En 2026 publicamos un argumento: la IA compuesta supera al AutoML puramente agéntico. Y escribimos una frase que era una predicción — «llegará un día en que los sistemas agénticos sean lo bastante rápidos, baratos y precisos». Ese día llegó antes de lo esperado. Esta es la secuela: qué cambió, qué no, qué estamos construyendo y dónde termina.
El primer blog terminaba con una sección titulada «Por qué esto no será superado por agentes mejores». Abría concediendo el punto:
«Llegará un día en que los sistemas agénticos sean lo bastante rápidos, baratos y precisos como para manejar el AutoML de extremo a extremo en una sola llamada al modelo. Cuando eso ocurra, la versión agéntica de este sistema podría ser posible.»
Eso era una afirmación con fecha, no una permanente — una predicción con una condición adjunta, la misma forma que la etiqueta revisit_when que nuestro registro de variables usa para las ideas rechazadas. Y el blog hacía una segunda afirmación, económica:
«Pero la versión compuesta seguirá produciendo el mismo pronóstico por una fracción del costo.»
Y una tercera, que resulta ser la más importante:
«La versión honesta de un sistema de ML agéntico llamaría herramientas deterministas en cada paso donde haya matemática de por medio — que es exactamente la arquitectura compuesta, solo que con otra etiqueta.»
No lo sabíamos entonces, pero esa última línea describía lo que terminaríamos construyendo.
Una predicción no vale nada sin un recibo. Aquí está el nuestro.
Los modelos. A principios de 2026 el proponente local era Qwen3.6-35B-A3B (MXFP4), con Gemma 4 26B-A4B como hermano. Hoy el stack corre Qwen 3.8 Flash y DeepSeek 4.1 Flash — ambos con capacidad agéntica, ambos locales, ambos en hardware que poseemos.
El escalón, no la pendiente. El cambio interesante no es que los puntajes subieran. Es que una capacidad que no existía ahora existe. Nuestra propia referencia técnica, escrita en junio de 2026, lo dice sin rodeos:
«Qwen 35B local = razonamiento de IA compuesta, evaluación de AutoML, auditorías ligeras de solo lectura. No capaz de codificación autónoma de múltiples pasos.»
Para octubre de 2026, la misma clase de modelo local corre la ruta agéntica de extremo a extremo — el ciclo agéntico del Analista sobre pesos locales, sosteniendo un ciclo de herramientas, viendo un error de base de datos y corrigiéndose a lo largo de catorce rondas. Eso no es «mejor». Eso es nuevo. Una pendiente es un puntaje que sube; un escalón es una capacidad que aparece. Los modelos viejos no puntuaban más bajo en trabajo agéntico — no podían hacerlo.
La sorpresa fue sobre soberanía, no sobre capacidad. La IA agéntica de frontera — la de pago, alojada por API — ya estaba aquí. Lo que llegó más rápido de lo esperado es la capacidad agéntica en hardware que poseemos, a costo marginal cero por paso. Eso es lo que no vimos venir tan pronto. Habíamos presupuestado dos o tres años para ello.
Aquí está la mitad honesta, y es la mitad que evita que esto sea puro bombo.
Los modelos mejoraron dramáticamente en actuar. No mejoraron de forma comparable en saber cuándo están equivocados. Son capacidades distintas, y solo la primera se movió.
Por eso las compuertas se quedan. Nuestro sistema de pronóstico admite una variable solo si supera un piso de ruido medido, y promueve un modelo solo si no retrocede frente a una referencia escueta. Esas compuertas no son un techo a la creatividad del modelo — son lo que hace que su creatividad sea segura de correr sin supervisión. Si el juicio del modelo hubiera mejorado tan rápido como su acción, las compuertas serían opcionales. No lo ha hecho, así que no lo son.
Nuestra propia evidencia es tajante al respecto. La restricción vinculante sobre la calidad del pronóstico resultó ser los datos, no la capacidad del modelo — el pronóstico mejoró cuando llegaron los indicadores macroeconómicos y el clima, no porque el proponente se volviera más listo. El progreso del modelo y el desempeño en la tarea son cosas distintas. Confundirlos es el error que toda esta arquitectura existe para evitar.
Así que estamos construyendo lo que el primer blog describió sin nombrarlo: un sistema agéntico envuelto en juicio determinista.
