonces, no es que aunque tengas un millón, no quiere decir que puedas llenar un millón de, de datos.

Pero esto no tiene por qué siempre ser así, ¿no? Entiendo que...

Yo estoy planteando el problema, eh, un poco general. No tiene por qué ser siempre así.

Hablas de que va a evolucionar.

Sí.

Eh, o sea, ¿puede ser que evolucionen los LLMs y que puedan digerir una ventana de contexto, puedan dar buenos resultados con una ventana de contexto más grande o no?

Sí, yo creo que sí. O sea, el avan-- esto va a seguir avanzando un montón. O sea, todo, todo el mercado está enfocado en, en seguir resolviendo estos problemas, pero por la naturaleza de los modelos, siguen siendo modelos probabilísticos. Vas a seguir teniendo el problema, aunque reducido, de las alucinaciones, que yo no creo que también sea un-- o sea, también es una ventaja porque permite a los modelos ser creativos. Y Karpathy decía que los modelos, eh, alucinan por defecto, es decir, que alucinan todo el rato, solo que el noventa y nueve por ciento lo hacen de veces como nosotros queremos.

Eh, entonces, tiene sentido. Pero si tú unes esos problemas, eh, eh, ya te plantean un reto para solucionarlo. Pero supón que escuchas el mercado y dices: "Vale, voy a montar un RAG avanzado, entonces voy a meterle un knowledge graph, eh, un code interpreter, porque lo mismo me puede ayudar a-- como tool y voy a ponerle function, eh, calls.

Es decir, voy a me-- voy a coger la API de OpenAI y voy a ponerle, eh, herramientas, ¿no? Y vo-- incluso servidores MCP, que están muy de moda ahora.

Vale, ¿podemos explicar todo esto que has dicho?

Sí.

¿Qué es un RAG?

Un RAG es retrieval augmented generation. Un RAG es un concepto y quiere decir que tú tienes-- no es que... O sea, RAG, no hay una forma sola de hacer RAG. RAG es un concepto y es retrieval augmented generation, y significa que cogiendo información extra, ah, o sea, tú llenas de información la ventana de contexto del modelo, eh, ah, información extra para ayudar a contextualizar la respuesta o la pregunta que un cliente, por ejemplo, ha hecho, y llenas de información.

Y tú luego con prompting engineering, pues lo ordenas dentro del contexto. Y digo que es un concepto porque hay muchas formas de solucionar el, el RAG. Tú puedes hacer embeddings, luego, eh, que son, eh, un tipo de modelos. O sea, luego tú puedes añadir knowledge graphs, eh, o sea, es decir, grafos de, de conocimiento, eh, para todavía hacer una búsqueda híbrida, que se llama.

O sea, tú puedes luego hacer distintas estrategias para cómo tú recuperas esa información y la metes dentro de la ventana de contexto. Nosotros-

¿Y luego cómo coges el output? Eh, ¿no? Y validas que, que es correcto, ¿no? O sea, es-

O sea, pri-- no, tú no sabes si lo que te has traído es correcto. Nosotros ya, eh, ya cuando nosotros arrancamos con Mais hace dos años, o sea, porque también has, eh, has, has, ha sido muy fuerte, yo creo que es-- e-el mercado por esa dirección tiene casos de uso. O sea, no estoy diciendo que vaya a funcionar, tiene casos de uso.

Bueno, lo has dicho tú mismo, ¿eh?

Pero sí, pero en industria regulada sí que lo veo más cierto. En industria regulada sí que lo veo-

O sea, industria regulada es básicamente enterprise.

Sí.

O sea, para empresas, ¿no?

Sí, para empresas.

Que quieran utilizar agentes de forma segura-

Sí

...para automatizar la información de forma determinística, sabiendo y pudiendo trazar lo que está haciendo el agente y sabiendo cuál es el resultado sin liarla.

Sí, lo que nosotros hacemos, eh, y te respondo porque luego lo otro no escala porque falta un punto, que es cuando llegas a producción, lo que tienes que empezar a tener que hacer, ¿vale?

Mhm.

Lo que nosotros hacemos es permitir que con lenguaje natural tú puedas hacer un "boarding" a un trabajador digital. Es decir, tú puedas definir con lenguaje natural cuál es el proceso que quieres que haga, no la tarea, el proceso end-to-end, y acompañado por la plataforma, se autoconfigura. Y una vez lo tienes hecho, lo puedes desplegar. Y la clave está que el, el trabajo que hace, eh, es totalmente auditable.

Y si le vuelves a dar los mismos datos, vuelves a tener la misma solución. Y además, permite tener gobierno de datos y evaluaciones autónomas de performance. Eh, eso es lo que nosotros permitimos. Entonces, no tienen que hacerlo más los técnicos, lo pueden hacer las personas que hacen las tareas, que son las que tienen el "know-how", no la gente que es técnica, porque pueden hacer un "boarding" con lenguaje natural.

No son cajitas con flechas, con, eh, construcción de flujos, que justamente ayer OpenAI anunció eso. No es eso, porque nadie sabe hacer eso. Eh, o, bueno, toda la gente que vende automatizaciones de N8s sí, pero, eh, el 99 % de la gente no.

No, está claro.

Y, y luego nuestra propuesta de valor se basa en esa trazabilidad real como fundamento, como "trust". Eh, y a partir de eso, luego permitir que cualquier persona sea capaz de hacer un "boarding" a ese trabajador digital y compartirlo con su equipo o conectarlo a: cada vez que me cambie el SharePoint, que me ocurra X cosa, eh, que me-- se me añada un fichero en Google Drive, que ocurra X cosa.

¿Y eso está funcionando hoy en producción?

Sí, tenemos casos de uso en producción funcionando.

¿Des-desde hace cuándo?

Eso es hace unos meses.

Hace solo unos meses.

Sí. O sea, nosotros hicimos la tecnología... Bueno, realmente el primero fue a inicio de este año. O sea, a finales de año pasado ya tuvimos el primero en producción.

El primer trabajador digital, tal y como tú dices.

En producción, exactamente.

Que es un agente, ¿no?

Sí, la diferencia es que un agente, tú preguntas y son muchas cosas. Para mí un trabajador digital ya te de-- ya define un propósito, que es trabajar, es hacer una tarea. Y tú no contratarías a un trabajador digital-

He dicho que no es una tarea, son procesos end-to-end.

Una tarea, me refiero... Buah, esa es una conversación interna que hemos tenido, de qué es tarea o proceso, eh, superamplia. Cuando yo me refiero a tarea, me refiero a-

Misiones, objetivos.

No, un caso de uso puede ser un, un cierre contable. Eh, hay una tarea que el humano es hacer un cierre contable, pero el humano tiene-

Buena suerte haciendo un cie-un cierre contable.

Lo sé, lo sé, pero estamos-- se hacen.

Pero esto sigue siendo determinístico. En un cierre contable puede aparecer cualquier cosa.

Sí, y puede aparecer que fallen datos, que una columna esté mal, que tengas una invoice que no cuadre, pueda... Claro, por eso no puedes hacer un "workflow" predefinido. Por eso nosotros no hacemos cajitas con flechas.

Entonces, las-- de entre las tareas que hacéis, es un cierre contable.

Sí, también, sí. Hacemos-

Tenéis un trabajador digital desde principios de año, ¿haciendo qué?

El primero era, eh, gestión de facturas. El primero.

¿Qué significa gestión de facturas?

"Invoice processing" de toda la vida, pero que no es tan trivial.

¿Qué significa "processing"?

Que quiere decir que tú recibías una factura, eh, esto era para un gran-- una gran, eh-

Porque hablas en pasado, ya no está

...PSC estructura. Sí, sí, sí que está, sí que está.

Vale, vale.

Ah, es-

Ahora entraremos en, en, en doble clic. Cincuenta dobles clics.

Sí que está, sí que está. Eh, y ha-hablaban pasado simplemente porque s-s-- ha sido evolucionando. Yo te digo dónde empezó, el cuál era el problema, que ya no es un problema porque está resuelto.

Vale.

El problema era que, eh, y además es un problema no resuelto en el mercado, que la gestión de facturas par-- suena sencillo. Yo cojo un PDF, l-- a veces escáneres, leo-- le hago un OCR, extraigo la información y técnicamente la gente se cree que eso ya es el fin. Pero la realidad está que muchas veces tienes que hacer conciliaciones. Tú te viene una factura y tienes además que ver si el "vendor" existe.

Y luego tienes que ver si esa transacción la tienes ya contabilizada o no antes de subir al sistema.

Mhm.

Y luego el output además tiene que ser un JSON, en, en este caso. Y el output se tiene que postear en una base de datos. Eh, entonces, esa tarea, eh, con RPAs antiguos, que era la, la, la otra capa de automatización que existía, que es el "robot process automation"-

Esto lleva veinte años haciéndose.

Exactamente.

Sí.

Pero tenía un "performance" del 65 %. ¿Por qué? Porque: "Uy, es que el cliente me ha enviado tres facturas y el sistema estaba preparado para una factura. Y es que me ha enviado tres facturas y una es de la semana pasada, eh, y la otra es de hace tres meses". Y la ve-- l-- el mundo no es determinista. El mundo y la gente, tú contratas a trabajadores digitales-

Bueno, de esto hay mucha filosofía. Podríamos dedicar otro pódcast.

Bueno.

Pero bueno, vale, vale.

Me refiero a que... Bueno, ostras, sí, sí, sí. Es un buen "rabbit hole". Me-- q-quiero decir que, em, si tú contratas a gente es porque los casos de uso no son mecánicos, porque ocurren cosas que requieren que el humano comprenda. Entonces, el problema que había era que existía esta múltiple causística de: "Ff, es que a veces es un escáner y no-- y lo hace remefa, es que..." ¿Y qué ocurre al final?

Que nosotros lo resolvimos. Eh, crear un trabajador digital cuya función era leer esa factura. Llamar al trabajador digital cuando tú lo despliegas, se comparte para que lo puedas usar desde una UI o lo pongas conectado a que escuche un correo o tiene una API. Ellos en este caso eran desarrolladores, entonces llaman a la API. Cada vez que reciben una factura, ellos llaman a la API y le envían la factura.

Y el trabajador lo que hace es coge la factura, la entiende, eh, se va a la base de datos de vendors que tienen, busca si existe en la base de datos de vendors este vendor. El nombre a veces no hace uno uno, entonces tienen que saber buscar bien cuál es el vendor que tienen. Una vez encuentran el vendor, en caso de encontrarlo, buscan el ID.

Con el ID del vendor se pone a buscar en la base de datos de transacciones, encuentran si la transacción está en el sistema y con eso elaboran un informe en JSON que luego s-- el trabajador digital postea en la base de datos Totalmente autónomo, end-to-end. Y han pasado de un 65 success rate a un 98 success rate.

Pero ya no es un 100. O sea, no es un 100.

No, no es un 100.

El problema es saber cuál es el 2 % que no funciona.

Y eso es lo que Maisa hace. Porque como yo no utilizo lenguaje natural, eh, es decir, yo no hago chain of thought y el chain of thought, hay un paper que se llama: "Chain of Thought is Not Explainability", es decir, cadena de pensamiento. Es lo que hacen los modelos, los razonadores. Eso prueba que el-- que es el paper que, eh, tenemos a-- que tenemos aquí.

Prueba por esta frase tan killer que lo que los modelos te cuentan que están haciendo no es verdad, que están pensando no es verdad. Entonces, si yo pusiera otro modelo por encima a revisar si lo ha hecho bien, no me vale de nada porque está revisando algo que no es verdad. Entonces, yo no puedo auditarlo. Pero si lo que yo he hecho, que es la clave de Maisa, que nosotros innovamos creando una tecnología que se llama KPU, Knowledge Processing Unit.

Ahora luego puedo explicar qué es, pero yo lo que he hecho es-- ha sido todo código, supersimplificado, ha sido todo código y en un entorno controlado. Yo sí que puedo poner luego un modelo mucho más inteligente por encima, un-- o GPT-5, Hai, incluso el puro nuevo, para que me diga si ese código está bien tirado, dadas unas instrucciones, un know-how, un, eh...

Y además la tarea no me la ha hecho la IA, me la ha hecho el código. Otra cosa es que la IA me haya definido el código que se tiene que hacer, pero me la ha hecho el código. Entonces, si yo vuelvo a dar los mismos datos y he tenido un success, yo vuelvo a tirar el mismo código.

Pero los modelos de razonamiento hacen esto, construyen código determinista para resolver un problema.

No.

La pregunta es-

No lo hacen.

No, no, no, no.

¿No?

No es así.

No, no hacen eso. Ellos a veces utilizan code interpreters como tool. Entonces, en un paso te va a utilizar Python. Sí, pero tú no controlas el entorno de-- ni siquiera de Python en el que lo está ejecutando.

O sea, ¿tú cuándo creas el código? En el momento, el momento de compilación, digamos, cuando, cuando-

Se entenderá igualmente si luego hacemos una demo, pero yo lo creo el código después de tener-- cuando me entran los datos. Yo ya tengo un trabajador definido.

En el momento, se, se crea el código en el vuelo.

Y se-- pero no se crea todo de golpe, porque entonces ni se hace planning porque no conoce el problema que va a res-- el espectro del entorno en el que va a navegar o las circunstancias que se va a encontrar. Entonces planning no funciona. Y luego, en segundo lugar, si se pone a generar un script larguísimo de Python para resolver el problema, asume muchas cosas que no tiene el contexto.

Entonces, yo le voy diciendo que haga dos líneas de código.

Pero hacemos un paso atrás, porque empezamos con: "Mira, todo el mundo está haciendo cosas incorrectas". Por eso compara-- ahora tenemos RAG, tenemos tool calling y tenemos esta descripción de agentes que es un trabajador virtual. ¿Por qué RAG, tool calling y todo esta best practices ahora no funciona y no llegan a 100 %?

O sea, no lo digo yo, 95 % de proyectos, según el reporte del MIT, no han llegado y es lo que-

No han llegado, ¿dónde? A producción.

A producción y están dando retorno de inversión.

Pero aquí tenemos que hacer también double click. ¿Por qué? Porque tú también estás explicando que: "Mira, tenemos toda la descripción perfecta que un empleado tiene que hacer y en mayoría de empresas esto no pasa".

Exactamente. Eh, te respondo ya. Solo te digo que ese 2 % nosotros podemos decirte que no es. Entonces, es la-- una de las ventajas que tenemos, porque eso es traza al final. Te podemos decir que se ha equivocado y podemos enrutarlo a un humano. ¿Y por qué ahora no está funcionando? Em, no es que no esté funcionando, porque hay casos de uso en los que sí que funciona customer service.

Sí, ese tipo de casos de uso sí que puede funcionar. Y el motivo principal es porque,

mmm, cuando tú vas a producción y es, es justo similar a lo que estamos hablando, tú necesi-- si tú pones-- si tú no te puedes fiar de lo que está ocurriendo, ¿vale? Y no es solo uno, este es uno de los primeros. Si tú no te puedes fiar de lo que está ocurriendo, tienes que meter al humano, ¿vale? A revisar el resultado final, porque no te puedes fiar realmente de lo que está ocurriendo en el proceso, de que no hay ninguna alucinación.

Entonces, si tú pones al humano en el resultado final para revisar la información y además no se puede fiar de realmente toda la traza que ha visto, de lo que ha ocurrido, ni incluso del contenido intermedio, el humano tiene que casi hacerlo al revés, en decir: "Vale, ¿cómo he llegado a este resultado?" Intentar descifrar qué es cierto y qué es falso de todo lo que está viendo y tarda más tiempo en hacer eso muchas veces que en llevar a cabo la tarea.

