El AI Engineer Summit 2025, celebrado en Nueva York y con la organización de Swyx (Shawn Wang), se ha consolidado como una cita ineludible para ingenieros y líderes en inteligencia artificial. Durante los días del evento, se puso un especial enfoque en los agentes de inteligencia artificial y su aplicación real en sectores críticos, especialmente en las finanzas, donde la fiabilidad es esencial. Este encuentro reunió a referentes de la industria provenientes de OpenAI, Anthropic, LinkedIn, Bloomberg y Jane Street, quienes compartieron experiencias, desafíos y las mejores prácticas en la creación, implementación y escala de agentes de IA. Su conocimiento detalla un panorama claro sobre hacia dónde se dirige la inteligencia artificial y qué deben priorizar las organizaciones que desean aprovechar esta tecnología disruptiva. En primer lugar, se reafirmó la emergencia de la ingeniería en IA como una disciplina propia.
Ubicada en una intersección compleja entre la ingeniería de software y el aprendizaje automático, este nuevo campo está definiendo sus propias metodologías y estándares. Swyx destacó que, aunque todavía se debate cómo trazar con precisión los límites entre software tradicional y machine learning, la ingeniería en IA está forjando un camino único, que requiere combinar habilidades técnicas con una mentalidad orientada a resultados y mejora continua del sistema. Empresas como LinkedIn ya están ajustando sus procesos y perfiles de contratación para valorar la capacidad de mejorar el comportamiento de los sistemas desde una perspectiva ingenieril, más que el dominio exclusivo del ML. Además, perfiles híbridos que unen experticia en dominios específicos con conocimiento en IA están ganando protagonismo, permitiendo desarrollos más innovadores y eficientes en nichos muy especializados. Una realidad contundente que resonó en el congreso fue la brecha entre las capacidades exhibidas en demostraciones y la fiabilidad en entornos productivos.
Aunque muchos modelos prometen grandes avances, la experiencia práctica ha mostrado que la precisión y la constancia en resultados siguen siendo un desafío. Se enfatizó que la capacidad en IA no equivale a confiabilidad y que ser ingeniero en esta área implica también ser un ingeniero en confiabilidad. Esta perspectiva impulsa un cambio de paradigma en donde el foco ya no se pone únicamente en las capacidades técnicas del modelo, sino en garantizar la estabilidad y precisión en el uso empresarial diario. Esto genera un replanteamiento en el diseño de sistemas y procesos para monitorear y corregir fallos antes de que impacten negativamente al usuario o al negocio. La transición de prototipos a sistemas a escala productiva fue otro tema central revelado por múltiples presentadores.
El desarrollo de demos impactantes es solo el primer paso, pero la verdadera complejidad radica en hacer que estas soluciones puedan operar con éxito en entornos reales, atendiendo demandas de usuarios, regulaciones y limitantes técnicas. La mentalidad debe cambiar hacia una concepción donde cada agente de IA se trate como un producto, tomando en cuenta desde la etapa inicial la experiencia del usuario, la calidad continua y la adaptación constante. Organizaciones como Bloomberg ilustraron cómo la flexibilidad en estructuras de equipo y la creación de servicios compartidos robustos para seguridad y control son vitales para escalar agentes de manera confiable y segura. En cuanto a la economía detrás de los agentes de IA, la gestión de costos relacionados con el procesamiento en inferencia ocupa un lugar predominante. Los modelos avanzados pueden generar facturas millonarias si no se manejan con cuidado, lo que obliga a las empresas a optimizar mediante técnicas como la destilación del conocimiento y la reducción del tamaño del modelo sin sacrificar calidad.
Historicámente, tareas que requerían mucho trabajo manual ahora se automatizan, pero el equilibrio entre calidad, costo y latencia se vuelve el motor de la innovación. El trabajo conjunto entre equipos técnicos y áreas de negocio para definir umbrales aceptables para errores y desempeño resulta fundamental para conseguir soluciones económicamente viables y escalables. La construcción de sistemas de IA confiables y transparentes fue otro eje que tomó protagonismo. La creación de marcos de evaluación rigurosos, conocidos como “evals”, ya no es un lujo sino una ventaja competitiva que diferencia a las organizaciones. Empresas reconocidas destacan la importancia de diseñar pruebas alineadas con casos reales y métricas centradas en los usuarios para validar continuamente el comportamiento de sus agentes.
Bloomberg, por ejemplo, trabaja bajo la visión de sistemas antifrágiles, que asumen que los errores ocurrirán y establecen mecanismos para verificaciones tras cada acción del agente. Por otro lado, LinkedIn ha invertido significativamente en infraestructura para monitoreo y observabilidad que permite trazar y reproducir actividades del agente, facilitando la transparencia y la capacidad de respuesta ante problemas. Un hallazgo sorprendente del summit fue el peso creciente de la experiencia del usuario (UX) sobre la simple selección del modelo de IA. Mejorar la forma en que los sistemas recuperan y entregan información relevante, así como ofrecer interfaces intuitivas y controles al usuario, resultan ser determinantes para el éxito. Se evidenció que modelos más avanzados no son una panacea cuando la arquitectura global falla en entregar resultados eficientes y satisfactorios.
Además, la industria está moviéndose hacia interfaces multimodales que integran voz, texto y otros sentidos, enriqueciendo la interacción y superando el enfoque tradicional basado solo en texto. Esta tendencia abre una puerta a la creación de agentes con “ojos, oídos y voz”, capaces de interactuar de forma más natural y efectiva. La narrativa en torno a la IA también está cambiando desde la automatización pura hacia la colaboración humano-IA. Conceptos como “co-creación” o “co-innovación” destacan que el máximo valor se obtiene cuando agentes inteligentes potencian las capacidades humanas en lugar de reemplazarlas. Casos como el de Jane Street demuestran que el conocimiento humano sigue siendo esencial para guiar a la IA en tareas complejas y especializadas, incluso en lenguajes de programación con poca base de datos pública.
Asimismo, la generación más joven, especialmente la generación Z, demanda agentes transparentes que expliquen sus limitaciones y funcionen como aliados creativos, reforzando esta visión colaborativa. Entre los avances prospectivos, las interfaces de voz y el aprendizaje por refuerzo (RL) están abriendo nuevas fronteras. Equipos como SuperDial han mostrado que, mediante la combinación multimodal y el aprovechamiento de tecnologías existentes, es posible superar barreras técnicas y latencias para implementar agentes de voz funcionales y robustos. En el ámbito del aprendizaje por refuerzo, la propuesta de “ingeniería de rúbricas” permite establecer criterios claros y objetivos para que los agentes aprendan y mejoren a partir de resultados medibles y estructurados, posibilitando razonamientos complejos y profundos. Finalmente, la tendencia hacia agentes personales que residen localmente en los dispositivos del usuario ofrece mayores niveles de privacidad, seguridad y control, siendo impulsada por mejoras rápidas en modelos open source y la preocupación por la confidencialidad de los datos.
El AI Engineer Summit 2025 dejó un mensaje claro: el futuro de la inteligencia artificial está en la confianza, la simplicidad inicial, el diseño para producción desde el día uno y la colaboración humano-máquina. La combinación entre innovación tecnológica y comprensión profunda del dominio es el camino para construir agentes que no solo cumplan con sus capacidades teóricas, sino que sean herramientas valiosas, precisas y confiables en el mundo real. Para las empresas que buscan adoptar o escalar soluciones de IA, estos aprendizajes ofrecen un marco para navegar la complejidad y aprovechar el potencial transformador de la inteligencia artificial y los agentes cooperativos.