La escalera de libertad. La autonomía del agente sube por peldaños, y cada peldaño necesita una compuerta más fuerte:
| Peldaño | El agente puede… | Qué debe verificar la compuerta |
|---|---|---|
| 1 | proponer una variable | mejora marginal |
| 2 | elegir una familia de modelos | un contrato de evaluación fijo |
| 3 | editar el propio workflow | evaluación estructural |
| 4 | escribir un proceso nuevo | un contrato de proceso + evaluación fija |
En el peldaño más alto el agente no solo ajusta un modelo — estudia el proceso vigente y escribe nuevos. Lee el workflow existente como una implementación de referencia, aprende la disciplina (evaluación walk-forward, las compuertas, promoción atómica, trazas de auditoría) y produce procesos nuevos que cargan la misma disciplina. El proceso vigente es una plantilla, no un techo.
El modelo operativo — tres etapas, y la primera es una medición.
La regla que sostiene todo: el agente puede editar todo excepto las compuertas. En el momento en que puede reescribir su propio juez, puede debilitarlo. Así que las compuertas están fijadas, versionadas y comparadas en la promoción — y el agente tiene derechos de propuesta sobre ellas, nunca de escritura. Puede argumentar que un método de validación distinto encaja con una pregunta distinta (un modelo causal necesita pruebas de placebo, no una métrica de pronóstico) — pero el argumento debe ser un contrato falsable, y adoptarlo es una decisión humana, no del agente.
El primer blog hacía un argumento de costo: razonar de forma agéntica en cada paso es caro. Ese argumento asumía que el razonamiento tenía que ser pagado. Sobre pesos locales, el costo marginal de un paso agéntico es electricidad en hardware que ya poseemos. Así que la brecha de costo se cierra casi a cero — y una nueva restricción toma su lugar.
La restricción vinculante es la concurrencia, no la capacidad. Un solo servidor puede servir a muchos inquilinos si el trabajo está programado, porque el trabajo programado se serializa. Un ciclo nocturno, o una revisión trimestral, corre un inquilino a la vez y no cuesta nada extra. La restricción solo muerde para trabajo bajo demanda y concurrente — dos inquilinos queriendo su propio ciclo agéntico en el mismo momento.
Así que la elección no es «local versus API». Es:
| Cadencia | Concurrencia | Costo | |
|---|---|---|---|
| Local (por defecto) | programada | serializada, un inquilino a la vez | gratis (hardware propio) |
| API (opcional, clave propia) | bajo demanda | concurrente | la clave del inquilino |
Open source primero significa: por defecto local, ofrecer API como una opción explícita del inquilino. El inquilino trae su propia clave; nosotros nunca gastamos en su nombre. Eso es soberanía preservada, no diluida — y a medida que el negocio crece, el hardware crece, así que la ruta local sirve a más inquilinos y la ruta pagada se vuelve menos necesaria con el tiempo.
La segunda restricción es el operador. Si un humano revisa cada despliegue, el rendimiento está limitado por horas de revisión, no por horas de GPU. Así que lo que hace la revisión rápida — una traza completa de lo que el agente hizo, por qué, y qué rechazó — no es un lujo. Es el mecanismo de escala. Y la cadencia misma es una decisión de producto: una revisión trimestral por inquilino es la ruta de baja concurrencia que permite a un solo servidor servir a muchos negocios.
Antes del punto final, vale la pena ser precisos con el término — porque se usa a la ligera, y nosotros mismos hemos sido culpables de eso.
La definición. AGI significa Inteligencia Artificial General: un sistema hipotético que iguala o supera la capacidad humana en prácticamente todas las tareas cognitivas. No un dominio — cualquiera. El término se usó ya en 1997 por Mark Gubrud, fue formalizado en 2000 por Marcus Hutter como AIXI — «la capacidad de un agente de lograr metas o tener éxito en una amplia gama de entornos» — y popularizado por Shane Legg.
La AGI no es la IA agéntica — y esta es la confusión que cometimos. IBM lo dice con claridad: «la IA agéntica se centra en la acción autónoma y la ejecución de metas, mientras que la AGI se centra en una inteligencia amplia, similar a la humana, y en la adaptabilidad… un agente puede ser autónomo dentro de una tarea estrecha sin ser generalmente inteligente.» Son ejes distintos: lo agéntico es la autonomía; la AGI es la amplitud. Un agente puede ser autónomo y estrecho. Un modelo puede ser general y pasivo. El punto final que nos importa está donde los dos se encuentran.
