Los agentes de inteligencia artificial están adquiriendo cada vez más protagonismo. Sin embargo, cuando escuchamos hablar de ellos, es fácil imaginar sistemas enormes, difíciles de programar y reservados para grandes empresas.

La realidad es mucho más sencilla: un agente de IA puede ser un pequeño programa escrito en PHP que consulta un modelo de inteligencia artificial, toma una decisión y ejecuta una acción.

En este tutorial crearemos un agente diminuto. Le daremos una palabra, decidirá si corresponde a un animal o a un objeto y la guardará en el archivo adecuado.

Por ejemplo:

• Si escribimos perro, lo guardará en animales.txt.
• Si escribimos mesa, lo guardará en objetos.txt.

Aunque el ejemplo sea deliberadamente sencillo, contiene los elementos esenciales de un agente de IA.

¿Qué es un agente de inteligencia artificial?

Un agente de IA es un programa capaz de recibir un objetivo, interpretar la información disponible, tomar una decisión y realizar una acción.

En nuestro ejemplo, el funcionamiento será el siguiente:

1. El usuario escribe una palabra.
2. El programa PHP la envía a un modelo de IA.
3. La inteligencia artificial decide si es un animal o un objeto.
4. PHP guarda la palabra en el archivo correspondiente.

Esta última parte es importante. Un chatbot normalmente se limita a responder, mientras que un agente puede utilizar herramientas o ejecutar acciones. En este caso, su herramienta consiste en escribir en un archivo.

Requisitos para crear el miniagente

Necesitaremos:

• Un sistema Linux o un servidor con PHP.
• La extensión curl de PHP.
• Una cuenta en OpenAI Platform.
• Una clave para utilizar la API de OpenAI.
• El archivo miniagente.php que crearemos a continuación.

Cada vez más empresas quieren disponer de su propia inteligencia artificial: un asistente interno capaz de consultar documentos, redactar contenidos, atender preguntas, comunicarse con clientes, automatizar tareas o conectarse con herramientas como WordPress, un CRM o un ERP.

Aunque expresiones como «crear una IA» o «desarrollar una inteligencia artificial propia» se utilizan con frecuencia, en la mayoría de los proyectos empresariales no se entrena un modelo desde cero. Lo habitual es instalar una plataforma existente, conectarla con un modelo de lenguaje y personalizarla para adaptarla a las necesidades de la empresa.

Esto no resta valor al proyecto. Una buena implantación puede necesitar programación, administración de sistemas, integración con diferentes servicios, configuración de seguridad y conocimiento de los procesos empresariales. Sin embargo, conviene diferenciar claramente entre crear un modelo, desarrollar una aplicación que utiliza IA y personalizar una herramienta ya existente.

Tres formas de incorporar inteligencia artificial a una empresa

1. Crear o entrenar un modelo de inteligencia artificial

Esta es la interpretación más exigente de la expresión «crear una IA». Supone diseñar o adaptar una arquitectura, preparar grandes conjuntos de datos, entrenar el modelo y evaluar posteriormente sus resultados.

En un proyecto de este tipo deberían poder explicarse cuestiones como:

• La arquitectura y el número de parámetros del modelo.
• Los datos empleados y su procedencia.
• El hardware utilizado, especialmente las GPU y su memoria.
• El tiempo y el coste del entrenamiento.
• Los métodos empleados para evaluar los resultados.
• Si se ha realizado un preentrenamiento completo, un ajuste fino o fine-tuning, o una adaptación mediante LoRA.

Entrenar un gran modelo de lenguaje desde cero requiere una infraestructura y unos recursos que normalmente están fuera del alcance de una pequeña o mediana empresa.

Una alternativa más realista consiste en ajustar un modelo ya existente para una tarea concreta. Incluso en ese caso debería indicarse cuál es el modelo original y qué modificaciones se han realizado sobre él.

Durante los últimos tres años la Inteligencia Artificial ha estado dominada casi por completo por un reducido grupo de empresas estadounidenses y chinas. Modelos como ChatGPT, Gemini, Claude, Grok o Qwen han marcado el ritmo de la innovación, mientras Europa observaba cómo gran parte de la tecnología estratégica del futuro se desarrollaba fuera de sus fronteras.

Sin embargo, esta situación comienza a cambiar.

Portugal acaba de presentar Amália, su primer gran modelo de lenguaje (LLM) diseñado específicamente para el portugués europeo y distribuido bajo una licencia Open Source, una decisión que lo diferencia claramente de muchas de las plataformas comerciales existentes.

Más que un chatbot

Uno de los aspectos más interesantes de Amália es que no nace como un competidor directo de ChatGPT.