Entonces, hay un motivo de business por el que no funciona y es que no hay retorno de la inversión. Desde un punto de vista tecnológico hay un problema muy grande y es que la mayoría de empresas, sobre todo las enterprises que iba dirigido el MIT, so-- están muy fragmentadas. La información está superfragmentada. Entonces, tienes que conectarlo a distintas fuentes de información y que además van cambiando, eh-

Que son ambiguas, eh, se solapan.

Algunas son navegadores, algunas son navega-son navegadores, otras son sistemas incluso más antiguos, eh, mainframes. Otras son-- sí que los tienen como APIs, o sea que buena suerte. Otras no tienen políticas de, de acceso. La parte de integración dentro del sistema es otra parte que parece trivial, pero no la es, porque cuando tú tienes un trabajador digital, es otro de los motivos que no está relacionado tanto con RAG.

Os hablo de un poco de lo que lle-- cuesta llevar a producción. Pongamos que yo tengo un trabajador que hace el cierre contable y es un trabajador que yo puedo tirarlo de forma autónoma para que se ejecute o se lo puedo dar a mi equipo para que cada uno haga el cierre contable de sus clientes, porque soy un despacho de... ¿vale?

Si ese trabajador tiene un service account, eh, es decir, tiene una cuenta de servicio sobre el sistema que hace la contabilidad. Si David lo utiliza, eh, eh, no, no debería de poder ver los permisos que otros tienen. Todo ese tipo de cosas de co-- no está, os lo digo, no está resuelto como tal de form-- para este nuevo paradigma.

Eso es otro problema enorme a nivel de integraciones.

Sí, pero yo también estoy pensando que aquí tenemos má-máximos diferentes. Por un lado, tú puedes meter un LLM y un agente grandísimo que es una caja negra. Tú no sabes qué está pasando y en este caso sí. Tú no puedes verificar nada, es muy complejo y después es, es prompts de, de miles de líneas. Pero por otro lado también puedes, este problema muy, muy largo, pasar en trocitos.

En cada trocito verificar más que mira, hay un LLM más pequeño, mu-mucho más enfocado y hay structured output. Structured output significa que si hay solo un, un límite de que el LLM puede responder. No es una-- un texto grande.

¿Y cómo sabes que está bien?

Y aquí, claro, con evals y todo esto, sí

No, pero ¿cómo sabes que está bien el structured output? Es decir, ¿cómo sabes-

No, eso tú puedes verificar también de manera determinística. Si qui-- es-esperas JSON con tres, eh, posibilidades, verifica-

Pero, o sea, ¿cómo sabes que el contenido del JSON está mal? O sea, está bien. Te hablo de que, de que si estás haciendo-

Hablas de business, de business concept aquí, okey

Te ha-- te hablo de-- estás haciendo una extracción de un documento de escrituras constitucional-

Mhm

...del apoderado.

Vale.

¿Cómo sabes que ha encontrado realmente el apodera-- el apoderado correctamente en, en, en el proceso?

Claro.

No puedes.

Ahora no puedes, no puedes garantizar eso 100 %. Pero puedes llegar a nue-nueve, nueve con, con un periodo.

Sí.

Si tienes un-- datos de evals para verificar esto.

Y eso es para un caso de uso. O sea, tienes que inver-- todo eso para un caso de uso. Y las empresas tienen muchísimos, que es un poco lo que hacemos. Nosotros, al final, lo que hacemos es trabajarlo desde código. Entonces, yo lo que te puedo decir es si en base a las instrucciones y al conocimiento, que nosotros llamamos know-how, eh, las has seguido correctamente y está bien definido lo que es el apoderado en base a cómo la empresa lo entiende, porque hay distintas empresas que pueden tener perspectivas distintas, y si ha seguido esa regla para hacer la extracción, ya sea utilizando regex o tú les especificas que nosotros le demos para seleccionar trozos de datos dentro de, de, de documentos.

Y yo con eso lo que sí que puedo verificarte es si la ha entendido bien o la ha entendido mal a la hora de extraerlo, si ha hecho abstracción correctamente. Y si luego me das el mismo documento, voy a poder ejecutarte el mismo resultado sin, sin cambio de-

Pero ¿cómo, cómo, David? O sea, no, no me está quedando claro cómo-- qué haces tú diferente.

Que la exe-

Porque dices regex para saber el apoderado, pero es que tú pue-puedes no saber que estás buscando el apoderado.

Sí. Lo que hacemos nosotros diferente es que la resolución del problema lo hace, eh... No es la IA haciéndome por inf-- in-- por, por inferencia, dándome el resultado de la extracción. Todo lo que-- todas las tareas que se llevan a cabo para la resolución del problema se hacen con código.

Ya, esto ya lo he entendido.

Vale, pero es que-

¿Quién, quién escribe el código y cuándo?

La IA.

¿Cuándo?

Cuando le das al botón de tomar los datos, empieza a hacer la tarea. Ahí empieza a escribir el código, pero no lo escribe todo de golpe. Escribe un pasito, ve qué tal ha ido. Con lo tal, se ve qué tal ha ido-

O sea, en tiempo, en tiempo de ejecución-

Exactamente

...va escribiendo el código.

Pero no todo el script de golpe, sino poquito a poco. ¿Por qué? Porque entonces también la respuesta que obtiene el sistema es de la ejecución de código, no obtiene re-- y no puede-- y no me escribe el script entero porque no sabe lo que se va a ir encontrando a lo largo del... Es como funciona una CPU, por eso se llama CPU, eh, y cómo funciona el sistema operativo. Va instrucción a instrucción.

Mi pregunta es que al final, si entiendo correctamente, el LLM está escribiendo código y después está verificando output de este código.

Sí.

Por eso. Mmm, ¿tú has probado Claude Code o algún otro?

Sí, sí.

Sí, sí, sí. Tú a veces preguntando: "Por favor, escríbeme un test", ¿qué después pasa?

Sí.

Y a veces que el LLM está generando, está escribiendo un test de-- perdón, de mierda.

Pero cuá-

Y después está corriendo y mira, todo pasa, todo perfecto. ¿Cómo tú puedes eliminar, eh, esto aquí?

Porque cuando tú le pones que me haga un test, te hace un-- te escribe un código entero. Es lo que te digo, te escriben ficheros enteros, de-

Mhm

...scripts enteros. Nosotros no hacemos eso. Nosotros-

No, a veces es un test muy sencillo-

Muy, muy pequeñito

...de tres líneas y todo, y que mira que has un overoptimized para caso de uso que solo pasa.

Sí. Nosotros como lo hacemos es que primero controlamos el entorno, que eso es lo que yo creo que-- es que todo el mundo se centra en la IA y realmente la innovación está casi en el otro lado, que es en el, en el entorno.

¿Qué significa el entorno? ¿Qué entorno?

El entorno es el ordenador en el que se ejecuta. Es, o sea, nosotros podemos ofrecer no solo esa trazabilidad, sino además el gobierno de los datos y demás, porque nos hemos centrado en ese entorno de ejecución, ese ordenador que la IA utiliza para ejecutar las tareas, qué permisos tiene, a qué puede acceder, cómo le cargo las variables para que la IA no pueda acceder a ellas, pero pueda utilizarlas.

Los credenciales, porque seguridad. Eh-

Pero esto hay muchos frameworks que... ¿no? Y Azure, eh, y Microsoft se centran en dar esas herramientas de enterprise, de data governance, de trazabilidad de datos.

Sí, pero ellos construyen a-- por ejemplo, cuando, cuando haces Power Automate, tú, tú predefines un workflow, aaah, eh, y metes luego la IA de por medio, que es lo mismo que ha hecho, que ha hecho OpenAI. O sea, yo si queréis centrar la conversación en la parte técnica, por mí genial, eh. Eh, yo solo y-- o sea, es un paradigma-

No, no puedes decir que tú haces algo totalmente diferente-

Sí

...y no explicarlo para que lo entendamos estas dos personas que están aquí sentadas.

Pero yo creo, yo, yo creo que se entiende. Si no se entiende, ¿qué es lo que no se entiende?

No, no, yo no lo entiendo.

Vale.

Yo no entiendo qué hacéis diferente.

Vale.

O sea, tú dices: "Escribimos un código-

Sí

...eh, para cada problema que se va encontrando indeterminísticamente la IA". ¿No? Pues tú-

Sí

...a pa-- a priori, eh, em, de inicio-

Sí

...tú no sabes que-- imagínate, para, para contabilizar algo, pues tienes que ir a buscar una escritura.

¿Conoces RPA?

Sí, conozco RPA, pero un momento. Tú para contabilizar algo no sabes que tienes que, eh, ir a buscar una escritura, y para buscar esta escritura no-- tienes que buscar un apoderado. Y eso tú no lo sabes de, eh, mmm, de inicio.

Sí.

Tú estás haciendo una herramienta de, de cierre contable y estás contando con el ABC de problemas de cierre contable. Pero esto estamos hablando ya de long tails, de casuísticas.

Sí.

Entonces, tú estás diciendo que tienes un código que escribe, o sea, que tienes una IA, no, no sé cómo llamarle, un agente-

Sí, sí, sí, una IA, sí

...eh, que escribe un código para ir a buscar el apoderado y que determinas de forma unívoca que esto está bien.

Si ha-

No lo he entendido

...no, que la instrucción está bien ejecutada y seguida. O sea, es decir, que ha seguido bien las instrucciones y el know-how. Eso es lo que yo te digo, si las instrucciones están mal, yo te puedo decir: está bien las instrucciones, pero si tú has definido-- si está mal definido lo que quieres que haga-

Pero es que el problema es que está siempre mal definido.

No-

Porque el lenguaje natural es ambiguo.

Pero es que esa es la clave, eh, eh, de la plataforma. La plataforma lo que hace-

O sea, los datos están, los datos están mal.

Sí.

El lenguaje natural y la pregunta está mal.

Sí. Pero la clave-

Los conceptos y las entidades están explicadas de múltiples formas-

Sí

...que son contradictorias entre sí.

Sí.

Ese es el problema del dominio de enterprise, ¿no?

Sí

Lo has dicho antes. Y eso sin entrar en el acceso y los permisos a los datos-

Sí

...que efectivamente también son posibles.

Y más, eh, y luego hay más todavía.

Vale.

Que es cuando tienes 100, ¿qué haces para gestionarlos todos?

Ve, esto también me interesa, ¿eh? Cómo escalan-

Voy, pero-

...100 agentes

Nosotros, o sea, lo-- esto que está pasando es muy común. O sea-

Sí

...si tú vienes con un cambio de paradigma es normal el, el challenge. Y no es un cambio de paradigma, es otra opción que no-- que a lo mejor en largo plazo es distinta. Iba-- o sea, lo has explicado bien, pero hay un punto que es distinto. Yo tengo predefinido un programa en lenguaje natural. En vez de hacerlo en código, lo tengo hecho en lenguaje natural, ¿vale? Y ese programa tiene instrucciones, tiene, ah, punteros a datos, ¿vale?

En lenguaje natural, donde yo con mi plataforma he intentado reducir la ambigüedad en todo lo que puedo. Si tienes que buscar en una tabla, te digo dónde tienes que enfocarte. O sea, yo ya he ayudado a mi sistema a definir un programa en lenguaje natural. Tiene su sección de instrucciones, su sistro-- su sección de más, que es la más ambigua, de know-how, de conocimiento, de detalles que le pueden hacer que funcione mejor, qué puede utilizar y qué no, punteros a los datos, ¿vale?

Tengo eso escrito y yo tengo una tecnología que se llama KPU, ¿vale? Mi-- nuestra tecnología. Cojo el programa en lenguaje natural, que es la tarea de conta-- de-

¿Cómo está escrita esta tarea?

En lenguaje natural.

Pero ¿tienes un ejemplo? Ponme un ejemplo.

Sí, si quieres hacemos una, una demo.

Venga, vamos a hacer una demo. Vamos a hacer una demo porque si no nos perdemos de-

bombardear con términos.

Es que es el problema de, del, de este mundo. O sea, todo el mundo está haciendo esto que tú dices que está haciendo.

No, la gente lo que está haciendo es coger-- ahí están haciendo dos cosas y me puedo equivocar, ¿vale? Pero lo que nosotros te decimos, porque también lo hemos hecho. La primera es estilo N8N, estilo lo que acaba de lanzar OpenAI, que es: tengo cosas predefinidas que son workflows agénticos y meto a la IA en el medio en algunos puntos, donde van a verse los problemas de aunque puedan reducir el nivel de alucinaciones, etcétera, para tareas complejas se vuelve muy rígido.

Entonces, no es capaz de no solo de escalarlos y luego que no, ni Dios monta eso para los casos de uso realmente que se tienen que hacer y que, y que son complejos.

Ya.

Y la segunda parte es utilizar, eh, también frameworks de agentes. Puedes tener algunos de Langchain, o sea, puedes tener Qwui UI, puedes tener otros en ese estilo, donde con lenguaje natural tú creas agentes a los cuales les das herramientas o servidores MCPs, o incluso registros de servidores MCPs, que son como herramientas en la nube.

Mhm.

Incluso un code interpreter también, eh, con, ah, soluciones que hay de mercado. Y con eso y prompt engineering, tú te montas un agente o múltiples agentes que trabajan como si fueran multiagénticos.

Mhm.

Entonces, ahí es donde-

Es lo que decía Elía, ¿no? O sea, si separas el problema en, en pequeños problemas que son fáciles de va-- validar-

Mhm

...cada uno por separado y luego te creas, pues, pues sistemas más complejos que orquestran entre todos estos pequeños agentes.

El, el problema es que eso asume que has resuelto el problema para uno. Y cuando lo haces en N... Y entonces, hay el problema que, el problema que tiene ese sistema, que tiene bastantes, pero uno de ellos es que si te falla es muy difícil encontrar dónde está el fallo. Y los-- la IA de por sí es supercompleja porque es-- yo lo-- es un sistema dinámico.

O sea, pf, tiene mil piezas. Entonces

Todo es un sistema dinámico.

Estás aumentando, estás aumentando la complejidad muchísimo de, de, de-- si te-- si tienes un fallo, se propaga y luego encontrar dónde has tenido el fallo es muy complejo. Eh, y luego s-resuelves-

Eso-

...ese fallo que te puede luego mejorar lo otro.

Eso también pasa con el software tradicional, ¿eh?

Sí, pero la diferencia es que aquí es un-- lo que, lo que pasa mucho con la IA es lo, lo tienes, lo tienes, crees que lo tienes, lo lanzas a producción y vuelves a, y vuelves a tirarlo atrás. Lo lanzas a producción y vuelves a tirarlo atrás. Eso es lo que está pasando.

Mhm.

Que con el software tradicional no pasa tanto. Lo tienes, vas a producción y lo puedes tirar atrás, pero es mucho más cerrado lo que puedes llevar a cabo. Y luego que mejora muchas cosas, eh, en el ámbito. Os-- si queréis os hago la demo.

Sí, sí, sí. Porque tengo-

Que se ve en tiempo real

...un millón de preguntas, pero sí.

Pues hazlas.

No, yo quiero, quiero ver, quiero ver-

Vamos a hacer un, un, un caso de uso.

A ver, dale Grabar a la pantalla.

Sí, sí. Bue-- voy, voy antes a abrir, eh-

Que luego lo pondremos

Voy antes a abrir esto. Y...

Mira, tú decías que no hacías workflows.

No, no, no. Es que- Voy a decirte eso.

Siempre acabamos con estos workflows.

Me, me lo, lo voy a poner. Estoy grabando la pantalla.

Vale.

Vale, pero no se ve toda la pantalla, creo. Vale, espérate. Eh, discard y, eh, display. Vamos a hacer un caso de uso, ¿vale? Caso de uso de gestión de requerimientos legales. Si yo quiero hacer este caso de uso hoy, esto es lo que tendría que hacer.