Qué dicen los expertos. Las definiciones coinciden en lo esencial; los plazos no.
Sobre qué es:
Sobre cuándo:
Por qué esto nos importa. Todas las definiciones anteriores son sobre capacidad. Ninguna es sobre confianza. Esa brecha es todo el punto de nuestro punto final — y la razón por la que no esperamos a la AGI.
Un día el humano no necesitará estar en el ciclo. Llamamos a ese punto final AGI Confiable — y la palabra que hace el trabajo es confiable, no general.
AGI significa Inteligencia Artificial General: capacidad amplia, de nivel humano. Pero la amplitud no es lo que determina que el humano se retire. Un modelo puede ser plenamente capaz y aún así no ser confiable para desplegar sin supervisión, porque la confianza se gana con fiabilidad demostrada en tus cargas de trabajo — no se concede por cruzar un hito de capacidad. Así que la AGI Confiable no es una fecha que la humanidad alcanza; es un registro que tú acumulas, una corrida revisada a la vez, por carril. La AGI Confiable para pronóstico de demanda no es la AGI Confiable para riesgo de cobranza.
Eso la hace medible, que es el punto. La AGI estándar no tiene una prueba aceptada — las afirmaciones son difíciles de verificar por construcción. La AGI Confiable tiene una prueba local: el registro de calibración. Corridas propuestas, corridas que las compuertas aprobaron, corridas que la revisión aceptó, y la divergencia explicada. Conviertes una impresión en un número.
Y aun entonces, el humano no se va del todo. La AGI Confiable termina la compuerta, no la relación: dejas de pre-aprobar, no dejas de ser responsable. En un sistema con facturas reales, pedidos reales y dinero real, «quién es responsable cuando está mal» sobrevive a todo umbral de capacidad.
No esperas a la AGI Confiable. Construyes la máquina que la produce — la traza, el registro de calibración, las compuertas, la revisión conjunta. Cada corrida sin supervisión que sobrevive a la revisión es una unidad de confianza depositada.
La predicción más útil no es sobre puntajes. Es sobre qué eje se mueve.
El eje de la acción ya se mueve rápido — lo cobramos. El eje del juicio — saber cuándo estás equivocado, cuándo parar, qué cuenta como probado — se ha movido mucho menos. Esa brecha es lo que hay que vigilar. Si el juicio empieza a moverse, las compuertas se vuelven opcionales; si no, persisten. Toda nuestra arquitectura es una apuesta a que el juicio va por detrás de la acción, y esa apuesta es comprobable.
Así que la afirmación honesta hacia adelante no es «los números subirán». Es: la próxima capacidad que aparezca será un escalón, no una pendiente — autonomía de largo horizonte sin deriva, autocorrección fiable, continuidad entre sesiones. Nombra la capacidad; omite la fecha.
¿Y el plazo? Pensábamos que la IA agéntica estaba a dos o tres años. Llegó antes — mucho antes. Nos seguimos diciendo que la AGI Confiable está a dos o tres años, pero para un carril bien instrumentado, donde las compuertas son fuertes y el registro de calibración se acumula, puede estar más cerca de uno. Para el juicio abierto, tardará más. Eso es una lectura personal, no un pronóstico: la respuesta honesta es que el plazo depende del carril, no del calendario.
Esta es una afirmación con fecha. Si los modelos locales se estancan mientras los de frontera siguen subiendo, muere. La revisaremos igual que revisamos una variable rechazada: con una condición adjunta, no con una creencia.
Sobre IA compuesta
Sobre la AGI — qué es
Sobre la AGI — cuándo
In 2026 we published an argument: compound AI beats purely agentic AutoML. We also wrote a line we meant as a prediction — "there will come a day when agentic systems are fast enough, cheap enough, and accurate enough." That day came sooner than we expected. This is the sequel: what changed, what did not, what we are building, and where it ends.
The first blog ended with a section titled "Why This Won't Be Superseded by Better Agents." It opened by conceding the point:
"There will come a day when agentic systems are fast enough, cheap enough, and accurate enough to handle end-to-end AutoML on a single model call. When that happens, the agentic version of this system might be possible."
