Un agente que improvisa no puede firmar una inversión: el argumento del determinismo

El coste de delegar una tarea repetitiva en un agente

David Teruel, fundador de GreenPowerFinder, lanzó una pregunta al público en RENMAD UsefulAI 2026, el 2 de junio. Imagina una tarea que hay que repetir decenas, cientos o miles de veces. ¿Quién debería hacerla? La respuesta que suele recibir, cuenta, es «lo tengo, un agente de inteligencia artificial». Y a eso venía, «vengo a desmontar un poco ese mito».

Él mismo se adelantó a la lectura fácil, la del discurso anti-IA. Su objeción apuntaba a la premisa de la mesa, los agentes autónomos, y el motivo es el dinero. «Yo creo que delegar ese tipo de tareas, ese tipo de trabajos en agentes de inteligencia artificial no siempre es la mejor decisión», dijo.

«Yo no creo que las inteligencias artificiales deban tomar decisiones, deben darnos la información para que nosotros podamos mejorar nuestra toma de decisiones», añadió. La razón la había puesto en una frase, «una decisión mal tomada cuesta dinero».

Por qué la misma pregunta devuelve dos respuestas distintas

El argumento técnico llegó con un caso propio, de los que dan dificultades. Dale a un modelo generativo una norma subsidiaria escaneada de hace veinticinco años y te la procesa de maravilla, te saca conclusiones y te propone alternativas. Empieza a pasarle mucha documentación diversa que se contradice entre sí, con jerarquías jurídicas y modificaciones puntuales encima, y aparecen «los famosos overlap, los lost in the middle, las ventanas de desbordamiento, las ventanas de contexto por sobrecarga cognitiva». Son solapamientos entre documentos, y datos que el modelo pierde de vista cuando le caen en la mitad de un texto largo, dentro de una ventana de contexto que es todo lo que puede tener delante a la vez.

Teruel nombró la consecuencia, «se genera un sistema no determinista […] cuando vamos a tomar una decisión nos va a dar información fluctuante, no nos va a dar siempre la misma información ni nos va a extraer siempre las mismas conclusiones».

Eso está documentado fuera del sector, y con números. Thinking Machines Lab lo midió en septiembre de 2025 con un experimento sencillo. Mandó mil peticiones idénticas al mismo modelo con la temperatura a cero, es decir, pidiéndole explícitamente que no improvisara, y recibió ochenta respuestas distintas. La divergencia empezaba en el token 103, la pieza mínima de texto con la que escribe un modelo. La causa está en los kernels de GPU, las rutinas de cálculo que ejecuta la tarjeta gráfica. Su resultado numérico depende del tamaño del lote en que viaja tu petición, y el lote cambia según cuánta gente esté usando el servicio en ese segundo. Cuando los reescribieron para que el resultado no dependiera del lote, las mil respuestas salieron idénticas y el cálculo tardó aproximadamente el doble.

La fluctuación que describió Teruel está en la arquitectura del sistema. Cambiar de modelo o bajar la temperatura la deja donde está, y quitarla de verdad se paga en cómputo.

Medir cuánto te cuesta esa fluctuación tiene nombre desde 2024. Es `pass^k`, la métrica que introdujo Sierra, empresa de agentes de IA, con τ-bench, su batería de pruebas. La pregunta que hace `pass^k` es si el agente acierta k veces seguidas, por ejemplo ocho intentos con ocho aciertos. En tareas de atención al cliente en comercio, el agente de referencia de aquel estudio superaba el 60% de aciertos a la primera y caía por debajo del 25% al exigirle las ocho. Aquel agente era de 2024 y su puntuación no describe el estado del arte de hoy. La métrica sigue valiendo, porque un proceso de inversión es una cadena de aciertos consecutivos.

Qué se juega un promotor cuando la puntuación fluctúa

Álvaro Sotorrío, CEO y fundador de ORKA Energía, describió lo que hay que desembolsar antes de tener nada, «en el desarrollo de proyectos hay que adelantar mucho dinero, hay que poner avales, hay que hacer informes, hay que pagar opciones». Cada una de esas partidas sale de una decisión previa sobre qué oportunidad merece el desembolso, y el dinero lo adelantas tú.

Ese es el producto que describía Teruel, un informe de prefactibilidad que con un clic cruza urbanismo, punto de conexión y capacidad disponible, más la dispersión de olores en biometano, y lo resume en una puntuación. De ahí la condición que él mismo le pone al producto, «es muy importante que esa información sea predecible, que sea determinista, que no fluctúe, que no cada vez que le doy a clic me vaya a dar una puntuación diferente».

