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.

El crecimiento de la inteligencia artificial (IA) agencial se ve impulsado por la complejidad de las tareas que realizan las máquinas. Los agentes de IA se están convirtiendo en una parte esencial de nuestro panorama tecnológico, ya sea para vehículos autónomos o robots conversacionales. En el corazón de la IA agencial se encuentra la arquitectura que determina cómo los agentes perciben, aprenden, deciden y actúan. Las herramientas y los marcos utilizados para construir estos agentes son múltiples, y cada uno ofrece la capacidad de abordar problemas específicos. Navegar por estas plataformas es abrumador, pero es crucial para diseñar agentes eficaces e inteligentes.

En esencia, la IA agencial se refiere a sistemas que pueden tomar decisiones y actuar por sí mismos sin necesidad de intervención humana constante. El uso más común de este tipo de IA se encuentra en agentes autónomos, que se encargan de desplazarse por espacios, resolver problemas e interactuar con humanos u otras máquinas. Para construir estos agentes, es necesario un conocimiento sólido tanto de los principios teóricos como de las herramientas de trabajo.

Los desarrolladores utilizan Frameworks (marcos) especializados que proporcionan herramientas para crear y gestionar agentes de IA de forma eficiente. Estos son algunos de los marcos de IA con agentes más importantes que se utilizan actualmente.

Introducción

OpenAI ha presentado recientemente ChatGPT Atlas, un navegador web diseñado desde cero para integrar de manera nativa su modelo de asistente conversacional ChatGPT en la experiencia de navegación. Según la compañía, el objetivo es que en lugar de cambiar entre pestañas u otras aplicaciones, el asistente esté siempre “al lado” de la página que estás usando, ofreciendo contexto, acciones automáticas y recordando información relevante mientras navegas. (OpenAI)

¿Qué ofrece ChatGPT Atlas?

Algunas de las características más destacadas son:

• Una barra lateral o panel integrado que permite al asistente ver el contenido de la página, analizarlo, resumirlo o ayudarte a actuar sobre él (por ejemplo: “resume este artículo”, “compara estos dos productos”, “cambia el tono de este correo”). (datacamp.com)
• “Memorias del navegador” (browser memories): una función opcional que permite que ChatGPT guarde contexto de lo que has visitado para luego reutilizar ese conocimiento (con tu consentimiento). (OpenAI)
• “Modo agente” (Agent Mode): disponible en vista previa para usuarios de planes Plus, Pro y Business, permite que el asistente realice tareas más complejas — por ejemplo, investigar, planificar, posiblemente ejecutar pasos en función de la navegación — sin salir del navegador. (OpenAI)
• Importar tus datos (marcadores, contraseñas, historial) de otros navegadores al instalar Atlas. (ChatGPT)
• Privacidad y control: según OpenAI, por defecto tu navegación no se usa para entrenar modelos de IA, y puedes gestionar qué memorias quieres que estén activas, verlas o archivarlas. (OpenAI)