That was a dated claim, not a permanent one — a prediction with a condition attached, the same shape as the revisit_when tag our feature registry uses for rejected ideas. And the blog made a second claim, an economic one:
"But the compound version will still produce the same forecast for a fraction of the cost."
And a third, which turns out to be the most important:
"The honest version of an agentic ML system would call deterministic tools at every step where math is involved — which is exactly the compound architecture, just with a different label."
We did not know it at the time, but that last line described what we would end up building.
A prediction is worth nothing without a receipt. Here is ours.
The models. In early 2026 the local proposer was Qwen3.6-35B-A3B (MXFP4) with Gemma 4 26B-A4B as a sibling. Today the stack runs Qwen 3.8 Flash and DeepSeek 4.1 Flash — both agentic-capable, both local, both on hardware we own.
The step, not the slope. The interesting change is not that the scores went up. It is that a capability that did not exist now does. Our own technical reference, written in June 2026, states it plainly:
"Local Qwen 35B = Compound AI reasoning, AutoML eval, light read-only audits. Not capable of multi-step autonomous coding."
By October 2026, the same class of local model runs the agentic path end-to-end — the Analista's agentic loop on local weights, holding a tool loop, seeing a database error and correcting itself over fourteen rounds. That is not "better." That is new. A slope is a score climbing; a step is a capability appearing. The old models did not score lower on agentic work — they could not do it.
The surprise was about sovereignty, not capability. Frontier agentic AI — the paid, API-hosted kind — was already here. What arrived faster than we expected is agentic capability on hardware we own, at no marginal cost per step. That is the thing we did not see coming this soon. We had budgeted two to three years for it.
Here is the honest half, and it is the half that keeps this from being hype.
The models got dramatically better at acting. They did not get comparably better at knowing when they are wrong. Those are different capabilities, and only the first one moved.
That is why the gates stay. Our forecasting system admits a feature only if it clears a measured noise floor, and promotes a model only if it does not regress against a lean reference. Those gates are not a ceiling on the model's creativity — they are what makes its creativity safe to run unattended. If the model's judgment had improved as fast as its action, the gates would be optional. It has not, so they are not.
Our own evidence is blunt about this. The binding constraint on forecast quality turned out to be data, not model capability — the forecast improved when macroeconomic indicators and weather landed, not because the proposer got smarter. Model progress and task performance are different things. Conflating them is the mistake this whole architecture exists to avoid.
So we are building the thing the first blog described without naming: an agentic system wrapped in deterministic judgment.
The ladder of freedom. The agent's autonomy climbs in rungs, and each rung needs a stronger gate:
| Rung | The agent may… | What the gate must check |
|---|---|---|
| 1 | propose a feature | marginal lift |
| 2 | choose a model family | a fixed evaluation contract |
| 3 | edit the workflow itself | structural evaluation |
| 4 | author a new process | a process contract + fixed evaluation |
At the top rung the agent does not just tune a model — it studies the incumbent process and writes new ones. It reads the existing workflow as a reference implementation, learns the discipline (walk-forward evaluation, the gates, atomic promotion, audit trails), and produces new processes that carry the same discipline. The incumbent is a template, not a ceiling.
The operating model — three stages, and the first is a measurement.
The load-bearing rule: the agent may edit everything except the gates. The moment it can rewrite its own judge, it can weaken it. So the gates are pinned, version-controlled, and diffed at promotion — and the agent has proposal rights over them, never write rights. It may argue that a different validation method fits a different question (a causal model needs placebo tests, not a forecast metric) — but the argument must be a falsifiable contract, and adopting it is a human decision, not the agent's.
The first blog made a cost argument: agentic reasoning at every step is expensive. That argument assumed the reasoning had to be paid. On local weights, the marginal cost of an agentic step is electricity on hardware we already own. So the cost gap narrows to near zero — and a new constraint takes its place.
The binding constraint is concurrency, not capacity. One box can serve many tenants if the work is scheduled, because scheduled work is serialized. A nightly loop, or a quarterly review, runs one tenant at a time and costs nothing extra. The constraint only bites for on-demand, concurrent work — two tenants wanting their own agentic run at the same moment.