No pretende convertirse en un asistente conversacional para el gran público.

Su objetivo es mucho más ambicioso.

El proyecto pretende convertirse en una plataforma tecnológica sobre la que administraciones públicas, universidades, empresas e investigadores puedan desarrollar sus propias aplicaciones de Inteligencia Artificial adaptadas al contexto portugués.

Eso significa que cualquier organismo podrá construir asistentes especializados para sanidad, educación, administración electrónica, patrimonio cultural o investigación científica sin depender completamente de proveedores extranjeros.

¿Por qué un modelo específico para Portugal?

Puede parecer una pregunta extraña.

Al fin y al cabo, ya existen numerosos modelos capaces de hablar portugués.

El problema es que la mayoría han sido entrenados principalmente con portugués brasileño, una variante utilizada por más de 200 millones de personas, muy superior en volumen al portugués europeo.

Aunque ambos idiomas sean perfectamente comprensibles entre sí, presentan diferencias importantes en vocabulario, gramática, expresiones cotidianas e incluso en el contexto cultural.

Para aplicaciones utilizadas por administraciones públicas o instituciones educativas, estas diferencias dejan de ser un detalle y pasan a convertirse en un requisito importante.

Amália busca precisamente cubrir ese vacío, ofreciendo un modelo entrenado específicamente para el portugués utilizado en Portugal.

La historia de la informática tiene una curiosa costumbre: repetir los mismos debates una y otra vez, cambiando únicamente el protagonista.

Hace veinticinco años, el entonces CEO de Microsoft, Steve Ballmer, pronunció una de las frases más famosas —y también más desafortunadas— de la historia del software:

"Linux es un cáncer."

Aquellas palabras pretendían desacreditar el creciente movimiento del software libre, que comenzaba a competir seriamente con el modelo propietario dominante de la época.

Hoy, más de dos décadas después, el debate parece haberse trasladado al mundo de la inteligencia artificial. El CEO de Anthropic, Dario Amodei, ha advertido sobre los riesgos que supone el avance de los modelos de IA de código abierto, unas declaraciones que muchos han comparado inmediatamente con aquellas realizadas por Ballmer en 2001.

Pero... ¿realmente estamos ante la misma historia?

Cuando Linux era "una amenaza"

A principios de los años 2000 Microsoft dominaba el mercado.

Windows estaba presente en la inmensa mayoría de los ordenadores personales y el software libre todavía era visto por muchas empresas como un movimiento minoritario.

Fue entonces cuando Steve Ballmer calificó a Linux de "cáncer", argumentando que la licencia GPL contaminaba todo aquello que tocaba.

Con el paso del tiempo ocurrió exactamente lo contrario.

Linux terminó convirtiéndose en el sistema operativo dominante en:

• Internet.
• Los centros de datos.
• La computación en la nube.
• Los superordenadores.
• Android.
• La mayoría de dispositivos embebidos.
• Gran parte de la infraestructura de inteligencia artificial.

Incluso Microsoft terminó abrazando Linux.

Hoy mantiene el kernel dentro de Windows mediante WSL, ejecuta millones de instancias Linux en Azure, publica proyectos como código abierto y contribuye regularmente al propio kernel.

La historia terminó desmontando aquel discurso.

Los agentes de inteligencia artificial han evolucionado enormemente durante los últimos años. Ya no se limitan a responder preguntas: ahora pueden ejecutar código, manipular archivos, analizar proyectos completos e incluso automatizar tareas complejas.

Sin embargo, existe un problema evidente: cada agente suele utilizar su propio formato de "habilidades" (skills). Lo que funciona en un entorno puede no servir para otro, obligando a desarrolladores y empresas a mantener múltiples versiones de la misma lógica.

Para resolver esta fragmentación aparece SkillKit, una biblioteca y conjunto de herramientas que permite crear, gestionar y compartir habilidades reutilizables entre diferentes agentes de IA basados en Python. Su filosofía es sencilla: escribir una habilidad una sola vez y reutilizarla allí donde sea necesaria. (The Back Room Tech)

¿Qué es exactamente SkillKit?

SkillKit implementa el concepto de Agent Skills, popularizado inicialmente por Anthropic, pero lo lleva un paso más allá al hacerlo independiente de un framework concreto.

En lugar de incluir enormes instrucciones dentro del prompt del agente, cada capacidad se encapsula como una habilidad independiente.

Al recibir una petición, el agente:

• descubre las habilidades disponibles;

   

• carga únicamente la información necesaria;

   

• ejecuta la habilidad adecuada;

   

• mantiene un consumo mucho menor de contexto y de tokens.