Claro, pero es que realmente, o sea, la-- el cliente quiere un workflow, porque no quiere que para hacer un caso de, de-- ¿he dicho de requerimientos legales?

De-- sí, su-supina se llama en inglés.

Supinas.

Sí.

Eh, un banco recibe una denuncia de alguien, ¿no?

Sí, y recibe un requerimiento legal de: "Yo dame toda la información de David que tengas".

Vale. Y hay ahí un proceso determinístico que hay que seguir en este-

Hay un determinista a nivel de qué cosas se tienen-- ah, se intenta hacer determinístico, pero las-

Bueno, a ver, hoy es determinístico, ¿no? Hay un-- ¿no?

No, o-- no, no es determinístico. A ti te vienen ficheros como estos, que es un, es un mock data, ¿vale? Es una demo. Eh, lo tengo que decir públicamente.

Menos mal.

Eh, entonces, eh-- no, no está grabando. Ahora sí.

Vale.

Te vienen, te vienen-- empiezo de nuevo. Te vienen ficheros como estos, ¿vale?

Vale.

Como los que estamos viendo en pantalla. Y este fichero es un ejemplo, pero te pueden venir superdistintos, o fotos o de mil estilos. Entonces-

Vale

...quiero hacer un proceso determinista, pero es que los requerimientos también te dicen qué te están pidiendo. Entonces, te van a pedir cosas distintas cada vez.

Son pasos determinísticos, pero qué está pasando en caso pa-- cada paso...

Sí, o sea, el-- por eso digo, no es el determi-- o sea, no-- todo-- por eso tienes humanos, porque le va a venir esto y va a tener que pedir otra cosa.

Es que los humanos también necesitan determinismo. O sea, tú cuando-

Te dirán un proceso.

Exacto, y el proceso es determinista. Los pasos, es lo que decía Elía, los pasos a seguir cuando recibes una-- un supina de estos-

Sí

...son deterministas, están definidos lo que tienes que hacer, pero cada documento puede ser diferente.

Exactamente. Y cómo haces cada paso es distinto.

Exacto.

Exactamente.

Vale.

Vale, pues ahí vamos a-- estamos alineando.

Venga.

Entonces, tú tienes-

Entonces, este, este workflow, que no, que no ha-- que no hacéis workflows, pero es un workflow.

No, esto no lo hemos hecho nosotros.

Vale.

Esto es un ejemplo para que veáis de cómo se ve-- de cómo sería intentar llevarlo a cabo, que no está resuelto, ¿vale? Eh...

¿Puedes ampliarlo? Porque no veo nada.

Sí.

¿Qué hace esto?

Pues recibe la, la subpoena. O sea Es que no quiero entrar en, en muchos detalles.

Vale.

Es-- vas muy-- tienes que leer el fichero, buscar información, extraer, eh, consultar la base de datos, ver si existe el cliente, si existe el cliente, buscar toda la información del cliente y luego tendrías que-- podrías poner la IA de por medio en alguno de esos-- en algunos de esos y en el RP antiguo no podrías, ¿vale?

Y el resultado de todo esto, ¿qué es?

Voy. No, no, y el resultado de todo eso es, muy buena, es un informe que te dice si has encontrado a, al cliente o no y qué información has encontrado del cliente. Ni más ni menos. Es, es solo eso.

Son documentos, sí, son datos. Vale. O sea, pues no, este no-

Solo es eso.

Es pequeño, digamos, como...

Es, sí, o sea, no voy a-- si qui-- ahora os enseño otro caso de uso también más complejo, pero es pequeño.

Todo esto es para, para saber si encuentras al cliente.

Encon-- no, y encontrarlo y recabar la información y encontrar si tiene otras posibles cuentas también con otro nombre, con algún tipo de relación.

Vale.

Dentro del banco, ¿vale? Entonces, si tú quisieras automatizar esto, harí-- pues esa es, esa es la dirección. Nosotros lo que hacemos es, y lo que es-estamos enseñando ahora, es, es Maiza Studio, que te permite hacer onboarding al trabajador digital utilizando lenguaje natural, ¿vale? Entonces, en vez de tener que hacer prompting engineering o definirlo porque la gente no sabe, esto va pensado para el tío que hace las subpoenas o el jefe de los que hacen las subpoenas, ¿vale?

Pero el que conoce ese proceso de paso uno, paso dos, paso tres. Y para hacer onboarding lo explicas como si fuera un nuevo junior que acaba de entrar a la empresa. El lenguaje es supernatural. Entonces, voy a poner, eh, de nombre, le vamos a llamar Itnig y le vamos a poner, eh, subpoena. Y lo voy a poner en aquí.

Mira.

¿Eso qué es? La descripción de lo que tenemos que hacer.

La descripción de lo que tenemos que hacer. Tu tarea es leer la subpoena, el PDF, y de la base de datos de los clientes, buscar por la información que se pide. Porque es una investigación, tienes que buscar otras posibles cuentas que existan y, eeeh, encontrar la... Y al final, enviar un correo electrónico con toda la información que se requiere, ¿vale?

Es-este, este caso no lo he hecho muy complejo. Luego os enseñaré otros mucho más complejos. Ya he hecho, espero-

Esto no es como un cierre contable. Un cierre contable-

No, no, ahora os enseño otro que es como cierre.

Me gustaría verlo.

Es, ah... Voy a buscarte. Pero-

Dale.

Ehm, entonces clicamos onboard. Esto no te permite hacer la tarea. Estamos de acuerdo. Al menos yo no podría hacer la tarea si alguien me lo explica así. Yo no sería capaz de, de, de llevarla a cabo. Cuando tú clicas onboarding, lo que hacemos por detrás es, saltas a esto que tenemos aquí. ¿Qué es esto? En la parte izquierda, nosotros tenemos un chat, eh, que te permite hacer de process engineering.

Es decir, te permite traducir el lenguaje de negocio a procesos. Y en la parte derecha tenemos, entre comillas, el cerebro de este trabajador digital. Tenemos las instrucciones que va a seguir, las variables de entrada, en este caso, que va a utilizar, los datos de entrada, porque no es un chatbot, recibe datos, se ejecuta y te da el resultado, el output.

Tenemos la sección de know-how, saber hacer, que es donde se acumula el saber hacer o donde lo alineas a esos conceptos-

¿Y de dónde sale este know-how?

Puedes subir SOPs.

¿Qué es un SOP?

Eh, Standard Process... Son documentos de procesos que los-- que las enterprise tienen. Eh, o si tú contratas a David, eh, en Factorial y le quieres explicar cómo hacer una tarea, Factorial no tiene ningún documento para que David sepa cómo hacer una tarea.

Tiene cincuenta notions.

Pues coges el-

Que se han escrito en diferentes épocas, que dicen cosas diferentes sobre cómo hacer esto.

Pues para eso entonces el trabajador digital lo que hará será, eh, o sea, el, el worker builder, que es la parte izquierda, lo que hará bus-- será buscarte por contradicciones. Es decir, te bu-- eh, la parte izquierda te busca contradicciones, te mira por problemas que puedan existir en las instrucciones que has subido, ah, te optimiza porque la gente no sabe explicar el proceso-

No, claro.

Solo sabe decirlo. Entonces, eso es lo que hemos hecho para alrededor de nuestra tecnología. Antes de que ha-- tú le des al botón de run, que es toda una plataforma para ayudar a traducir el lenguaje de negocio con todas sus complejidades a un proceso en lenguaje natural, porque no van a entender flechas.

Solo para aclarar, si yo no tengo esto claro. Ah, tenemos estos datos de lenguaje, eh, natural, después tenemos algunos documentos.

Mhm.

Da igual con quién. Y tenemos este agente, ah, high-level agent, que está preparando instrucciones, extrayendo variables, extrayendo metadata y preparando más un paso a paso, un workflow en lenguaje natural para otro agente que vamos a correr.

Bien, para la KPU, eh, o sea, para el trabajador digital que va a hacer la tarea. Exactamente, eso es lo que tenemos hecho. Luego tenemos la sección de integraciones y tools. Nosotros contamos con unas trescientas cincuenta. Crece muy rápido. O sea, a día de hoy hacer integraciones no, no es tan costoso. Pero es-

No es tan costoso porque utilizáis el MCP que está conectando estas herramientas.

Uno, MCP. Integración MCP. Y dos, porque a día de hoy, si le pasas la documentación adecuada de cómo la quieres hacer, cualquier modelo te lo va a programar.

Ya, vale.

Y luego, porque además nuestro sistema, como es un ordenador, puede interactuar con APIs, eh, con navegadores out of the box. Tú se lo dices en, ah, en el chat y ahora lo veremos un ejemplo, eh, y es capaz de configurártelo todo, las instrucciones y el know-how que haga falta. Y luego tenemos-

Pero esto quién está config-- quién es el usuario de esto.

Un business user. Eh, hay dos.

Ojo, porque un business user-

No tienen ni idea.

Programar integraciones y tal.

Cero, cero, no saben. No-- vas a ver un ejemplo ahora en tiempo real. Se autoconfiguran.

Vale.

Ah, tienes, por un lado, el business user y, por otro, el process engineer. Gente que viene de hacer RPA, que, eh, que viene a hacer automatizaciones y que ya tienen las piezas en su cabeza de cómo funciona. Pero-

O sea, vosotros vais al cliente que ya tiene RPA.

Por ejemplo.

Tiene sentido.

Sí. Sí, sí, es un-

Es fácil de explicar.

Sí, ellos lo entienden. Ellos entienden el valor de esta primera porque entienden que como que la IA construye en tiempo real un RPA para resolver dentro de un caso de uso una transacción.

Y po-puedes poner ejemplos de RPAs que están funcionando en el mercado. Legacy, o sea.

UiPath.

UiPath.

Eh...

ServiceNow.

Power Automate, eh... Blue Prism. Son ejemplos.

Vale.

Ahora hay, hay-- ahora hay RPAs 2.0, N8N, Zapier.

Claro, todos estos están haciendo también lo mismo, agentes.

Intentan hacer agentes, sí

¿UiPath no tiene un framework de agentes?

No.

No.

O sea, tienen un framework que hace lo que hemos estado di-- lo que he estado diciendo, que el problema que-- en el que te encuentras es la falta de verificabilidad que tienes de, de los resultados. O sea, que ese es uno de los problemas core.

Vale, vamos a la verificabilidad vuestra.

Entonces, todavía no hemos ejecutado Run, ¿vale? O sea, se esté-- puedes hacer deploy, hay sistema de gestión de versiones. Ahora os cuento más, ¿vale? Entonces, lo primero que nos pregunta, que me quedo sin voz-

...es, eh: "Bienvenido, ta, tal, eh, ¿qué tipo de database utilizas?" Entonces, para esta, ah, demo voy a pasarle un "here is your database". Voy a pasarle una base de datos que hoy-

¿Pero qué es una base de datos?

Yo tengo un spreadsheet, en este caso, que es donde lo tengo guardado.

¿Y eso lo entiende el business, eh, business, eh, person?

Sí. Podemos hacer ahora una prueba, pero le puedo decir: "No entiendo lo que me estás diciendo." Y puedes utilizar inglés o español, obviamente, porque es un modelo-- o sea, eso ya es-- está resuelto.

Y te, y te dice, eh, qué es una base de datos.

Sí, si hace-- si se lo preguntas, sí. Y si le preguntas en-- acerca de Studio, también, eh, te a-- te orienta. O sea, esto es-- esta es-

Vale

...esto no solo sabe cómo hacer el proceso, sino que entiende la plataforma en la que se encuentra. Si ahora vemos lo que ha pasado, las instrucciones han cambiado. Ahora la variable de entrada ya ha entendido que es un Google Sheet de forma autónoma, y aquí ya-

Se le has pasado un Google Sheet como base de datos.

Le, le he pasado un Google Sheet abierto, un Excel muy, muy grande de cientos de miles de líneas como base de datos en este, en este sitio para que encuentre. Pero no le he explicado lo que se va a encontrar. No le he dicho cómo, cómo está conectado. Voy a poner un ejemplo. Voy a hacer la demo y luego os enseño un ejemplo también de cómo se conecta una integración como Supabase, por ejemplo-

Mhm

...que es otra base de datos. Me pide el correo, le voy a dar mi correo. Y, eh-

Pero, ¿qué está pasando ahora? Que no está leyendo este Google Sheet, al final es solo rellenando todos los variables que-

Exactamente, está preparando la, la, la información. Ah, y está entendiendo el, el concepto. Entonces, lo que he hecho también aquí en la base de datos es: le he cambiado-- le lo he puesto un poco complicado, le he puesto índig a una columna para-- que es donde tiene que buscar la información. Ahí es donde está la clave de todo, que es buscar la cuenta. Y ahora, eh, mmm, "next step", ah, podemos seguir, pero vamos a hacer un run para que no se alargue.

Entonces, lo primero que voy a hacer va a ser copiar, ah, y asegurarnos de que tenemos la base. Lo segundo que voy a hacer va a ser, ah, acá no me hace falta, "recipient email", "email", "phone number". Fijaros que aquí tengo variables que no tengo. Ah, mmm-

¿Qué significa que tienes variables que no tienes?

Yo tengo-- me está pidiendo datos que no tengo. Yo no tengo el correo electrónico del usuario, eh, la subpoena, no tengo esa información. "I don't have the information about the email, phone number", ah-

Pero si quitas esas variables de instrucciones.

Va a tener que leer la subpoena, extraer la información y se va a la base de datos.

No, pero ¿por qué tienes estas variables ahora en las instrucciones? Por eso, si tú quitas, en teoría-

Va a ca-- me lo va a cambiar.

Vale.

Me va a cambiar todas las instrucciones. Esa es la clave.

Vale.

Eh, va a entender: "Vale, si estos no los utilizo, entonces mi proceso cambia. Sí, yo no voy a utilizar estos datos."

Pero, o sea, este, este agente, volvemos al principio, ¿q-qué hace?

Te configura un trabajador digital. Te configura un-

Ya, ya, pero busca-

...lenguaje natural

...busca estos datos-

En una base de-- o sea-

En el documento

...lee el documento, lee el documento, extrae la información, extrae lo que se tiene-- s-- mira, ve lo que se tiene que extraer, se va a la base de datos, busca si existe esa persona, busca si esa persona tiene otras posibles cuentas dentro del banco con otras, eh, nombres, con otra información, ah, que pueda tener conexión en común, la recopila y en este caso me envía un correo.

Te puedo enseñar otro que hace un trade finance, que se lee un montonazo de documentos, se va a consultar tres bases de datos, te hace la conciliación, te eleva-- te elabora un documento, te lo sube a una base de datos. Y, o sea, la complejidad la puedes extender. Intenta hacerlo sencillo para que se entienda-

No, no, está bien, está bien

...la plataforma.

Pero también quiero aclarar una cosa. Tú estás diciendo que mira, en 8N, muy rígido, muy complejo hacer esto, pero s-- pero al final tú has, has-- estás haciendo más o menos lo mismo, pero en el texto.

Lo voy a definir en lenguaje natural. Pero en, eh-- fíjate que yo no estoy diciendo cómo tiene que leer y extraer la información.

Claro, claro.

Ni le estoy diciendo cómo hacer las cosas.

Tú no estás validando un structured output. No, no, no conectas estas piezas, ¿vale?

No.

Vale, vale, vale.

Entonces, yo simplemente no estoy definiendo un flujo de código. Es todo lenguaje natural de momento y va a ser así hasta que le dé al botón de Run.

Vale.

Entonces, "I don't have the information about the email, the phone number."

