Por qué la IA te hace 100 veces más rápido pero no a tu empresa - Mitchell Troyanovsky, Basis

Original · Why AI Makes You 100x Faster but Not Your Company - Mitchell Troyanovsky, Basis

19:133 min readAI Engineer11/04/2026Computing/Software · Small Business/Startups · Management

Key Takeaway

La adopción exitosa de agentes autónomos en el entorno corporativo exige resolver las brechas de competencia y de procesos mediante criterios estrictos que garanticen la confiabilidad y la consistencia a escala.

Highlights

  • La productividad individual se multiplica por cien con las herramientas actuales de inteligencia artificial, mientras que la productividad de las empresas medianas permanece estancada.

  • Las organizaciones escalan su rendimiento mediante procesos y criterios estructurados que aseguran resultados consistentes a pesar de la variabilidad humana.

  • Los sistemas de agentes de programación actuales enfrentan una brecha de competencia que externaliza la complejidad y el esfuerzo de gestión al usuario final.

  • La falta de un proceso estandarizado en el uso de agentes genera que cada empleado personalice su comportamiento, lo cual contradice la lógica de escalabilidad empresarial.

  • Las simulaciones y la bifurcación de trayectorias permiten depurar y supervisar el comportamiento de los agentes de producción sin depender únicamente de las evaluaciones basadas en resultados.

  • El contexto proporcionado al agente actúa como un conjunto de datos de entrenamiento en tiempo de ejecución que determina su comportamiento final.

Timeline

  1. La paradoja de la productividad en la era de la inteligencia artificial

    El trabajo con agentes busca alcanzar un nivel de fiabilidad suficiente para que firmas de sectores exigentes, como la contabilidad, confíen en ellos de principio a fin. Aunque el rendimiento personal experimenta un crecimiento exponencial con tecnologías actuales, las empresas conservan dinámicas donde la alta dirección desconoce el detalle operativo diario. La confianza en las organizaciones se sostiene mediante procesos establecidos que generalizan los buenos resultados a través del personal.

    • La productividad individual de los profesionales aumenta considerablemente con el uso de herramientas avanzadas de inteligencia artificial.
    • Las empresas medianas y las firmas promedio no experimentan un incremento equivalente en su productividad general.
    • Las organizaciones confían tradicionalmente en procesos estructurados y no en sistemas puramente deterministas para asegurar buenos resultados a escala.
  2. Las barreras de adopción: brechas de competencia y de procesos

    Los trabajadores del conocimiento carecen por lo general de los conocimientos necesarios para gestionar adecuadamente las interacciones con los agentes actuales. Permitir que cada trabajador defina su propia metodología de uso destruye la estandarización interna indispensable para las empresas. En lugar de buscar una perfección inalcanzable, los sistemas productivos requieren consistencia y fiabilidad que inspiren confianza operativa de manera sostenida.

    • Los productos de agentes de estilo de programación imponen una brecha de competencia al exigir que el usuario gestione habilidades y recuerdos complejos.
    • La ausencia de un proceso unificado provoca que cada empleado configure el comportamiento del agente de forma individual y heterogénea.
    • La solución a estas deficiencias radica en simplificar la interacción para que funcione como la colaboración con un compañero y en asegurar una consistencia confiable.
  3. Criterios de comportamiento y supervisión avanzada

    Las decisiones tomadas durante la ejecución de tareas largas crecen de manera exponencial, lo que impide comprobar de forma exhaustiva cada resultado individual. El diseño de especificaciones de comportamiento orienta las pruebas más allá de las evaluaciones tradicionales de resultados. Mediante el uso de simulaciones y la bifurcación de trayectorias previas, los creadores de sistemas identifican con precisión las causas de los conflictos y ajustan los datos en tiempo de ejecución.

    • El desarrollo de criterios firmes evita que los procesos carezcan de un enfoque definido al ejecutar tareas complejas como la lectura de documentos.
    • Las especificaciones de comportamiento funcionan como rúbricas para evaluar si el agente exhibe los patrones deseados en situaciones específicas.
    • La bifurcación y las simulaciones permiten aislar los puntos de fallo y optimizar el contexto del agente de forma económica y rápida.
  4. Escalabilidad corporativa y conclusión sobre la confianza

    La evaluación de solicitudes y tareas ejecutadas por agentes sigue criterios de control de riesgos similares a los aplicados en equipos de desarrollo humano. La introducción de modificaciones impredecibles en procesos críticos, como las declaraciones de impuestos, contradice las necesidades operativas de las organizaciones. El éxito de estas tecnologías depende de su capacidad para ofrecer simplicidad y consistencia respaldadas por criterios de comportamiento definidos.

    • La revisión humana de los agentes opera bajo los mismos ejes de radio de impacto y percepción de competencia aplicados entre compañeros de trabajo.
    • La escalabilidad del producto interno bruto y de la producción requiere procesos predecibles y fiables por encima de variaciones creativas imprevisibles.
    • La adopción de agentes exige simplicidad de uso, fiabilidad operativa y criterios claros que permitan cerrar el ciclo de mejora continua.

Description

Individual engineers have seen huge productivity gains from AI, but most companies haven't. Mitchell Troyanovsky, co-founder of Basis, argues that agents need to be simple and reliable to spread through a company, and the way to get there is to make them opinionated. He covers behavior specs, why outcome evals don't generalize to production, and two tools for finding out why an agent made a bad call: forking and sub-agent simulations. 0:00 Intro to Basis 0:42 Why company productivity hasn't jumped 1:41 How organizations scale with processes 3:29 The competency gap and the process gap 5:57 Agents need to be opinionated 9:02 Why outcome evals don't generalize 10:18 Example: a bank reconciliation behavior 12:03 Behavior specs 13:24 Forking to diagnose bad decisions 15:15 Simulations with sub-agents 17:10 Earning trust like a coworker 18:10 Why not let agents find a better way? Mitchell Troyanovsky, co-founder of Basis Join us in SF for the second annual AIE CODE summit: https://aie.codes our last flagship summit of 2026. Applications live now!

Write about this video