So the choice is not "local versus API." It is:
| Cadence | Concurrency | Cost | |
|---|---|---|---|
| Local (default) | scheduled | serialized, one tenant at a time | free (owned hardware) |
| API (opt-in, bring your own key) | on-demand | concurrent | the tenant's own key |
Open-source-first means default to local, offer API as an explicit tenant opt-in. The tenant brings their own key; we never spend on their behalf. That is sovereignty preserved, not diluted — and as the business grows, hardware grows, so the local path serves more tenants and the paid path becomes less necessary over time.
The second constraint is the operator. If a human reviews every deployment, throughput is bounded by review hours, not GPU hours. So the thing that makes the review fast — a complete trail of what the agent did, why, and what it rejected — is not a nicety. It is the scaling mechanism. And the cadence itself is a product decision: a quarterly review per tenant is the low-concurrency path that lets one box serve many businesses.
Before the endpoint, it is worth being precise about the term — because it is used loosely, and we have been guilty of that ourselves.
The definition. AGI stands for Artificial General Intelligence: a hypothetical system that matches or surpasses human capability across virtually all cognitive tasks. Not one domain — any. The term was used as early as 1997 by Mark Gubrud, formalized in 2000 by Marcus Hutter as AIXI — "an agent's ability to achieve goals or succeed in a wide range of environments" — and popularized by Shane Legg.
AGI is not agentic AI — and this is the confusion we made. IBM puts it cleanly: "agentic AI focuses on autonomous action and goal execution, while AGI focuses on broad, human-like intelligence and adaptability... an agent can be autonomous within a narrow task without being generally intelligent." They are different axes: agentic is about autonomy; AGI is about breadth. An agent can be autonomous and narrow. A model can be general and passive. The endpoint we care about sits where the two meet.
What the experts say. The definitions broadly agree; the timelines do not.
On what it is:
On when:
Why this matters for us. Every definition above is about capability. None is about trust. That gap is the whole point of our endpoint — and the reason we do not wait for AGI.
One day the human will not need to be in the loop. We call that endpoint Trusted AGI — and the word doing the work is trusted, not general.
AGI stands for Artificial General Intelligence: broad, human-level capability. But breadth is not what gates the human leaving. A model can be fully capable and still not be trusted to deploy unsupervised, because trust is earned by demonstrated reliability on your workloads — not granted by crossing a capability milestone. So Trusted AGI is not a date humanity reaches; it is a record you accumulate, one reviewed run at a time, per lane. Trusted AGI for demand forecasting is not Trusted AGI for collections risk.
That makes it measurable, which is the point. Standard AGI has no accepted test — claims are hard to verify by construction. Trusted AGI has a local test: the calibration record. Runs proposed, runs the gates passed, runs the review accepted, and the divergence explained. You convert a vibe into a number.
And even then, the human does not fully leave. Trusted AGI ends the gate, not the relationship: you stop pre-approving, you do not stop being accountable. In a system with real invoices, real orders, and real money, "who is responsible when it is wrong" survives every capability threshold.
You do not wait for Trusted AGI. You build the machine that produces it — the trail, the calibration record, the gates, the joint review. Every unattended run that survives review is a unit of trust deposited.
The most useful prediction is not about scores. It is about which axis moves.
The action axis is already moving fast — we cashed it. The judgment axis — knowing when you are wrong, when to stop, what counts as proven — has moved much less. That gap is the thing to watch. If judgment starts moving, the gates become optional; if it does not, they persist. Our entire architecture is a bet that judgment lags action, and that bet is testable.
So the honest forward claim is not "the numbers will go up." It is: the next capability to appear will be a step, not a slope — long-horizon autonomy without drift, reliable self-correction, continuity across sessions. Name the capability; skip the date.
And the timeline? We thought agentic AI was two to three years out. It arrived sooner — much sooner. We keep telling ourselves Trusted AGI is two to three years away, but for a well-instrumented lane, where the gates are strong and the calibration record accumulates, it may be closer to one. For open-ended judgment, it will take longer. That is a personal read, not a forecast: the honest answer is that the timeline depends on the lane, not on the calendar.
This is a dated claim. If local models plateau while frontier models keep climbing, it dies. We will revisit it the same way we revisit a rejected feature: with a condition attached, not a belief.
On compound AI
On AGI — what it is
On AGI — when