Pero y el in-input variables son las que tú has definido aquí.

Yo no lo he definido, lo ha definido la IA.

Vale. O sea, a partir de la di-- de la-

Del inicio de la instrucción-

Del inicio de la instrucción, él ha encontrado variables. O sea, ha encontrado las variables que le estás pidiendo, ¿no? Y te las ha marcado. Estas son las variables que estamos buscando.

Sí.

Las input variables son los datos de entrada. Insisto que igualmente esta UI que estáis viendo, la semana que viene o en dos semanas va, va a cambiar. Eh, vamos a hacerlo mucho más sencillo, pero el concepto es igual, o sea que se entiende.

Vale. No, no, está muy bien.

Las variables de entrada son qué datos va a utilizar el trabajador digital para llevar a cabo la tarea, ni más ni menos. Qué datos yo le voy a dar, que pueden venir porque el cliente se lo dé, porque luego cuando lo tenga la API serán parámetros de entrada o porque son los que va a ir a buscar a un, eh, Drive, Google Drive.

Mhm.

Qué datos va a utilizar para hacer la tarea. Esas son las variables de entrada. Y le digo: "Pues mira." Y lo que le estoy diciendo es: "I don't have the information about the email, phone number and email recipient. I don't need that input, eh, those input variables. Those input variables."

Pero ¿y esto por qué te los pregunta estos inputs? ¿De dónde salen?

Estos de aquí salen de la descripción inicial que hemos hecho de la información que necesita, porque tiene que buscar la información del cliente. Fijaros que me ha quitado las variables de entrada. Ahora ya si le doy aquí, pues ya no las tengo. Y ahora puedo copiarla.

¿Y no podría deducir que-- él mismo, que no tienes estos datos?

Sí, eh, eh, y-- pero depende de la descripción que yo le, que yo le haga. Ah, en la descripción yo no ponía que no tenía esos datos. Entonces, él lo asume. Y-

Vale

...lo que nosotros-

Eso es lo que en el modelo tradicional, ah, bueno, tradicional-

Sí

...no tiene nada de tradicional, hace un forward deployed engineer, típicamente, ¿no?

Hace un process engineer, te diría. El process engineer se sienta con-

Mhm

...el business user y le empieza a hacer preguntas y es el que le va configurando el proceso-

Vale

...le define ese flujo de RPA.

Mhm.

Vale, pero que vas a recibir de datos. Nosotros, eh, el modelo al final, en la parte izquierda, lo que va a hacer es preguntarte Te va a pedir información, te va tras un run, puede acceder al run y decirte que ha funcionado, que no ha ido bien.

Mhm.

O sea, el worker builder, que es lo que llevamos a la izquierda, este process engineer, no solo te ayuda a configurarlo, sino a optimizarlo y a, si no sabes cómo utilizar Studio, preguntarle. O sea, es lo que hemos-- nos hemos enfocado en la plataforma en ese sentido, que se pueda utilizar con lenguaje natural. Ahora es escrito, meter voz no cuesta nada y esto va a seguir obviamente, eh, iterando.

El producto, eh, tiene que seguir mejorando un montón. Esto-- vale, entonces vamos a hacer una prueba, eh, menos hablar y más prueba. Entonces,

ah, declare in a canal subpoena found. Ah.

Te van a escribir un montón de potenciales clientes, lo sabes, ¿no?

No.

Poniendo aquí tu email. Sí.

Bueno, eh. Ah, ah, I don't have the account number. Number needs to be extracted. Aunque se los llevamos, ¿vale? Extracted from the subpoena. But I want to send, ah, the final result as an email to David, ah, as an email, please.

Entonces, lo que estoy haciendo ahora mismo, me está pidiendo el account number y le digo que no lo tengo y que no lo tengo. Yo no tengo eso. Eso está en la subpoena y se tiene que apañar. Entonces, con eso va a ir cambiándome de nuevo las instrucciones.

Pero eso también lo podría derivar, ¿no?

Lo-- como poder derivarlo, lo puede, pero si lo dejo la ventana a que me derive las cosas, es donde empezamos a tener l-la variabilidad y el sistema-

No, sí, sí, la variabilidad está en todos lados. Pero ¿quién responde esto? O sea, ¿quien-- es, es una persona de Maisa la que está respondiendo eso o es el cliente?

Es el cliente. O sea, el-- lo que va a hacer el-- lo que hace el sistema este, te hace preguntas, ah, y te va ayudando a entenderlo. Yo lo que pasa es que ahora para ir más rápido, no estoy siguiendo las preguntas que me está haciendo.

Vale.

Voy al grano para, para lo que estamos haciendo. Pero una persona que no sabe nada, se mete aquí, lee el chat, va respondiendo lo que el chat le va diciendo y se va autoconfigurando. Esa es la, la, la clave.

Hablando de-

No hemos hecho el run todavía, ¿eh?

Sí, sí, sí, pero hablando de errores humanos, porque al final yo estoy leyendo chats y casi todo quien no está preguntando cosas, está mirando-

Sí.

Como ha añadido, ha quitado. Pero al final tú quitas ahora variables, tú estás ajust-ajustando cosas porque tú sabes limitaciones del sistema.

Sí.

Pero yo si soy usuario nuevo, para mí, mira, account number tiene sentido, todo esto tiene sentido, va adelante. Es como-

Sí.

¿Cuál es este feedback loop al final de, de todos esos con cosas? Porque me parece tenemos que correr, ver resultados, ah, y cambiar instrucciones después.

Lo primero que haces es configurarlo y leer que las instrucciones en lenguaje natural tienen sentido y están correctas. Eso es lo primero que tú haces. Y tú leer como una persona normal si lo que está po-- lo que está puesto tiene sentido. Si a mí me pide un account number, es que lo estamos viendo, lo estamos viendo. Me pide un account number y yo digo: "No tengo account number", pues le puedo-- la gente le dice: "Oye, que yo no tengo account number".

El modelo este, por eso os digo que va a cambiar, en la siguiente versión que venimos ahora mejora muchísimo, porque lo que hemos-- nosotros hemos aprendido mucho a lo largo de estos meses de cómo la gente utilizaba el chat. Al inicio, el chat no te decía nada de Studio. Ahora vemos que la gente lo utiliza para preguntarle también sobre la plataforma. Entonces lo fuimos mejorando.

Mhm.

La-- el, el punto principal de la plataforma es permitir que la gente con lenguaje natural pueda configurar un trabajador digital y no tienen ni idea de convertirlos en procesos, solo saben hablar de negocio. Entonces, que alguien de negocio, hablando negocio, se convierta en un proceso, como estás viendo con esos pasos alto nivel deterministas, tienes que leer esto, luego irte a una base de datos, luego buscar, luego hacer tal.

Y luego el cómo es donde se-- el know-how se va a ir llenando de información, pero además donde la IA va a ir encontrando ese proceso en tiempo real para resolver el problema. ¿Vale? Entonces, ahora lo-- es tan fácil como, eh, coger la, la base de datos, ponerle-- no lo tenemos desplegado, estamos testeando el correo y, eh, le voy a subir aquí la, el escáner este, ¿vale?

En este caso, para como motor, o sea, como herramienta dentro de la API, nosotros podemos utilizar a 4.1 o podemos poner otro. Pongo 4.1 porque va muy rápido.

Eso el, el usuario de negocio-

No tiene ni idea.

No tiene ni idea.

Lo sé, lo sé, pero le puede preguntar también cuál es el que tiene que utilizar y se lo dice.

Sí, ya, pero...

Si hace falta.

Si tiene ChatGPT para preguntarle, aprender a programar y, y aprender a cocinar-

Eso lo sé.

Para la familia, si quiere.

Ese, ese feedback sé que por experiencia, eh, ponerle que escoja modelo no es la solución idónea. Para nosotros, ahora, en la fase en la que estamos, nos vale, nos ayuda a resolver casos de uso. Y lo que estáis viendo en pantalla es, eh, la innovación un poco de Maisa. Ahora lo estáis viendo. Esto se llama chain of work o cadena de trabajo.

Eh-

¿Eso, este concepto es vuestro?

Sí.

Vale.

Es la cadena de trabajo. Eh, ¿por qué? Porque lo que estáis viendo son pasos de código, es decir, atómicos de código, pero como el business user no entiende el código, es con una capa de interpretabilidad encima que te dice qué está pasando en cada paso, cuál es el resultado intermedio de cada paso, qué know-how se aplica, qué herramienta se utiliza y con qué datos se va utilizando.

Eso para cada uno de los pasos. Entonces, yo sé que en el primer paso ha identificado a partir del fichero que teníamos el account number que estaba en pequeño dentro del fichero, que es el 895260.

Mhm.

En el segundo paso se ha ido a ver la base de datos de clientes. Está buscando, está preparando el sistema para acceder a la base de datos y está, está resolviendo el, el problema. Y si no encuentra una solución que funciona porque la base de datos no está disponible por lo que sea o la API se equivoca con el parámetro, no pasa nada. Es capaz de ver que no está funcionando en una dirección y irse en otra dirección.

Pregunta tonta: ¿por qué esto es know-how? Porque honestamente, un Claude Code o algún otro agente hace lo mismo con tool calls. Y ahora yo veo un chain de tool calls con resultados y con un contexto que está funcionando aquí.

Porque tienes que tener todas las-- por-- primero, porque no lo hace-- primero, tienes que tener todas las to-- todas las tools definidas para poder hacer esta tarea. Y en este caso no tienes todas las tools definidas.

Vale, por eso. Pero imaginamos que esta gente está generando estos tools on the fly. Pero concepto-

Vale.

Es lo mismo, es como yo estoy-

No, pero no es que no genera tools on the fly. Esto no hace function, no hace llamada a la API con un function call.

Ya entiendo. Es como te-- es como un detalle técnico.

Sí.

Pero a nivel de lógica-

Sí.

Es como un paso por paso. Yo estoy ejecutando-

Te lo voy a simplificar más.

Vale.

Tú no puedes crear lógica con las con function calls. Tú no puedes hacer que utilice tres tools en un bucle donde el s-- del summary extraiga la información, me lo, me-- donde de lo que busca la base-- o sea, no, tú no puedes crear lógica con los modelos no están creando a día de hoy lógica utilizando las herramientas en un solo paso.

Tú piensa que aquí lo que está haciendo es escribir código atómico donde además crea lógica para utilizarlo.

Por eso es como-- sí, en-entiendo que tú estás diciendo, pero al final es como, ah, agente, el LLM está creando una herramienta que está agrupando otras herramientas en el mismo paso.

No, crea una pieza de código que puede estar hecha en Python o en Go, o sea, o en JavaScript. Crea piezas de código que en el entorno en el que tiene-

Mhm

...que lo conoce, se ejecuta, que es lo que está pasando ahora, a, a ahora mismo. Y aquí tengo el resultado y ahora, pues, lo tendré en el correo, pero no voy a abrir el correo. Pero

Hombre, sería, sería bueno, ¿eh?

Voy, voy.

Sería bueno.

Os pongo pausa ahora y os lo enseño.

Pon pausa, pon pausa, pero queremos ver el correo.

Os lo enseño. Eh, entonces, lo que está haciendo es-- ha, ha tardado un minuto treinta y nueve. Insisto que esta tarea es sencilla. Es más para que entendáis el-- o sea, para que se entienda un poco la dirección. Y os enseño, si queréis, ahora otra más compleja. La diferencia de si yo hubiera resuelto esto con un modelo, lo que hubiera hecho ha sido: tendría algunas herramientas a lo mejor para procesar los datos, lo habría puesto en la ventana de contexto y luego habría empezado a hacer, eh, function calls, eh, por ejemplo, pues para acceder-- t-tengo la herramienta de acceder a la base de datos de tal.

Pero la explicación de por qué hace eso, por ejemplo, eh, todo eso no es, eh, faithful. No-- el, el motivo y el razonamiento no, no es faithful y el orden en el que lo hace tampoco es determinista. Yo le vuelvo a dar los mismos datos o le vuelvo a dar otro y no te vuelve a dar el mismo resultado siempre.

Pero espera, es como-- voy a hacer double click aquí.

Sí.

Es como s-- tenemos este, este proceso en instructions-

Exactamente

...que es un natural language, eh, normal, como-

Eso es

...el idioma normal. Por eso después el LLM está separando esto paso por paso. E-e-estoy intentando-

Sí, sí, sí

...m-pensar qué es-- qué o cómo está construido esto en interno. Está separando paso por paso y está ejecutando cada paso para ver los resultados.

Sí.

Y está escribiendo el código para cada paso.

Está escribiendo el código, sí, pero-

Y ejecutándolo

Como si fuera un RPA. Sí, eso es

Puede ser que-- vale, muy lento hoy, pero no entiendo la diferencia honestamente con tool calls, porque al final si tú preguntas ahora el GPT-5 o algo: "Mira, tienes esto, por favor, crea un plan primero. Después, hazme, hazme como esos llamadas e-en la cadena". Va a pasar lo mismo.

No, porque tú no puedes combinar tool ca-- y no só-- no puedes combinar tool calls ni puedes llegar a la flexibilidad que te da la lógica de hacer código libre. Esto no está haciendo tool calls, esto está haciendo código libre. Y na-- no tiene por qué definirse funciones. Puede literalmente tirar el contenido de la función, eh, o crearse un loop con una tool y llamar al final de la l-- de hacer un try catch dentro de la tool.

Eso no lo puedes hacer con, con, con tool calls. No puedes aplicar la lógica del código per se con las tool calls, eh, porque son funciones. No sé si me estoy explicando. No puedes-

Sí, pero para-- con, con Code Interpreter.

Vale, pero si tú lo haces solo con Code Interpreter y el Code Interpreter lo tienes como una tool, luego tienes que controlar todo el Code Interpreter. O sea, eh, es donde tienes que controlar todo el Code Interpreter, pero tú no puedes combinar ese Code Interpreter con las function calls que las-- con las otras herramientas externas que le has metido. Tendrías que instanciar todas las herramientas dentro del Code Interpreter y utilizar únicamente el Code Interpreter, que va en la dirección de lo que está haciendo Maysa.

Y si, y si eso lo haces en esa dirección, el problema que tú tienes, el reto que es, es escalar eso. Y es-- eso es muy-- o sea, es más complejo de lo que parece. Pero ves ahora un poco la, la diferencia. Y con esas tool calls, que aunque puedan ser iguales, también la forma en la que instancia la tool y la utiliza no, no, no, no-- o sea, el, el-- lo que te explica no es verídico y tendrías que hacer solo tool calls.

Solo sería tool call, tool call, tool call, tool call. Y sabes-

Entiendo, entiendo. Que al final, mmm, pues, intentando simplificar esto a-al máximo, que tenéis un meta tool que con parameters vosotros podéis hacer una composición de otras llamadas. Es que mira, eh, yo voy a pasar, imaginamos que 20 tool calls y esta tool está creando un tool de manera dinámica para llamar todo esto.

No, tenemos un ordenador que le escribe import no sé qué, primer paso. Eh, o npm install, primer paso. Siguiente paso, tal. Lo que pasa es que conoce el, el ordenador y si me escribe-- si le da por escribirme lenguaje natural, ¡pom! No funciona.

Obviamente, no compila, o sea, no, no, no ejecuta. Eh, y en vez de hacerlo con, em, eh, s-- y, y eso es lo que me permite al final, es que cuando yo me voy guardando todo, obviamente, y lo voy ejecutando, y cuando llego al final y he resuelto el problema, estos pasos que se ven en la pantalla, que están con lenguaje natural para que el usuario de negocio lo entienda y con la verificación de que está bien, por detrás yo tengo un código.

