Piensa en cómo trabajas hoy. Abres un programa, haces clic por sus menús, rellenas casillas y, con suerte, sale lo que querías. Ese gesto —tú manejando la herramienta— lleva décadas siendo la única forma de usar un ordenador.
Un paper reciente en arXiv, The End of Software Engineering, sostiene que ese gesto está a punto de cambiar. Y no habla solo de programadores: habla de cómo tú y tu empresa vais a comprar y usar tecnología en los próximos años.
Hoy no te traemos un prompt para ahorrar diez minutos. Hoy te traemos un mapa. Porque entender hacia dónde va el software cambia qué contratas, en qué te formas y dónde pones tu dinero.
Vamos a traducirlo a algo que puedas usar el lunes.
🏭 Las tres eras de cómo compramos software
Para ver el cambio, hay que mirar de dónde venimos. El software se ha entregado de tres formas distintas, y cada salto lo cambió todo.
Era 1 — Licencia. Comprabas el programa, lo instalabas en tu ordenador y era tuyo. Word en un CD. Un contable con su disco. Si querías la versión nueva, comprabas otra caja.
Era 2 — SaaS (software como servicio). Dejaste de instalar. Pagas una suscripción y el programa vive en la nube: Gmail, Canva, tu CRM. No posees nada, alquilas acceso. Este modelo mueve hoy cientos de miles de millones de dólares al año.
Era 3 — Agente como servicio (AaaS). Aquí está la novedad. Ya no contratas un programa para ayudarte a hacer el trabajo. Contratas un agente de IA que hace el trabajo y te entrega el resultado.
El patrón se repite: cada era eliminó un intermediario. La nube eliminó la instalación. El agente elimina… el propio software que tú manejabas.
Es la siguiente vuelta de una tuerca que gira desde hace 40 años.
🔀 El cambio invisible: de “usar una herramienta” a “encargar un resultado”
El corazón del paper cabe en una flecha.
Hasta ahora, conseguir algo con IA seguía este camino: IA → software → resultado. La IA te ayudaba a escribir código o a rellenar una plantilla, ese software hacía la tarea, y tú recibías el resultado.
El nuevo camino borra el paso del medio: agente → resultado.
Suena abstracto, así que bajémoslo a tierra con un ejemplo real de oficina.
Hoy, para sacar un informe mensual de ventas, alguien abre el CRM, exporta datos, los pega en Excel, monta una tabla dinámica, copia gráficos en unas diapositivas y escribe un resumen. Cinco herramientas, una persona pilotando cada una.
En el modelo de agentes, le dices a un sistema: “Prepárame el informe de ventas de agosto como cada mes.” Y él abre las fuentes, cruza los datos, detecta una cifra rara, la corrige y te entrega el informe terminado.
La diferencia no es que sea “más rápido”. Es que el software deja de ser algo que tú operas y pasa a ser una herramienta interna que el agente usa por ti. Igual que tú no piensas en el motor cuando conduces.
🧪 Lo que ya se puede medir (y lo que todavía no)
Aquí es donde el paper se pone honesto, y por eso nos gusta.
Del lado esperanzador, los números empiezan a existir. En SWE-bench Verified —una prueba estándar donde se pide a la IA resolver errores reales de proyectos de software— uno de los modelos analizados resuelve por sí solo alrededor del 30 % de los casos. Hace tres años, esa cifra era prácticamente cero. En experimentos con varios agentes coordinados, el tiempo para localizar la causa de un fallo cayó un 93 %.
Pero el paper también enseña el muro. En tareas aisladas y bien definidas, los agentes superan el 80 % de acierto. En trabajo sostenido en el tiempo —donde hay que recordar decisiones viejas, no arrastrar errores y no acumular chapuzas—, el rendimiento se desploma hasta un 38 %.
Traducción para tu día a día: un agente hoy es un becario brillante para encargos concretos, y todavía un desastre como director de proyecto autónomo.
💼 Qué significa esto para tu trabajo (aunque no programes)
Si el software que “sabes usar” deja de ser el intermediario, tu valor se mueve. Ya no está en manejar la herramienta. Está en saber pedir bien el resultado.