   

Este modelo modular facilita enormemente la creación de agentes complejos y especializados. (The Back Room Tech)

Un estudio pionero del MIT ha encendido todas las alarmas. El uso intensivo de ChatGPT no solo está cambiando la forma en que trabajamos, sino que podría estar literalmente dañando nuestro cerebro. Escáneres cerebrales y datos recopilados durante cuatro meses advierten sobre una posible “bancarrota cognitiva” en plena era de la inteligencia artificial.

En LinuxParty siempre hemos defendido la tecnología como herramienta de liberación, no de dependencia. Y este estudio nos da razones para encender los LEDs de alerta.

ChatGPT debilita la memoria y la conexión neuronal

La IA prometía hacernos más rápidos, más eficientes y más productivos. Pero el precio de esa promesa podría ser nuestra propia capacidad de pensar.

El MIT analizó los cerebros de 54 usuarios intensivos de ChatGPT durante cuatro meses y descubrió un fenómeno alarmante:  
👉 El 83,3% de los participantes no pudieron recordar los ensayos que acababan de escribir minutos antes con ayuda de la IA.  
¿La razón? Porque la máquina pensó por ellos.

Los escáneres EEG mostraron una caída dramática en la conectividad neuronal:  
de 79 conexiones activas a solo 42, lo que representa una pérdida del 47%. En términos humanos, es como si una parte de tu mente quedara inactiva después de confiarle el trabajo a una máquina.

Y lo peor: cuando los profesores evaluaron los textos sin saber cuáles habían sido escritos con IA, los describieron como «sin alma», «vacíos» y con «lenguaje perfecto pero sin pensamiento personal». El cerebro humano, incluso sin evidencia concreta, detecta que algo falta cuando no hay esfuerzo cognitivo detrás de un texto.

En los últimos meses han proliferado experimentos en los que varias inteligencias artificiales “chatean” entre ellas, intercambiando ideas, debatiendo posturas o colaborando para resolver problemas. El resultado, en muchos casos, parece sorprendentemente humano: conversaciones coherentes, razonamientos encadenados y hasta desacuerdos argumentados.

Pero ¿qué está ocurriendo realmente cuando varias IA dialogan entre sí? ¿Estamos ante un paso hacia sistemas autónomos cooperativos o simplemente ante una simulación sofisticada?

🧠 ¿Qué significa que “las IA conversen”?

Cuando se habla de IA chateando entre sí, en realidad se trata de lo siguiente:

1. Se ejecutan varias instancias de modelos de lenguaje.
2. Cada modelo recibe como entrada el mensaje generado por otro.
3. Responde según su entrenamiento y contexto.
4. Ese mensaje se pasa al siguiente modelo.

El resultado es una cadena de generación de texto probabilístico encadenado, no un pensamiento autónomo ni una conciencia emergente.

Cada modelo simplemente predice la siguiente secuencia de palabras más probable basándose en su entrenamiento previo y el texto recibido como contexto.

🔄 Sistemas multi-agente: el enfoque técnico

En investigación y desarrollo, este tipo de configuraciones se conocen como sistemas multi-agente. En lugar de una única IA resolviendo una tarea, se crean varias con roles distintos:

• 🧑‍🏫 Un “experto” que propone soluciones.
• 🧑‍⚖️ Un “crítico” que revisa errores.
• 🧑‍🔬 Un “analista” que sintetiza información.
• 🧑‍💼 Un “moderador” que organiza el debate.

Cada uno no es más que el mismo modelo (o modelos distintos) configurado con instrucciones diferentes. Pero el efecto es interesante: se genera una especie de “pensamiento distribuido”.

Este enfoque se está usando para:

• Refinar respuestas automáticamente.
• Reducir errores factuales.
• Simular debates estructurados.
• Mejorar generación de código.
• Realizar brainstorming automatizado.

⚙️ ¿Cómo se implementa técnicamente?

Desde el punto de vista práctico, crear un chat entre IA es relativamente sencillo:

• Se ejecutan varias instancias del modelo (locales o API).
• Se define un turno de intervención.
• Cada salida se convierte en la entrada de otro agente.
• Se limita la longitud del diálogo para evitar bucles infinitos.

En entornos Linux es habitual hacerlo con:

• Scripts en Python.
• APIs de modelos de lenguaje.
• Frameworks multi-agente.
• Contenedores Docker para aislar instancias.

Para la comunidad open source, esto abre una puerta interesante: experimentar con modelos locales como LLaMA, Mistral u otros bajo entornos controlados.