Yo hasheo el input de data y si me vuelves a lanzar lo mismo, ya te he resuelto el problema con código. Para ese caso de uso, ya te he resuelto esa transacción con código y eso no lo puedes hacer-

¿Qué es lo que hasheas? O sea, hasheas-

Ah, el input de data tú lo puedes-

El, el input del principio de todo

Claro, los datos que me has dado de entrada. Si el resultado ha sido exitoso-

Ya no puedes explicar lo mismo con otro lenguaje, entonces ya no-- o sea, con otro sinónimo

Claro, si me cambias las instrucciones, ya no-- para esos datos ya no es lo mismo.

Aunque, aunque sea lo mismo, ah.

Me cambias el programa. No, no. Eh-

Ah, pero puedes pedir lo mismo de otra manera.

No, no, es que no, no quiero complicarlo. Eh, lo que, lo que-- eso es una forma de explicar de que una vez-- es una ventaja, que una vez yo ya lo tengo resuelto, yo ya tengo la traza de código, que para esos datos, con estas instrucciones de esta versión, me resuelve el problema. Entonces, si yo vuelvo a dar lo mismo, me puede volver a dar, obviamente, el mismo resultado. Eh, y si estoy contento, pues lo puedo ir y desplegar.

Y ventaja que esto tiene, pues me puede hacer ficheros de-- me puede generar ficheros de output, el que yo quiera. Tengo toda la flexibilidad, docs, e-Excels Me puede interactuar con herramientas externas, con navegadores externos. Imagínate todo eso ya no solo con tools, sino que además luego las utilice de forma re-reliable y que yo pueda ir a alguien y decir: "No, es que le ha dado por utilizar esta tool".

No, eh, ese es el problema, o sea, eh, eh, uno de los problemas principales. La decisión de usar la tool está en la IA, pero ¿aquí no utiliza tools? Aquí se construye, eh, lo que haga falta de código, ya sea utilizando un paquete de NPM o un paquete de Python ya preinstalado.

Vale, pero al final, ¿dónde sacamos ese determinismo? Porque tú estás diciendo que mira, Codex, Cloud Codes, ah, Agent de OpenAI no son determinísticos y vuestra herramienta es por eso-

En la segunda ejecución, que esa es la clave. La, la-- no existe-

Ah, es la segunda, porque sí, hay un plan y después está... Vale, vale, vale, vale. Ahora, ahora.

O sea, en la segunda ejecución con el mismo dato es donde viene esa auditabilidad y ese determinismo, porque ya lo tengo. La primera no puede ser determinista porque no-- por naturaleza. O sea, pero una vez yo ya lo tengo resuelto para ese caso de uso con esos datos-

Por eso está muy enfocado a RPA, porque son procesos repetitivos que la gente ya entiende como, como cajas negras o como, o como una función establecida.

Eso es.

¿No? Que aunque haya cierta incertidumbre dentro o cierta indeterminación dentro, eh, básicamente es-está determinado lo que se espera de esta función.

El mercado lo llama APA, en plan Agentic Process Automation, más que RPA. Y vamos a ese mercado porque lo entienden, porque ellos se han peleado con estas cajas con flechas toda la vida y ahora de repente esto para ellos es como: "¿Qué? ¿Que puedo hacer esto en tiempo re--?" Y el determinismo, insisto en que viene: "Yo he hecho esto", o sea, y te viene la-- durante la segunda ejecución con los mismos datos.

Ahora bien, cambio las instrucciones porque el correo quiero que me lo haga en chino mandarín. Vale, pues si lo cambio, ya no tengo el problema con código que te resuelve eso. Me toca-- puedo recuperar del pasado, que han tenido éxito, cosas, pero me tengo que cambiar la cola o el final. Ahora, en vez de venirme esta subpoena, me viene una con cincuenta páginas.

¿Me vale todo lo anterior? No, me valen algunas cosas de lo que haya hecho anteriormente, que para eso está el know-how y la magia de la plataforma que va haciendo que el worker aprenda, ¿vale? Pero ahora tengo que hacer cosas nuevas. Ahora tengo que leerme cincuenta páginas, no es lo mismo que leerse una. Y luego encima tengo que-

Necesitas crear otro-- el mismo business.

Exacta-- el mismo, el mismo-

User.

El... No, no, no. Este lo va a poder hacer. Esa es la-- ahí es donde viene la adaptabilidad. Este ya está preparado para resolver esa tarea y yo ya le he puesto que tiene que leer y extraer la información relevante.

Por eso, por-- para entenderte. Tenemos este, este workflow interno que, que hemos cacheado y, pero si hay otro input, olvidamos este cache y repensamos cada vez. Vale.

Claro, pero él puede-- pero él sabe, él tiene experiencia. ¿Me explico? Él tiene experiencia y él tiene esa lógica guardada y, y aprendizaje que tiene de la misma.

Y en este caso, el LLM está decidiendo si vamos a usar esta cache o vamos a olvidar todo y-

No, eso es, eh, eh, no, eso es si hay un success, entonces vuelves a utilizar los mismos datos. Es decir, si yo he tenido éxito en la ejecución-

¿Quién determina el éxito? ¿Quién determina el éxito?

El sistema.

Pero en caso de-

Y el humano dando clic.

Imaginando estos, eh, cincuenta páginas, que en la primera página hay account number, pero hay cuarenta y nueve otras páginas también con otras account numbers.

Sí.

Sistema este va a darte ok, porque en la primera página hemos encontrado account number, pero input es también diferente.

Sí, primero se leerá todo el documento y probablemente vea que hay más de un account number. Entonces, si no es capaz de resolverlo o parará y te dirá: "No soy capaz de resolverlo con las instrucciones que tengo en este momento", en el caso de que ese ca-- esa casuística no esté contemplada o no esté dibujada. Y entonces lo ves, eh, eh, no, no ha llevado a cabo la tarea y-

No puede equivocarse.

Lo haces. Sí, esa es la clave. Puede equivocarse, pero sabes que es un error, no una alucinación. Esa es un poco también parte de la clave. Puede equivocarse, puede extraerme la información no correcta, pero yo puedo ver cómo ha, ha utilizado el código, puedo ver cómo ha hecho esa extracción, cómo ha hecho esa tarea. Entonces convierto-- lo podemos hacer resistente a las alucinaciones.

No quiere decir que no me vaya a alucinar, quiere decir de que me caso que me alucine, no va a funcionar, me va a cascar el código en caso de que se invente variables o lo haga. Y en el caso de que malinterprete un concepto, voy a ver por-- propiamente cómo ejecuta la tarea para hacer esa extracción que no la-- que no, que no está bien entendido. Y eso es como nosotros estamos consiguiendo llevar a, a producción estos casos de uso, porque necesitas tener esa auditabilidad y esa alucinación-

Pero no entiendo esto para false negatives, para, para false positives. Exactamente este que tenemos cincuenta account numbers y el LLM extrae primero y está feliz con esto. Ah, esto tú, tú cómo puedes validar esto? Porque al final paso-- está pasando, es como mira account numbers y, y podemos ejecutar todo el workflow, pero nos, nos falta un montón de datos en este caso.

En ese-- pero es, es que no son tontos. Quiero decir, a lo que me refiero con los modelos, aunque siga las instrucciones-

Es el problema de no-- no determinismo. A veces son muy inteligentes, a veces son muy tontos.

Principalmente, o sea, de hipó-- digo hipótesis porque no sé cómo se va a comportar literalmente, sé lo-- cómo se va a comportar nuestro sistema. Si en las instrucciones tú pones lee la-- lee y, y busca por los account-- por el account number, y a la hora de hacerlo el modelo ve que tiene varios account numbers, lo que va a hacer probablemente vaya a ser buscar por todos los account numbers que, que existen.

Y si no es capaz de encontrarlo todos, cuando luego pase el checker, el quality assurance, que nosotros llamamos checker, eh, que es lo que pasa después-

¿Es el humano?

No, es la-- es un modelo, o sea, es encima, un servicio encima construido con otra KPU, que es nuestra tecnología, simplemente para decirnos si, si la ejecución ha tenido sentido o no ha tenido s-- o sea, si ha seguido las instrucciones, si ha seguido el know-how y si el, el resultado es coherente. Pero no lo hace sobre una traza de lenguaje natural unfaithful, lo hace sobre una traza de código más todo el contexto del know-how anterior, más todo el contexto de las instrucciones, lo que nos permite con mucha seguridad decir-

Pero no 100 %.

100 % no hay nada. Eh, pero una regla de-- pero nosotros lo que lo hemos hecho es conservador. Prefiero que me digas que está mal y esté bien, que que me digas que esté bien y esté mal .

Vale. Y Valls, al final, ¿cuándo metemos una persona aquí que mira? Al final, un error.

Sí.

Tenemos que ajustar algo. ¿Cómo, cómo podemos hacer esto?

Para meter una persona, aaah, el-- es-está lo que yo lo puedo desplegar, ¿vale? Y si yo lo despliego, tengo el control tower. Eh, por un lado, tengo control tower, puedo generar tokens para compartirlo. Aquí tengo el-

Y desplegamos en vuestra cloud.

O en tu cloud. Si quieres eso, si lo quieres on premise, lo puedes tener on premise, eh, sin ningún problema. Y si no-

Pero es una máquina. En cualquier caso, es una máquina que-

Sí, es-esa es un poco también nuestra ventaja. Sale también más barato, porque la IA no es la que está haciendo la abstracción, está haciéndolo con código. Y me sale más barato escalar esto que si escalo solo utilizando el LMS con tokens y que RAG y en esa dirección.

No hay agentes, eh, chinos tipo Manus.

Manus utiliza un code interpreter, una máquina de Linux, como herramienta para llevar a cabo cosas como hacer presentaciones, etcétera. Ah, pero luego utilizan un montón de herramientas más. Pero sí que van en esa dirección, por eso también funcionan tan bien. Eh, van en esa, en, en esa dirección, pero ellos no-- ellos lo tienen como tool, que es, es que es, es un-

Tienen la máquina como tool.

Sí, lo tienen como una function call, aaah, por así decirlo. Nosotros no. Tú, tú ves mi código deee, el código que tengo y yo no tengo ninguna llamada de function call a externamente. Solo tengo el modelo.

Vale.

Y, ins-- o sea, es que no-- nosotros en este sentido no, no venimos con la ego ni a decir: "Oye, que esto es así", ¿sabes? Eh, porque nadie lo sabe. Y es que esto sí que me parece importante en este momento de la conversación. Nosotros planteamos algo que remueve un poco porque vienen, eh, vienen dos, dos, Manu y yo, los-- y venimos a decir: "Oye, que es que creemos que no tiene mucho sentido, eh, algunas cosas cuando lo escalas.

Y, eh, y nos podemos equivocar. Hay mucho mercado para lo otro. O sea, para lo otro me refiero para RAG, chatbots, tal. O sea, esto no tiene que servir de: "Va, pues yo no voy". Maisa va a un mercado regulado, enterprise, con unas necesidades superdistintas de la que tiene-

Sí, pero en, en esta misma instancia está el mundo enterprise. Yo insisto, ¿eh? O sea, no, no hay nadie en enterprise que si esto va bien, no prefiera esto.

Ah, yo te estaba dando-

No conozco a nadie . No, incluso para hacer customer service.

Sí.

Dices: "Coño, sí, me puedo equivocarme".

No, porque esto no es un chatbot. Aquí hay una cosa que es importante. Yo no hago chatbot. Entonces, a mí para que me utilices en real time, mmm, no.

Es lento.

Sí, es lento. Y n-no está pensado para eso. Esto está pensado para hacerte una tarea end-to-end.

Vale.

Un proceso end-to-end.

Pero un chatbot tiene tareas end-to-end, ¿eh? También. O sea, un sistema de ticketing-

Sí, tú le puedes dar a un chatbot una function call que sea un worker. Eso sí que puedes hacerlo. Eh, eh, eh, traducido eso. Tú le puedes dar a un chatbot que tú tienes como customer service una herramienta que sea llamar a uno de mis trabajadores digitales como herramienta. Eso puedes hacerlo. Eh, esta es la vista, esta es una vista que cualquier miembro del equipo que tenga permiso se puede clonar el worker.

Ah, puede cualquier persona venir y utilizarlo, eh, sin necesidad de tener que hacer prompt engineering ni copiar y pegar prompts. Vienes, da los, da los datos y ejecuta.

Aquí no hay prompt engineering.

No. Y luego tienes la API. Cada worker se puede utilizar con, como una API. Eh, entonces cualquier persona puede utilizarlo. La API, y aquí fijaros que tengo la versión uno, pero si yo me vengo aquí y creo una nueva versión y le digo que: "The email I want it in Chinese.

Chinese."

Por cierto, abre, abre tu email en algún momento.

Voy. Eh, pa-pa, eh, pauso la grabación y os lo, y os lo abro. Eh, eh, me cambia esto. Veis que me lo ha cambiado a, a chino. Y si yo ahora des-- fijaros que aquí tengo la versión uno, y si yo despliego la versión dos, pues recargo y ya tengo la versión dos desplegada, con lo cual me permite asynchronous y además la API es la misma.

Eh, y lo único que me cambia es que a lo mejor puedo añadir variables de entrada, etcétera, pero yo solo lo implemento una vez. Y además me permite recuperar el fichero. Entonces, yo hago una vez la implementación, esto para los técnicos, yo hago una vez la implementación y luego asíncronamente mi equipo de negocio puede seguir mejorándolo. Y, eh, como mucho me pingué de: "Al loro que he añadido una nueva variable de entrada para que yo haga lo que quiera con, con eso."

Tienes que cambiar API Key después.

Sí, sí, tengo que cambiarlo, tranquilo. No, no, este me lo-- me voy a venir aquí y lo voy a borrar, o sea que no te preocupes. Eh, pero gracias. Voy a abrir el, el correo. Eh, a ver. A ver, vamos a ver. Tiene que estar por aquí. Aquí está.

Eh, le doy otra vez. Vale, reanudado. Esto es de las 11:35, ha pasado un rato, porque lo hemos enviado antes. Yo no le he dicho cómo lo tenía que hacer.

Esto es Superhuman, ¿no? Tú utilizas Superhuman.

Sí, ha venido de, de KPO. Voy a ampliarlo, ¿vale? Ha venido del, del correo de kpo@maisa.ai, aunque obviamente se pueden, pues hacer correos. De hecho, pronto, cuando tú despliegues, tendrán también un correo electrónico los trabajadores digitales. Entonces, le podrás escribir un correo para que reciba los datos y ejecute las tareas. Y simplemente me ha hecho la tarea. Me ha encontrado a Peter Ford, que era la persona que había que encontrar, pero además se ha dado cuenta de que con el mismo email había otro usuario con otro nombre y aquí otro.

Yo no le he puesto cómo quería el correo y ahora le puedo decir: "Oye, cámbiame el formato, cambia tal". Ha sido una primera ejecución. Y si estoy contento con el resultado, ya sí que es-

¿Qué pasó con el tercero?

¿Eh?

El tercero, ¿qué pasó?

El número de teléfono, supongo. Sí, es el número de teléfono. Y claro, aquí va el punto. Esto no lo vi-- esto no lo ha escrito. Esto viene de que ha cogido y ha, y ha hecho en el código variable X nombre de variable. Y esa es la diferencia. Eso no lo puedes hacer con function, eh, tools. Y eso me hace que si yo vuelvo, ¡pam!

Obtiene lo mismo. Y, eh, o sea, y por eso que al final, como hemos hecho la, la esto, nosotros planteamos un paradigma, porque mi cofundador, que es Manu, que le contaba antes, es la persona que más modelos-- Ma-Manuel Romero, que más modelos tiene hechos en, en Hugging Face, tiene unos 500 y tiene unos 184 millones de descargas.