El paper le pone nombre: pasar de producir a dirigir la intención. Es la habilidad de describir una tarea con tanta claridad que un agente pueda ejecutarla sin que estés encima.
Y eso se entrena. Prueba este prompt para detectar qué partes de tu trabajo están más cerca de poder delegarse a un agente:
Actúa como consultor de automatización. Te voy a describir mi puesto y mis tareas semanales. Para cada tarea, clasifícala en una tabla con tres columnas: 1) ¿tiene un resultado claro y comprobable?, 2) ¿se apoya en datos o archivos accesibles?, 3) ¿con qué frecuencia se repite? Al final, ordénalas de “más lista para delegar a un agente” a “menos lista” y explica por qué. Mis tareas son: [pega aquí tu lista].
Cuando tengas la candidata, el segundo paso es aprender a especificar el encargo como se lo darías a un agente, no como una orden vaga:
Ayúdame a convertir esta tarea en un encargo claro para una IA que trabaje sola. Escribe: el objetivo final, cómo sabremos que está bien hecho (criterios de éxito medibles), qué fuentes o archivos necesita, y qué debe hacer si encuentra un dato dudoso. La tarea es: [describe la tarea].
🚀 Cómo replicarlo hoy
No hace falta esperar a 2029 para prepararte. Empieza así:
Elige una tarea repetitiva y con resultado claro (un informe, una respuesta tipo, una limpieza de datos).
Describe el objetivo y sus criterios de éxito por escrito, como si se lo pasaras a alguien que no conoces.
Prueba primero en modo chat: pídele a ChatGPT, Claude o Gemini que la haga paso a paso y corrige lo que falle.
Detecta dónde se equivoca solo: eso te dice qué instrucciones te faltaban.
Sube un escalón: usa herramientas con agentes (los modos “agente” o Projects ya disponibles) para que encadene varios pasos.
Guarda tus mejores encargos como plantillas reutilizables. Tu biblioteca de instrucciones es tu nuevo activo.
Revisa siempre el resultado antes de usarlo. El humano deja de teclear, pero no deja de decidir.
No necesitas ser ingeniero de software. Necesitas saber describir con claridad qué quieres y comprobar que salió bien.
¿Cuál es la primera tarea de tu semana que encargarías a un agente si pudieras fiarte del resultado? Cuéntanoslo en comentarios.
❓ Preguntas frecuentes
¿Esto significa que el software que uso hoy va a desaparecer?
No de golpe. Convivirán años. Pero cada vez más lo usará un agente por debajo, y tú hablarás con el agente, no con los menús.
¿Sustituye esto a saber usar herramientas?
No. Cambia la forma en que las usas: pasas de operarlas clic a clic a dirigirlas con instrucciones. Quien entiende la herramienta dirige mejor al agente que la maneja.
¿Funciona ya para mi caso, si trabajo en una pyme o por mi cuenta?
Para encargos concretos y comprobables, sí, y merece la pena probarlo. Para procesos largos y críticos, todavía no: el propio paper muestra que el rendimiento cae en trabajo sostenido. Empieza por lo pequeño.
¿Qué herramientas hacen algo parecido hoy?
Los modos de agente de ChatGPT y Claude, los Projects, y plataformas como los agentes de Copilot o Gemini. Ninguna es autónoma del todo aún, pero todas apuntan al mismo sitio.
¿Y si el agente se equivoca?
Se equivoca, y por eso el paso 7 no es opcional. Hoy el modelo es “humano supervisando, agente al volante”. Tú pones el objetivo y validas; él ejecuta.
💬 Antes de irte
Si este post te ha sido útil, compártelo con alguien que todavía crea que la IA es “un Excel más listo”. Este cambio le afecta aunque no lo vea.
Y si quieres dejar de improvisar con la IA y aprender a dirigir agentes con método, es justo lo que enseñamos en los cursos de Paratodosia y en nuestro programa con McGraw-Hill. Sin tecnicismos, con casos reales de trabajo.
