El miércoles fue día de autoresearch en el escenario principal del AI Engineer World's Fair.
Autoresearch es, como el nombre sugiere, un tipo de loop. El cofundador de Introspection, Roland Gavrilescu, lo explicó bien en una entrevista con Latent Space esta mañana. Dijo que autoresearch "te permite construir loops en los cuales los agentes ayudan a mantener el sistema en sí mismo". Lo describió como un "loop externo" que "estudia y mantiene" al loop primario, interno.
Aunque autoresearch no fue mencionado específicamente por Thariq Shihipar de Anthropic, quien trabaja en Claude Code, su keynote reflejó la misma idea de descubrimiento y adaptación continua. "Los modelos se cultivan, no se desarrollan", dijo. "Uno más o menos entiende y aprende con el modelo a medida que lo usa".
El ex líder de ingeniería de Google Addy Osmani también habló de loops, pero su marco era muy distinto al de Gavrilescu.
Donde autoresearch pone a los agentes en el loop que estudia y mantiene el sistema, Osmani argumentó que el loop externo debe seguir siendo humano. "Los agentes pueden correr mucho más del loop de ejecución interno", dijo. "Pero ese loop externo sigue siendo ingeniería". Su resumen fue todavía más directo: "Ese loop interno es capacidad. El loop externo es agencia".
¿Por qué la agencia humana sigue importando?
Esta tensión entre lo que deberían hacer los agentes y lo que los ingenieros humanos deberían retener fue un tema recurrente durante todo el día. También se percibió una resistencia al enfoque de "software factory" que había dominado el martes. Un tweet de Geoffrey Litt (Notion) resumió el punto.
Litt convocó a una audiencia grande en el track de Design Engineering, donde habló sobre "cómo y por qué los humanos necesitamos entender nuestro código". Lily Zhang tuiteó la conclusión clave: "El futuro va a estar muy polarizado. Los que entienden van a seguir teniendo la próxima idea grande. Los que delegan la comprensión van a ser reemplazados por el agente".
Más tarde, Litt publicó un thread ampliando su argumento. Aunque reconoció que los agentes son cada vez más capaces de manejar más del proceso, los humanos aún necesitan entender qué está pasando. "Podés aprender lo que el agente está haciendo para asegurarte de ser un participante activo del proceso creativo", escribió.
Otro speaker que buscó reforzar la agencia humana fue Paul Bakaus, quien dirigió una sesión sobre su nueva herramienta de diseño, Impeccable. Bakaus rechazó los dos extremos: seguir diseñando enteramente a mano, o hacer loop-maxing hacia un proceso completamente automático. "La verdad está en el medio", declaró después de su sesión.
Su objetivo es que los agentes hagan el laborioso 80% inicial del trabajo antes de traer al humano de vuelta "para el último 20%, para convertirlo en algo único, para poner tu gusto, tu punto de vista".
Para Bakaus eso no es simplemente una limitación temporal de los modelos actuales. Tiene que ver con la autoría y con hacerse responsable del trabajo. "La gente necesita propósito, y quiere jugar un rol en lo que crea", dijo. "Cuando trabajás con el agente, sentís más ownership del producto".
Esa filosofía está construida en Impeccable. "No hay auto, y no va a haber auto", le dijo Bakaus a la audiencia. Lo que quiere decir es que su producto nunca va a resolver one-shot una solución. El usuario debe estar involucrado en el proceso de diseño. "El punto es darte una forma de guiar hacia donde querés terminar", agregó.
¿Y en los medios generativos?
La misma pregunta apareció durante un panel sobre medios generativos. A medida que los modelos de imagen, video y audio se vuelven más capaces, la cuestión no es solamente qué pueden generar, sino qué criterio da forma al resultado.
Nicole Brichtova, que trabaja en los productos de medios generativos de Google incluyendo Nano Banana, marcó una diferencia entre preferencia promedio y expertise cultivada. "Alguien que ha pulido un oficio tiene un nivel de expertise muy distinto", dijo. "Ve cosas que el humano promedio no ve".
Esto importa porque cada modelo tiene una estética por defecto, la reconozca o no quien lo entrena. "Terminamos siendo nosotros", dijo Brichtova. "Terminan siendo los equipos de modelado". Sugirió que los desarrolladores de modelos quizá tengan que trabajar más de cerca con gente que tenga "un punto de vista realmente creativo", trayendo al director de arte de vuelta al loop.
Shane Gu extendió el argumento. Incluso cuando los modelos se vuelvan mejores en generar y refinar sus propios outputs, sostuvo, los humanos deben conservar la sensibilidad para notar qué está mal, genérico o insuficiente. "Quizá ahora mismo la IA puede hacer un montón de los promptings y es suficiente. Pero si es así, nunca te conformes con que la IA está generando el contenido. Siempre encontrá tu sensibilidad".
¿Qué son los sitios agénticos?
Incluso la web, la red de información humana por excelencia, está lidiando con cuánta automatización usar.
En su sesión de la tarde sobre "agentic sites", el principal scientist de Adobe Carlos Sanchez demostró sitios web que ensamblan y personalizan páginas en tiempo real basándose en la intención del visitante. Presentó esta transición como cada vez más inevitable. "Esto ya es posible. Va a seguir mejorando. Va a seguir siendo más barato. Va a seguir siendo más rápido".
Pero Sanchez también dejó una nota de cautela. "Con la IA es muy fácil construir cosas. Lo difícil es saber qué construir", dijo después. Eso se vuelve especialmente importante cuando un agente está generando experiencias en representación de una marca. "No podés simplemente generar el sitio entero", dijo, porque el resultado puede desviarse de los lineamientos de la marca.
Eso vuelve la discusión a autoresearch. Los agentes pueden ser cada vez más capaces de observar, evaluar y mejorar a otros agentes, pero los humanos aún deben definir los objetivos, juzgar los resultados y hacerse responsables de lo que produzca el loop.
Por más impresionante que sea la tecnología agéntica hoy y por más convincente que suene la idea de las "software factories" automatizadas, siguen necesitándose humanos en el loop.