Es un español, tiene más, más descargas de modelos que Mistral Solo un español, que es, que es Manu. El-- no-nosotros no hacemos modelos y mira que venimos de ese expertise y, y yo lo admiro un montón. Pero nosotros veíamos el futuro en el sentido de lo que he dicho. Veíamos un mundo donde la IA tiene trillones de ventanas de contexto que funcionan muy bien, tiene velocidades vertiginosas, eh, como ahora kilobytes y gigabytes en Internet.

Ve-- ¿cómo opera la IA en ese mundo y qué va a ser importante? Y para nosotros lo importante era que fuera, eh, accountable. Que-- quieres decir que yo pudiera verificar qué está haciendo también para aprender. Oye, ¿me ha descubierto la cura del cáncer? Yo quiero que... ¿Cómo? ¿Qué me-- ya, y qué nos faltaba por entender? ¿Qué no entendía en el proceso?

Y esa es un poco el porqué de Maisa, eh, el, en la vista de largo plazo. Lo que pasa que somos un poquito así también, que nos mola el, el, el ir fuerte al mercado, porque, oye, el mercado dice: "Oye, pues y-yo no quiero estar equivocado, porque ayúdanos a entenderlo, pero nosotros no venimos a tumbar todo el resto de gente que está haciendo otras cosas porque hay mercado ahí.

Venimos a-

O sea, ¿no hay nadie haciendo lo que vosotros hacéis?

Tal cual, no.

Mhm.

En este momento no. Porque además ocurre otra cosa. Es muy, es, es muy complejo de escalar. Eh, o sea, a nivel-

¿Cómo es la escalabilidad? ¿Cómo escala esto-

Ah

...cuando tienes, eh, mil instancias de este, de este worker?

Lo que más cuesta es la... o sea, ya no son instancias, el worker lo tienes una vez. Lo que escalas es por la demanda, cuánta concurrencia necesito. Eso es lo más complejo. Eh, gestionar la, la concurrencia, la demanda y los picos de demanda. Es lo principal.

¿Es máquinas?

Sí, es-- pero, pero es-- sí, pero claro, es máquinas, pero con credenciales, pero guardando imágenes. Pero es que este o-- esta, este run tenía esto y este otro run tenía lo otro. Cuando digo run me refiero a ejecución. Es que cuando lo utiliza David tiene que-- tengo que acceder a, al servicio de este sitio, de ahí me tengo que traer su autentificación.

Todo eso es un, eh, es más complejo de lo que parece.

Que esto es un, eh, básicamente un play de infraestructura ya, ¿eh? O sea, es-

Mhm

...cómo escalar muchas instancias de muchos workers.

Que tienen governance, que me guardo y tal, y que además sea eficiente económicamente y al mismo tiempo me cambia a GPT-5 y acaba de salir So-Sonnet 4.4 y mi cliente no puede utilizar este modelo, solo puede utilizar OpenAI o solo puede utilizar Gemini o solo puede utilizar Claude. Y yo sé internamente que-- o sea, sabemos que es-- por eso yo siempre digo-

¿Tú vas a clientes muy grandes que tienen, eh, pues procesos muy críticos y regulados-

Sí, eso es

...no? Y les cobras un millón de euros.

No, también vamos a clientes que son, eh, pequeños y no, no-- cuando digo pequeños me refiero a que se pueden permitir 80, 100 K al año, donde les damos 15, 10, 15 trabajadores digitales, que es muchísimo, eh, porque puedes hacer tareas supercomplejas y, m, y con eso lo tienen. Tiene la plataforma 10 o 15 ca-- trabajadores digitales por 100 K al año y, y sin límite de uso.

Pero también estoy pensando a nivel de errores, exactamente que tú estás ya-

Sí

...ah, diciendo, que hay un montón de-

O sea, n-nunca va a la primera, ¿eh? O sea, obviamente, la primera vez algo te va a hacer-

No, no en ese sentido. Es como hay un montón de APIs externos, credenciales, cosas, tokens revocados y todo esto. ¿Cómo, cómo soporta, eh, eh, todo este ecosistema aquí?

Esa es la-- por eso digo que es complejo de escalar y luego va más, eh-

No, pero ¿quién también está haciendo esto? Es una persona dentro de, de una compañía.

Sí, el equipo. No, no, nosotros-

Vuestro, vuestro equipo.

Sí. Nuestro, nuestro equipo es el que nosotros tenemos personas que para esos clientes se encarga de, de traer, de ayudar en ese-- como si fuera un forward deploy engineer, pero más SREs, DevOps, que, que les ayudan en esa parte. Hay muchas cosas que os digo que no están resueltas. O sea, Maisa está en el 10 % en este momento.

Eh, habremos levantado y-- pero est-esto está en pañales. Y no, no en pañales-- os hablo de, de todo el mercado. O sea, nosotros iremos por delante, pero yo veo todo lo que nos queda por delante y digo: "Es que hay tanto por resolver". ¿Ya puede funcionar para producción? Sí. ¿Puede funcionar para todos, para todo el mundo, que todo el mundo entre?

No, ni nosotros ni el mercado está ahí.

El wo-el worker de las facturas, ¿sigue funcionando o no?

Sí, sí, sí, sigue. Tres mil horas, ha-- es, tiene unas 3000, 4000 llamadas al mes, más o menos.

¿Cuánto lleva pagando este cliente por este worker?

Pues desde enero.

¿Y cuánto paga?

Poco. Es el primer cliente. Paga unos 500, 600 al mes.

600 € al mes para procesar las facturas.

Claro, pero tú sabes lo que se vale un bot de RPA. Un bot de RPA que ne-- y dabas tres para hacer ese un 65 % son 15.000 € al año.

Con UI path.

15.000 €, por ejemplo, sí. O sea-

Que por dentro también tiene un OCR. O sea-

Tiene su propio OCR.

Tiene su propio OCR.

Eh, eh, y a-- una ventaja que nosotros tenemos, que mola, es que somos agnósticos a los modelos, etcétera. Y esto es un caso de uso de nuestra tecnología, que es la KPU. Pero lleva mi tecnología fuera de Maisa, aunque aquí te ayuda mucho, ¿no? Pero le meto, eh, acceso a Gemini, al ordenador, eh, le me-- a, a, a Sora 2, al API de Sora 2, le meto acceso a ElevenLabs, le meto acceso, l-- como APIs me refiero, eh, eh, y le doy los credenciales del entorno y le digo: "Ejecútame una película", y será-- son truño, eh, no son muy buenas, pero lo hace bastante bien.

Eh, nosotros lanzamos dos KPUs, la primera el año pasado, en marzo del año pasado, ah, que mejoraba-- que no sabíamos para qué utilizarla, eh, sinceramente. La segunda, a final de este, eh, del año anterior, en octubre, que le llamamos Vinci KPU, que igualaba el performance de uno utilizando un modelo, eh, más pequeño, que era Sonnet 3.5.

Salió uno y dijimos: "Pues mira, esto se puede hacer ya con un 3.5 y a una fracción del coste". Eh, y ahora pro-pronto yo creo que lanzaremos algo gordo, eh, eh, una KPU. Eh, ahí estamos, eh, tenemos ya el camino y está avanzando, pero la-

Gordo, gordo, ¿en qué sentido?

En que a día de hoy un trabajador digital, pues te puede trabajar máximo Replit creo que llegó a doscientas horas públicamente o algo así. No, doscientos minutos creo que fue. No, doscientas horas era una burrada.

Sí, como tres horas máximo o algo, algo.

¿Cuánto era?

Tres horas o no sé qué. Ahora Cloud Code está aún diciendo que mira catorce horas o algo, no, no me acuerdo, pero no son tantos.

Es gordo en esa dirección.

Vale.

Pero también te digo que no es solo más tiempo, es la profundidad de lo que puedes hacer. Tú piensa qué pasa. Hay mucho por investigar, ¿eh? O sea, y pero tenemos una vía y está funcionando. Eh, ¿qué pasa cuando esto se llama a sí mismo y comparte entorno? Entonces, ya te digo que todavía lo que os hemos dicho del function call todavía tiene más peso.

Ah, ¿qué pasa cuando se llama a sí mismo y, eh, los hijos pueden trabajar con ficheros y gestionas el contexto, la ventana de contexto virtual? Pues esto puede hacer cosas mucho, mucho, mucho, mucho, mucho más complejas y largas, ah, de hacer, que no hace falta para el mundo real. Al final, aquí hay gente que quiere invoices, cierre de cuentas contables, eh, eh, trade-- algunos casos de uso que sí son más complejos, pero bien.

O sea, al final mola porque nosotros somos una empresa de-- a mí me mola. Somos una empresa que nos-- que venimos de hacer deep tech y que nos mola el, el ir deep y el: "Oye, que no todo es hacer foundational, que en la capa de encima, y eso que venimos de ahí, hay muchísimo valor por crear y, y es-- y mola bastante.

¿Cuánto facturáis? Perdona volver a la realidad.

Gracias. Cuatro y algo. Ah-

Cuatro millones de euros.

Sí.

¿Con cuántos clientes?

Siete, casi.

Siete.

Sí.

Y los clientes son grandes bancos.

No, todos no. Ahora van a venir más. Entonces, espero que la facturación crezca bastante. Eh, eh...

¿Como cuánto? ¿Cuánto esperas que crezca?

Bastante. No lo sé. Es, es parte del juego de negociación que tengo ahora, que tenemos ahora. No, espero que suba, pero mi-- pero yo no miro en el corto plazo. O sea, no, no miro de hacer un lovable cien millones, guau, estoy haciendo esto. Yo miro de sustainable business y si ahora a un banco le tengo que cobrar un millón, dos millones, seis millones, que suena mucho, pero es que lo que pagan a otros proveedores son treinta millones, cuarenta millones, pues no pasa nada.

Yo ahora voy a intentar ser el único vendedor del mercado que les puede so-- les puede ofrecer una capa de auditabilidad y trazabilidad, darles una solución que les funcione para los casos de uso que tenga, que pueda hacer land and expand, que pueda ir across departments, que tengan todo el governance de los datos y que lo puedan tener mañana, que no es, no es así porque hay que pasar por el CISO, seguridad y todo lo que quieras.

¿Y a nivel de margen?

Si vas on premise, pues el-- yo te pongo recursos. Esos recursos es donde me lo cojo.

No, porque yo estoy pensando que al final todo el mundo ahora está diciendo que la IA va a ser más barato, todo, todo bien. Pero en vuestro caso, las máquinas y todo, más o menos el coste es, ah, no cambia tanto.

Llega a ser más alto que la IA.

Exacto, exacto, por eso yo estoy pensando lo mismo.

Sí, o sea, depende del, eh-- nosotros donde menos ganamos es en el cloud, pero es donde más ap-- no, bueno, no es donde más ape-- también, ¿eh? Pero me aporta también mucho tener clientes en el cloud. Entonces, porque nos permite aprender, eh, también. Eh, porque un enterprise es mucho más cerrado y en un cloud puedo meterte posthook aunque sea para saber qué vas, qué vas clicando, eh, aunque no vea lo que haces, ¿no?

Ah, los márgenes ahí son mucho menores, eh, ah, y al-- hemos ido a pérdidas en algunas cosas, en plan, eh, pero en, en la parte de enterprise los márgenes son mucho más altos, porque son premise. Entonces, nosotros no pagamos la infra, etcétera. Ahora bien, la exigencia es cincuenta equis, ¿eh?

O sea, es, es-- la exigencia es altísima. Ah, el cliente lo quiere, lo quiere ya, y si lo quiere ya, se lo vas a tener que dar ya, porque están pagando y, y porque al final, eh, nosotros nos, nos viene bien también esa, ese push y esa presión de-- porque nos hace correr.

Yo hay una metáfora que digo siempre, y no me quiero ir por las ramas, que es que esto es una, es una, es una maratón de keniatas. El, el mercado en el que estamos es salvaje, es una maratón de keniatas. Eso es una broma, porque una maratón de keniatas yo no la aguanto. O sea, no aguanto ni un kilómetro, que son a dos cuarenta el minuto y son cuarenta kilómetros.

Y aguanta tú así, eh, el ritmo. Y nosotros es algo que, por ejemplo, a nivel cultural de empresa, es algo que estamos viendo que es muy importante en este mercado, eh, relacionado con márgenes incluso. Eh, vemos que es superrelevante el, el-- la cultura de equipo, el cuidarla y el al mismo tiempo saber decir que no a clientes para poder dar buen servicio a los que tienes ahora, aunque pierdas margen en algunos sitios o menos, porque ahora mismo no hay nada mejor que estar con un cliente en un mercado que n-- está todo por descubrir y ver qué problemas hay más allá de que me haga bien la tarea.

Porque eso es lo que os aseguro que el mercado no está viendo. Cuando consigues que te haga bien la tarea, el espectro de problemas que se te abren es, os digo, es todavía mayor. Autorizaciones, compartir, roles y governance, eh, pf, eh, control-

Una, una reflexión. Eh, Mercor, que ahora pasa a ser la empresa de más crecimiento de la historia, supuestamente.

Sí.

Eh, que ha ido de un millón a quinientos millones en 20 meses, o no sé, eh, una locura.

Sí.

Eh, ellos encontraron el volumen vendiéndole a los grandes labs. O sea, experimentaron con varias empresas buscando pains cada vez más grandes y acabaron vendiéndolo a los propios labs.

Mhm.

De-- ¿no? Los frontier models. Eh, ¿no tiene sentido para vosotros hacer algo parecido, de ir a buscar la-- el, el pain más grande posible, el cliente más grande posible, facturar mucho ahí, generar mucho volumen, eh, y luego ir bajando poco a poco?

Puede ser. No te puedo decir que, que no puede ser. Ah-

Depende de cuál sea el objetivo, ¿eh?

El objetivo ahora mismo es conver-- es lo que estamos intentando hacerlo, convertirnos en el referente de enterprise a nivel B2B, de-

Eso lo quiere hacer mucha gente

Pero de empresas reguladas, en nuestro caso. Nosotros no, no queremos convertirnos por decirlo. No te conviertes en algo por decir que lo eres. Te conviertes porque el mercado te reconoce como tal. La única forma de hacerlo es cerrando clientes, haciendo que estén contentos, que hablen bien de nosotros, que les guste lo que hacemos.

Sí, pero, pero tú lo has dicho que el proceso de meterte en un cliente en este, en este mundo regulado-

Sí.

Es lento-

Sí

...y difícil, ¿no? O sea, solo el acceso, solo el entrar por la puerta, encontrar al "stakeholder" y explicárselo ya lleva meses.

Estoy de acuerdo.

¿No? Entonces, por eso digo, o sea, que cómo eliges el camino para escalar en esta maratón de keniatas que tú dices, lo más rápido posible, ¿no? Si es que es el objetivo.

Sí, lo, lo, lo, lo es, lo es. Darte cuenta de que no lo puedes hacer solo es un primer camino. Ah, y que tienes que encontrar "partners". Y "partners" pueden ser consultoras, pueden ser integradores-

Mhm.

Y pueden ser otros que ya estén dentro de esos clientes. Y que tú, en nuestro caso, Maisa, nos centramos en banca, financieros y, y oportunistas con algunas oportunidades que consideramos que son, que son interesantes, tanto en España, Europa, como en Estados Unidos en este momento.

Que es lo que estamos haciendo. Nos centramos ahí, principalmente, y luego, eh, damos "onboarding" a nivel cloud a usuarios que, pues, podéis ser vosotros, que son más técnicos y que pueden ir más independientes y que no tengo que ir-- no hay tanto que hacer a nivel complejidad y esto ya les va a aportar un valor enorme. Pero luego para hiperescalar hace falta "partners", eh, tanto con los cloud providers como con, ah, "integrators" y luego escalar a nivel de, de equipo y foco.