Un informe que puntúa distinto el martes que el lunes manda al promotor a poner avales sobre una cifra que se mueve.

Trocear el problema hasta que sea determinista

La salida que planteó Teruel empieza por el tamaño del encargo, porque «si tenemos un problema muy grande, vamos a partirlo en problemas muy pequeñitos», muchos resolubles «con algoritmia básica tradicional», y «lo que vamos a delegar siempre son tareas muy específicas, muy concretas que sí que van a ser deterministas». Los sistemas que persigue son repetibles, auditables, trazables «y sobre todo deterministas».

De ahí su remate sobre la pregunta de siempre. «Muchas veces, ¿qué modelo usas? Si es que da igual.» Lo dijo con una condición delante, «si las soluciones están bien diseñadas», y sin convertirlo en regla, «las soluciones suelen ser agnósticas al modelo».

Xavi Riba, socio fundador de Temos.ai, midió la distancia entre una prueba de concepto y un producto que aguanta, y lo hizo vendiendo agentes, «realmente puedes en una tarde hacerte un pilotillo, un POC que digas, oye, más o menos funciona. Ahora bien, hacer un agente en producción fiable que funcione es extremadamente difícil. O sea, estamos en los dos extremos.» Su listón de «fiable» tiene dos condiciones, «que no alucine, que no te dé dos de cada tres veces un resultado no óptimo».

Los dos tropiezos que contaron los propios vendedores

Los dos salieron porque Alicia Carrasco, la moderadora, les pidió un caso de éxito o uno que hubiera tardado más de lo previsto. Sotorrío activó el módulo de agentes de su plataforma convencido del efecto, «yo dije, con lo que es capaz de hacer, la gente va a flipar. Pues no, la gente lo utilizaba para acceder a esa misma información» que ya obtenía con los filtros. Lo arregló explicando a los clientes qué se le puede pedir a un agente en lenguaje natural y, a su juicio, ahora «ya están sacándole todo el partido a esos agentes». Su conclusión, «de primeras yo creo que hay que educar para poder aprovechar ese cambio de paradigma».

Riba automatizó la respuesta a alegaciones en información pública y chocó con lo mismo, «cuesta mucho cambiar las maneras de hacer de las personas […] te tienes que fiar de que la respuesta que vaya a hacer sea buena». De ahí su aprendizaje. Entregar la herramienta no es todo el trabajo, «sino es un poco el co-crear, el adaptar, el personalizar, el customizar».

Los dos tropiezos fueron de adopción, y los dos encajan con lo que se mide fuera de la sala. Deloitte, en su Tech Trends 2026, encuentra que el 38% de las organizaciones encuestadas pilota agentes y solo el 11% los tiene en producción. Entre pilotar y producir hay esa distancia, y los dos casos explican parte del motivo.

El determinismo como argumento de venta

La mesa no llegó a un acuerdo. Tres de los cuatro venían a vender lo que el primero había puesto en duda, y la discrepancia quedó en pie delante del público. La condición que puso Sotorrío no cierra ese desacuerdo, pero marca el terreno que comparten. Él la pidió así, «creo que también es muy importante que no sea una caja negra la IA», y «siempre tienes que poder verificar de dónde vienen esos datos», porque la alternativa es «yo le pregunto a la IA, me da una respuesta y fe ciega en lo que te da». Es lo mismo que pedía Teruel, dicho por quien vende el agente.

Eso mueve de sitio el valor. Leer normativa y sacar conclusiones de un PDF, dijo Teruel, «lo veo un problema trivial y el que no lo haga llega tarde y el que lo está haciendo ya no aporta valor». El modelo tiende a ser un commodity, se cambia por otro y da igual. Lo que te sigue diferenciando es el dato propietario, la orquestación de los pasos y la garantía de que el mismo clic da el mismo número.

Un modelo generativo improvisa y cada vez te sorprende, y eso es justo lo que lo inhabilita para firmar una inversión. En cuanto asumes eso, el determinismo es la característica que puedes vender. Trocea el problema, delega solo lo determinista y deja cada número con su fuente al lado.

Es lo que permite que un comité de inversión o un auditor acepten un número que ha salido de una máquina, y lo que hace bancable a la inteligencia artificial.

Panel de RENMAD UsefulAI 2026, Madrid, 2 de junio de 2026. David Teruel, fundador de GreenPowerFinder; Xavi Riba, socio fundador de Temos.ai; Álvaro Sotorrío, CEO y fundador de ORKA Energía; Christian Crespo de León, CEO de icloudCompliance. Modera Alicia Carrasco, CEO de OlivoEnergy.