Pero ahora mismo no hay nadie. Ah, te lo digo a nivel mundial y hablamos con los model providers, eh, de estos temas, porque n-- a nivel mundial, ¿qué puede ofrecer el valor que nosotros estamos dando al sector que estamos yendo, que es banca y servicios financieros en este momento? Me refiero a nivel de core, de empresa, de esos whales que buscamos.

Entonces, si en el corto, corto plazo nos convertimos en los próximos ocho, nueve meses en el referente para servicios financieros y bancarios de, eh, trabajadores digitales, agentes de ia agéntica, suena bien. Y si en paralelo yo tengo a consultoras yéndome a telecom, energía, etcétera, porque ya están dentro y les está funcionando, pues doble bien.

Y si a la vez, eh, tengo la parte de cloud con el mismo producto, todo, ¿eh? Todo el rato es con el mismo producto, donde tengo clientes más startaperos, más tecnológicos, que no tengo que hacerles un "onboarding" ni estar tan, tan, tan, tan, tan pendiente como un "enterprise", y puedo darles un servicio de calidad, pero no tengo que estar veinticuatro siete, ¿sabes?

Eh-

Mhm.

Ahí es donde empiezas a encontrar que hay un filón y por eso levantas y vas a por él. Y te-- y alguien tiene que hacerlo y a nosotros nos mola. Eh, y queda mucho por hacer. Es que a mí es lo que me gusta y al mismo tiempo me da...

¿Vosotros sois rentables? Has dicho que sois 40 personas.

Eh, s-- a día de hoy casi. Eh, o sea, lo fuimos, ah, levantamos y ahora estamos en un momento en el que no, pero si quisiéramos podríamos. Es lo que-- pero ahora mismo no estamos pensando en eso, sinceramente.

¿Cuántos sois?

Casi 40.

¿Y cuántos queréis ser a...?

60 a final de año.

¿Qué perfiles?

Perfiles de producto, eh, de UX, principalmente. Algunas personas de UX. Hay muchísimo que, que hacer ahí. Perfiles de, eh, IA, pero más una mezcla de no es solo IA aplicada, es una mezcla de IA aplicada con Python, con otros lenguajes. Un poco gene-- gente que sepa programar muy bien y que tenga intuición por la IA.

Y, eh, y luego perfiles de foro-- yo te diría que de clientes, orientado a cliente, tanto la parte de ventas de go to market como la parte de, eh-

De BOPS.

Exactamente. Forward.

Que, que hay muchos de esos, ¿no?

Sí.

¿Sí?

No. Y menos de lo que buscamos. Pero, eh, esos principalmente. Al final, nuestra-- nuestro foco ahora mismo es mejorar el producto, aprender, ah, cuestionarnos todo lo que nosotros mismos decimos.

¿De dónde sacáis el talento? ¿Estáis en remoto o en la oficina en Valencia?

Tenemos opción Valencia, eh, también, pero principalmente es remoto. O sea, la oficina va el equipo que está en Valencia un 60 % menos, eh-

¿60 % de los, de los sesen-- de los 60?

Sí.

Los 40.

Bueno, lo he dicho un poco así al tontón. Es que como voy contando, antes éramos más, pero a la oficina iremos unos 10.

Bueno.

Eh, puedes hacer que la gente vaya viniendo más, pero va el equipo más técnico. El-- ingeniería sí que está más en Valencia.

Mhm.

Y el talento, ¿de dónde sale? Pues viene un head of talent ahora que viene a ayudarnos a, a escalar el talento. A-

Ya está resuelto. Ya está.

No está resuelto. No, no. Ya te digo que eso es-- esa es mi respuesta de: hace falta ayuda. Eh, hace falta ayuda. Vienen-- mira, en Valencia vienen talento más del que parece, porque hay mucho persona que vino por COVID, que trabaja para empresas tecnológicas, que no se quiere volver a trabajar a Estados Unidos.

Y os sorprendería que hay más número del que parece. Ah, pero vamos a remoto. O sea, es imposible escalar, eh, al, al-- para nosotros es imposible escalar si no es en remoto ahora mismo para el tipo de talento que necesitamos.

Vale. Eh, ¿cuánto habéis levantado?

Levantamos una pre-seed de cinco y una seed de veinticinco.

La pre-seed de cinco, ¿cuándo?

En-- se anunció en diciembre del 24.

Vale. O sea, hace nada.

Se anunció en diciembre, sí, pero fue a mitad de año oficialmente.

Y pitcheasteis a todos los fondos de España, me has dicho, incluyendo Itnig. Aunque dices-- o sea, yo no te, no te había visto antes.

Yo creo-- no, no hablé contigo. Hablé con-- no hablé contigo Eh, pero sí que fue con-

Qué pena, porque me hubiera encantado la conversación, ¿eh? Y me, y me acordaría.

O sea, pincheamos a, pincheamos a, a-- hicimos España, Europa, Estados Unidos. Eh-

Y solo os escucharon en Estados Unidos.

Nos escucharon en muchos sitios. Nos entendieron muy pocos porque no sabíamos expli-- mira lo que me ha costado hoy explicarlo, porque imagínate en un momento en el que ni si-ni siquiera sabía para qué servía. O sea, yo sabía para qué servía a nivel fundacional. Oye, alucinación, en plan, yo lo hicimos para cero por coma las limitaciones de los LLMs.

Y nosotros teníamos un motor que podía utilizar herramientas en ese momento y no-- y te iba a veces, pero estaba ahí, pero veíamos unos resultados en benchmarks que tu-- que hacían cuatro X el performa de GPT-4 utilizando GPT-4. Y, y no sabíamos qué hacer con esto. Entonces, si hoy ha costado esos pequeños detalles que en la escala importan, son los pequeños detalles que, que-- por eso es un cambio de paradigma.

No es que miramos a otro punto, pero, pero ese punto, si lo escalas-

Mhm.

...en el tiempo, sí que es muy distinto, como, como se ve, ¿no? Nosotros encontramos este tipo de cosa, que había un challenge enorme, pero íbamos con un mensaje un poco también agresivo de que RAG no va a escalar para casos de uso que vayan más allá de chatbots. Luego han salido mil papers que, que prueban esa dirección. Entonces, ¿qué nos pasó?

Obviamente, nos pasó una respuesta de f-- eh, éramos dos, tres, o sea, un equipo muy pequeño de cuatro o cinco personas. Teníamos muy poca caja, o sea, unos cuatro-- cuatro-- 300 K, 400 K.

¿Que de dónde salieron esos?

De business angels. Eh-

Pablo Fernández.

Pablo Fernández y otros business angels que se unieron a-

Mhm.

...a echarnos una mano, eh.

Pablo nos presenta, ¿no?

Y nos-- exactamente.

Mmm.

Y, y nos encontramos un: nos cuesta explicarlo lo que hacemos, porque somos los primeros en el mundo hablar de razonamiento, literalmente, eh, y en ese momento no estaba en la mesa. Eh, y al mismo tiempo-

Que todo el mundo habla de razonamiento, pero lo que dices es que no es razonamiento.

Sí, sí que-- o sea-

Claro

...es que esa es una conversación profunda, si reasoning o no lo que están haciendo los modelos. Eh, yo tenía-

Me encantaría, ¿eh? Estas conversaciones.

No, a mí también. Te, te hablo a nivel de concepto.

Vale.

A nivel conceptual, nosotros somos-- le llamamos reasoning engine en su momento. Insisto que nuestra dirección es un sistema operativo de IA, pero no está todavía la tecnología ahí, pero es nuestro, nuestro-- nuestra dirección. Tenemos la validación de que Carpathia, al final del 23, habla del LLM OS.

Mhm.

Entonces, decimos: "Vale, no somos los únicos locos que vemos esto en esta dirección." Y hacemos la preseed de cinco en Estados Unidos, porque la respuesta que encontramos en España es: nos entendemos que es, es, es, es nuestra también. O sea, es de no, no sabernos explicar, obviamente, porque éramos una tecnológica, literal.

O sea, habíamos hecho tecnología, ni caso de uso ni producto.

Mhm.

Sabía-- tenemos una tecnología muy potente, con una-- que, que no sabíamos ni los beneficios más allá que tenía. Descubrimos con el tiempo lo de la: ostras, que hay un mercado que valora la auditabilidad y valora la trazabilidad.

Jo, sí la valora.

Y, pero no-- y la trazabilidad. Y fuimos a Europa, nos encontramos un poco lo mismo. Hay que decir que sí que hubieron fondos en España y el-- que creyeron en, en, en, en nosotros. Eh, no, no grandes, me refiero, no de liderar, pero sí de acompañar y que fueron-

De estos siempre hay, de acompañar.

Sí, pe-pero, pero, pero es que había-

Eso va de liderar.

Sí, pero de acompañar tampoco te creas que había mucho. Pero vieron...

Cuando tienes un líder de una ronda, tienes un acompañante.

Sí, estoy de acuerdo. Y luego en Europa tuvimos un montón de investment committees. Nada, no salía.

¿Ah, sí?

Sí, sí. Y volé a San Francisco y aterricé un miércoles.

Fuiste físicamente.

Sí, sí. Ya tenía-- ya había abierto conversaciones, etcétera. Ya tenía cosas aterrizadas. Yo aterricé un miércoles y el jueves tenía un transit.

Ya.

Eh, literal.

El mindset es de otro ahí, ¿no?

Literal. Pero esto es así, ¿eh? Eh, y de repente, todo Europa me vuelve a llamar.

Sí, claro, claro. Que es tremendo, ¿eh?

Y luego hicimos-- eh, quemamos muy poco porque no somos una intensa y ya está. Y luego al final del, eh-- y luego-

Hicisteis la ronda de cua-- de cinco.

De cinco, sí. De cinco millones de dólares, en-- que en euros son menos. En-

La mitad del año pasado.

Sí, exactamente, que se anunció en diciembre.

Vale.

Estuvimos un poco callados, tirando, ah, y probando muchas cosas. Y luego ya encontramos el producto a final del año pasado. Es que es eso, eh, a final de año pasado empezamos a tener intuición porque fuimos a B2C-

Era preproducto.

Sí, sí.

Os invirtieron cinco millones.

Sí, exactamente. Pero porque es que hay que tener en cuenta, yo no, pero hay que tener en cuenta también quién, quién es, quién es Manu. Es que Manu...

Ya.

Manu tiene mucho prestigio. No solo prestigio, que es que el tío sabe. O sea-

¿Y esto lo hicisteis a una valoración de 20 pre o 25 post, por ahí?

Sí, de ese palo.

Vale.

Ese palo. Y luego ya, eh, ahora no buscábamos ronda como tal ahora mismo, o sea, porque ya estamos en una buena situación. Lo, lo estábamos hablando: vamos, no vamos, vamos, no vamos a, a la parte de la, de la ronda.

Y os persiguió Peter.

Y Peter fue uno de los fondos que-

Peter Spek, que es nuestro board member.

Sí.

Es casualmente el que ha liderado la ronda.

Sí, Peter creándome-- la, la ha liderado junto con Forgepoint Capital.

Vale.

Eh, ah, y que es un fondo de ciberseguridad que tiene relación con bancos y demás.

Vale.

Y, y bueno, y, y NFX y Village Global, que son los de la preseed, han, han hecho, eh, han, han, han hecho la...

Prorrata.

Exactamente.

Mhm.

Y eso ha montado el-- y eso ha sido esto. Pero no buscábamos como-

Y eso-- y la segunda es de 25 millones de euros.

Sí. Eh, no, dólares, dólares.

Dólares.

Dólares. Eh, y...

Y eso es una valoración de más de 100.

Por ahí van los tiros. Pero no es pre-revenue, ya no es-- ahora ya es con validación de los buyers, con un pipeline realista, ah, muy realista y, y realmente el, eh, es, es un beta en la ejecución, te diría. O sea, ahora yo siempre se lo digo al equipo: "Depende de nosotros, eh, y depende de muchas otras cosas, ¿no?

Del mercado, de tal, pero tenemos real-realmente depende de lo bien que lo podamos hacer y es muy difícil.

Mhm.

O sea, ahora-- pa' mí, por eso cuando la gente te felicita: "Hostia, tío, 25". Y digo: "No, tío, felicidades". De que-- no, no, que lo que viene por delante, eh, hostia, eso es algo que yo veo mucho.

A mí me pasa lo mismo, ¿eh? Cuando la gente te felicita por una ronda y dices: "No, no, de momento lo único que celebro es que me he diluido".

Exactamente, que me he diluido y que tengo más presión y tengo que hacer delivery y que, y que tengo que correr. Em, pero lo vamos a hacer. Yo-- o sea, tenemos muchísima convicción de que el camino que estamos cogiendo es el correcto, ah, y al mismo tiempo-

¿Te imaginas el futuro--? Perdona que te interrumpa.

Sí.

¿Te imaginas el futuro, em, como un sistema operativo? ¿Q-qué significa? ¿Puedes desarrollar un poco más esta visión? O sea, un sistema operativo basado en IA. O sea, no hay, no hay el sistema operativo, no hay los ordenadores tal y como los entendemos a día de hoy, en el futuro que te imaginas.

Yo me imagino que tengo-- puedo tener un dispositivo que no visualizo todavía a día de hoy, pero que los programas se construyen "on the fly". O sea, eh, todo se hace-- la UI con la que yo interactúo se hace "on the fly". No quiere decir que sea distinta cada vez que la utilizo, quiere decir que se hace "on the fly" porque reacciona al entorno, por ejemplo, y se me va adaptando a lo que tengo, donde las bases de datos, eh, forman parte del contexto de un modelo, porque no me hace falta, porque tienen trillones de, de ventanas de contexto y donde al final todos los sistemas tienen una parte, siguen-- seguimos teniendo un legacy, digamos, de, de, del, de que queremos

tener, porque hace falta, ¿no? Hay que poner algunos tipos, pero todo lo que tiene que ver con la interacción con el humano es muchísimo más dinámico. Ah, yo creo que la revolución de la IA está en cómo interactúan los humanos con la tecnología. Eso es lo que yo creo que va, va-- lo que lo cambia. No va solo la inteligencia, es cómo va a cambiar la forma en la que nosotros interactuamos con la tecnología.

Y eso sí, pues filo-- eso es muy profundo filosóficamente, porque ahora hemos estado limitados a las manos y a la boca, principalmente, y a incluso al habla, y no tanto, porque Siri tampoco nos hacía mucho caso. Y ahora, cada vez más, vamos a ir saltando capas, ah, y vamos a, a encontrar nuevas formas de, de, de interactuar con la tecnología, que para mí es casi con la realidad.

Eh, y yo creo que eso va a provocar-- y eso, en el fondo, yo creo que va a ser el concepto de sistema operativo, eh, que es un sistema operativo como definición. Al final, eh, esto viene de mano, eh, como lo ve, eh...

¿Cómo tú ves defensibilidad de todo esto? Porque ahora yo veo que cada estos players grandes, Gemini, hay un ejemplo, un experimento con generar código "on the fly", como todos esos UIs, Claude lo mismo, OpenAI con Mira. No es así, pero es, es un poco el mismo concepto. Vamos a generar, ah, esos widgets "on the fly" y todo.

Claude ha hecho eso.

Sí.

O sea, Claude acaba de sacar una herramienta que se llama Imagine.

Exacto, exacto, exacto. Por eso te digo lo mismo, que al final ellos también juegan y yendo esto un poco a esta dirección. Por eso- Y también con el hardware, ¿no? Porque, pues-

Sí, sí

...OpenAI dice que quiere montar.

O sea, pero si te refieres a defensibilidad de Maisa o defensibilidad de-

Exacto, exacto. Porque mañana imaginamos OpenAI o Claude está-

Yo, yo lo que os he dicho es-- ya no es la visión del sistema operativo, es como creo que va a ir cambiando, ¿eh? Eh, a nivel de sis-

Sea quien sea que lo haga, ¿no?

Sí, eh, o sea, nuestra defensibilidad se basa en, en que a día de hoy somos los únicos que sabemos que, que cuesta llevar a producción varios casos de uso de la magnitud que estamos haciendo. Hablamos de casos de uso que son 40.000 horas al año de humanos, de gente de que vale-- que cobra 40.000 euros, con equipos de 70.

O sea, y el coste es que los números les salen muy bien. Somos muy baratos en este momento, eh, para quien nos contrata. Em, parece que no, ¿eh? Pero si haces los números, salen. Ahora bien, la defensibilidad está en literalmente, eh, seguir aumentando la estancia que tenemos de aprendizaje en el mercado, seguir apostando por la convicción que tenemos en esta dirección.

Si el mercado nos dice que vamos en otra dirección, ser los-- capaces de movernos si hace falta a nivel tecnológico. De momento, nos está yendo bien por esta dirección.

Hay mucho trabajo a hacer en esta dirección. El tema es que haya una, una innovación, un, un-- que salte la capa de abstracción de la tarea en la que estáis trabajando vosotros, porque pues literalmente estáis yendo a tareas que ya están automatizadas con RPA, ¿no?

No, no, no. No, no. Nos-- estamos yendo a lo que RPA no ha llegado, que es el 90 %.

Vale, pero estáis dentro de un, de un proceso que tiene claro el input y el output, vamos a decir, ¿no? Un, un sub, sub, subproceso dentro de un negocio.

No, no.

Pero tú no le puedes pedir a un negocio que...

Automatización de crédito-- de, de la aceptación de créditos de coche no es un subproceso. Tiene muchos subprocesos, que son tareas que hace, son los pasos que estás viendo que el proceso hace. Tiene que leer la documentación, buscar en las NEF si es un moroso o no, tiene que hacer tal, tiene un montón de cosas.

Pero no son procesos pequeños, son end-to-end. Son-- hay un humano que está cobrando X tanto al mes por hacer esa tarea.

Bueno, un humano no. O sea, un departamento de riesgos de un banco.

También.

Son-

Es uno de los de-- es uno de los focos que tiene, eh.

Centenares de humanos o miles de humanos.

Los productos financieros están a día de hoy funcionando y tienen ese latency porque están operados por humanos que aunque puedan tardar lo mismo que la IA, no se ponen a hacer la tarea de forma inmediata. Eh, y, y siguen te-- sigue formando la parte de la jua-- de la ecuación. Es mejor coger a ese humano que a lo mejor ahora ya está haciendo la tarea, que ya conoce todo el banco y enfocarlo en hacer la otra parte que todavía no ha llega-- no llega a la IA, y así, y así gradualmente.

Vale.

Em Pero no son pequeños, eh, procesos ni, ni son RPAs. De hecho, nosotros no atacamos a RPA directamente en el sentido de si tú ya tienes RPA, déjatelo. Está funcionando, ¿para qué lo vas a quitar? Lo que funciona no lo toques, ¿no? Y luego ya, cuando ya yo esté metido y ya tengas éxito, pues lo mismo ese invoice processing que tienes en un 60 sí que te lo puedes quitar más rápido de lo que parece con un, con un worker, porque se crean superrápido.

Hombre, si funciona mejor en cuanto a calidad del resultado-

Sí.

...y me bajas el coste-

Sí

...pues claro que lo voy a hacer, ¿no?

Pero-- sí, pero nosotros entramos-

Y además es muy fácil de entender. O sea, mmm.

Sí, sí. Lo sé, pero nosotros entramos a lo que no pueden hacer, que es todavía más.

Ya.

Porque luego hay mucho que entender las enterprise de quién y quién lleva esa ma-- esa, esa cuenta y-

Entráis, entráis en los bancos por, ¿por dónde? ¿Por el CEO o por el, el técnico?

Pues en caso de bancos, eh, nosotros, eh-- tienes-- no puedes entrar por un solo sitio, tienes que entrar por muchos y al final no hay un solo buyer. En, en enterprise no te compra una persona, te compra un equipo y te compra una, una visión de la empresa, digamos. Entonces, eso va desde arriba dirección, ah, que en equipos de I-- de IA, te diría.

Ah, pero luego ya cuando vas hacia abajo nos separamos de esa parte de IA, que se vuelve un challenge, eh, porque al fin y al cabo no-- ya, ya hemos tenido malas experiencias ahí y nos vamos a la parte más de RPA, process, eh, digital transformation, automatización.

Malas experiencias con las áreas de innovación.

Sí, en algunas veces sí.

¿Por qué?

Hemos tenido buenísimas y no tan buenas. Porque no con las áreas de innovación.

¿Tienen demasiada opinión? ¿Tienen demasiada opinión?

Con las-- con-- no con las áreas de innovación, con las áreas de, de IA, incluso algunas veces tecnología. Porque-

Se ven amenazadas.

Por lo que ha pasado. O sea, y por-- aunque nosotros vayamos con otro discurso, vamos con otro discurso y ellos llevan in-invertido un año. Entonces, de una forma indirecta estás diciendo-- lo ven como competencia. Cuando yo muchas veces digo: "Tío, sigue haciendo tus chatbots y utiliza lo mío como API si quieres para tus chatbots o para lo que estés montando". Si-- pero la gente-- l-la IA desde fuera parece muy fácil.

Joder, si es prompt engineer, es muy fácil y desde fuera parece muy fácil. Y tu-- y, pero cuando te vas metiendo, vas viendo que de fácil no tiene nada. Y entonces-

Dices que sí con la cabeza, ¿no?

Totalmente, totalmente. Entonces-

Es easy to start, hard to master o whatever.

Eso choca mucho a las empresas y te encuentras una resistencia. Pero que es normal. Eh, yo también lo-- yo también me resisto a que me pongan otros puntos de vista. Intento tener la mente muy abierta y nosotros hemos aprendido mucho por el camino. Y e-- a lo mismo hablamos en un año y te digo: "Oye, ¿cómo podía decir eso?"

Mola tener la mente abierta. Hablando de mente abierta: ¿AGI?

Eh, mira, mi opinión de la AGI es que en cierta manera ya está aquí, ah, solo que la estamos conceptualizando. ¿A qué me refiero con eso? Yo no estoy de acuerdo a que la AGI vaya a ser un, un monolito, que quiere decir que vaya a ser un solo modelo. Al igual que nosotros no somos un solo-- una sola unidad, somos un sistema.

Yo creo que la AGI va a ser un sistema, ah, porque si tú te planteas un thought process, o sea, un pensamiento, tienes la AGI y le das un ordenador, ¿es más AGI todavía? ¿Cuál es el límite de AGI que tienes? ¿No?

¿Cú-cuál es tu definición de AGI? Hay muchas, eh, últimamente.

Es que para mí, em...

O de ASI.

Lo sé, lo sé. Eh, o sea, y el, y el ACI, ¿no? Que es como lo siguiente, que es, que es como decir Dios sin decir Dios. Es como ellos lo plantean, casi como si fuera un dios sin decirlo, por-- ¿no? Es como una religión ya, se está haciendo religión. Yo la IA lo veo como un micelio. Em...

¿Qué es esto?

El micelio es la fuente de fungus, de hongos, de-- que existe debajo de los bosques, que como nodos no son inteligentes, pero como conjunto se reparten los nutrientes y son capaces de avisar a la otra parte del bosque de que hay un incendio y de que, pf, tampoco pueden moverse, ¿no? Pero para repartir recursos y, y demás.

Em, pero yo lo veo un poco como, como micelio. Por eso yo pienso que si-- es-esto es un poco-- si tú te pones a reflexionar a día de hoy cómo la gente ya-- cómo concibe su opinión y su forma de entender el mundo, ya está más influenciado por la IA de lo que creen.

Porque consumen contenido de TikTok, YouTube y otras redes sociales que ya se lo está recomiendo una IA, es un nodo. Ya no-- ellos ya no son los que deciden qué consumir. El cons-- lo que deciden qué consumir ya les está viniendo por distintas fuentes con recomendaciones de sistemas de IA. Que no están interconectados.

Bueno, eh, luego el siguiente punto, ya no solo a la hora de también comunicar, ya la IA está empezando a jugar un papel clave. ¿Cuántos correos escribimos, eh, eh, de verdad nosotros? Mmm, pues, yo no todos. Hay veces porque no me expreso tal y digo: "Ah, ¿cómo digo esto en inglés?" Tal.

Pues lo, lo cambio. Pero ya está jugando un papel ahí. Encima ahora que viene más la generación de contenido. Entonces, ya está influe-- en mi opinión, ya está influenciando de alguna forma u otra una inteligencia que no es humana, que no se puede comparar a los LLMs, es otro tipo de, de IA, al igual que como digo lo de los fungus, ya está empezando a influenciar en, en cómo nosotros vemos el mundo y lo, y lo entendemos.

Yo creo que no va a haber un día en el que digan: "Ha nacido la AGI". Yo veo a la AGI como Internet. ¿Cuándo nació Internet? Bueno, ¿con la WWW? Con, con Astro-- o sea-

Arpanet.

Arpanet, militarmente. ¿O nació cuando salió la World Wide Web o cuando llegó correo o cuando nacieron los móviles y las redes sociales? Realmente fue una evolución del concepto de Internet. Yo la IA lo veo como algo similar. Ya nos está afectando

O sea, al final lo llevamos mucho al concepto antropomórfico de tener conciencia, ¿no? Tener agencia, tener capacidad de decisión

Sí

...tener capacidad de proyección a futuro, lo que nos hace humanos, ¿no?

Sí, pero yo lo veo como que estamos accediendo a una nueva dimensión de información o de entender la información y que nos va a hacer acelerar en el tiempo. Vamos a hacer progresos de 10.000 años en un año. Ah, y cada vez será más rápido. Haremos en un año lo que tardaríamos 10.000. Y así te hablo en los próximos cinco o 10 años.

Yo es que veo un crecimiento exponencial bestial. Y ese concepto de GI no lo veo como, insisto, un monolito. Lo veo como el concepto de Internet, pero ahora en otra dimensión más amplia de información. Por eso yo digo que no es que ya esté aquí, pero sí, esa, esa broma de: "Can you feel the AGI?", que dicen los de San Francisco, yo creo que van en esa dirección.

Ah-

Sí, pero yo también estoy pensando que al final, como Internet, hay un-- miles y miles de sitios web, pero hay grandes.

Exactamente.

Y lo mismo aquí con, con modelos. Puede ser que vamos a tener un montón de pequeños o esta red, pero van a ser dos o tres o un-- da igual cuán-cuántos. Son modelos grandes que van a ser como orquestadro-- ah, orquestradores de todo de esto. Por eso al final este AGI es-- son modelos grandes o es conjunto de todos.

Pero si tú conectas dos modelos, ¿son superAGI? En plan-

O es un modelo con una herramienta o una herramienta "tool call". Vamos a volver aquí.

Claro, lo, lo, lo entiendo. Yo ahí es donde veo-- estoy de acuerdo. Eh, yo, yo estoy de acuerdo. Yo no he dicho que vaya a ser superdemocratizado y en ese sentido, yo creo que van a haber monolitos, a que van a haber algunos grandes, pero no,

no visualizo el GPT-50 AGI. Eh, podremos considerarlo AGI, eh, pero s-- para mí formará parte de un sistema. Si es que ya son sistemas. Es que en cierta manera-

Abiertos o cerrados. Eh, ¿tiene acceso todo el mundo o son ventajas competitivas de países que usan contra otros?

Para mí son-- van a haber ventajas competitivas y van a haber cerrados, seguro. Si ya, ya, ya está pasando. Em, y en, y en Europa, por ejemplo, también. ¿Tú tienes acceso a Solados? ¿A Solados? Yo no.

Yo sí, porque he utilizado-

VPN.

La App-- no, no, la App Store americana.

Ah, la App Store americana. Bueno, entonces sí, pero desde España-

No he hecho ningún hacking de nada.

El español medio, eh, no puede.

Ya.

Eh, y ahora es una tontería, pero el día de mañana no sea tan tontería. El, eh-- si lo que te está cayendo es algo que te es capaz de hacer tal, no es tan tonto, no es tan tontería. Yo creo que sí va a haber mucho privado. Pero bueno, eso es lo que pienso del AGI. Eh, me puedo equivocar, pero lo, lo veo como otra nueva dimensión de información.

David, tú eres, eh, mago.

Sí.

¿Nos has hecho un truco de magia hoy?

Mmm, ¿te imaginas? Yo creo que, yo creo que hoy, en cierta manera, os he contado una historia. Sí, y he intentado...

¿Sigues haciendo trucos de magia?

Sí, sí, sí, de verdad. De hecho, se lo hice a un fondo.

¿Sí o no?

Sí, sí.

El que invirtió, Peter.

No. Bueno, Peter también. Sí, sí.

Se lo hiciste.

También lo he hecho, sí, pero lo hago con mis amigos. Si me lo suelen pedir no me sale, pero si me nace sí que, sí que-- desde que soy niño, tengo como 1.000 barajas, eh, fue lo primero que me, me gusta un montón. Pero sí, yo hoy un poco que ahora yo creo que estamos ya terminando, ¿no? No, vosotros-- o sea, yo también para que se entienda, no, nosot-- la posición de Maisa, incluso la mía, yo todo lo que digo asumo que puede estar mal y me gusta el challenge y me gusta entrar en esas situaciones y yo entiendo que lo que digo causa ruido porque es contrario y es-

Es que todo es contrario ahora mismo. O sea, yo no creo que haya una, una, una voz tan fuerte en ninguna dirección. O sea, es, es-- todo el mundo son, son aguas que, que son un, m-- o arenas movedizas, no sé qué metáfora usar, pero se está todo moviendo todo el rato, ¿sabes?

Mhm.

Eh, y está bien, está bien que sea así. O sea, esto es como-- o eso es que hay innovación, ¿no?

Sí.

Eh, que hay por des-- o sea, a mí me parece muy interesante el espacio actual. Eh, pero no, no creo que sea especialmente contrarian lo que dices. O sea, yo, yo celebro el, el eliminar estos workflows de la muerte.

Sí.

Porque no soy muy fan. No, no me imagino que el, que el usuario, eh, humano, eh, o sea, no, no programador, no informático, que no entiende el sistema, un sistema de datos relacional, etcétera, sea capaz de montar workflows ahora porque sí.

No, no.

No, o sea, no tiene ningún sentido esto. Nosotros en Factorial el approach que estamos haciendo es parecido en ese sentido, ¿eh? O sea, es, es, no, no queremos trabajar con workflows.

Luego habrá IA que te cree los workflows, que eso ya pasa. Pues que RN me escribe el flujo en HN. El problema que viene ahí es que eso tiene que ser-

Dinámico.

Sí, ese es el problema. Ah, por eso nosotros estamos muy tranquilos con lo de OpenAI, eh, y creemos que hay un mercado, que por eso existe en HN y vale uan-- un billón. Ah, y estamos muy entusiasmados por lo que queda por delante. Aunque llevemos poco, poco hecho, como es tan distinto, ya aporta valor, pero falta muchísimo.

Mhm. Muy bien. Oye, pues David, muchísimas gracias.

Nada, ha sido...

Te seguiremos sin duda. Eh, y seguiremos tus-- vuestros progresos porque tiene muy buena pinta lo que estáis haciendo. Gracias, Lilia, como siempre. Y con los demás nos vemos la semana que viene.