Cómo la IA cambia las matemáticas para las startups, según un vicepresidente de Microsoft

Russell Brandom

Jue, 12 de febrero de 2026 a las 2:51 AM GMT+9 5 min de lectura

En este artículo:

• StockStory Selección Destacada

Microsoft CVP de CoreAI Amanda Silver | Créditos de la imagen: Microsoft

Durante 24 años, Amanda Silver de Microsoft ha trabajado para ayudar a los desarrolladores — y en los últimos años, eso ha significado construir herramientas para IA. Después de un largo período en GitHub Copilot, Silver es ahora vicepresidenta corporativa en la división CoreAI de Microsoft, donde trabaja en herramientas para desplegar aplicaciones y sistemas agentes dentro de las empresas. Su trabajo se centra en el sistema Foundry dentro de Azure, que está diseñado como un portal de IA unificado para las empresas, dándole una visión cercana de cómo las compañías están usando realmente estos sistemas y dónde los despliegues terminan fallando.

Hablé con Silver sobre las capacidades actuales de los agentes empresariales y por qué ella cree que esta es la mayor oportunidad para las startups desde la nube pública.

Esta entrevista fue editada por extensión y claridad.

Entonces, tu trabajo se enfoca en productos de Microsoft para desarrolladores externos — a menudo startups que no están centradas en IA. ¿Cómo ves que la IA impacta a esas empresas?

Veo esto como un momento decisivo para las startups, tan profundo como el paso a la nube pública. Si lo piensas, la nube tuvo un gran impacto para las startups porque significaba que ya no necesitaban tener espacio físico para alojar sus servidores, ni gastar tanto en hardware para tenerlo en sus laboratorios. Todo se volvió más barato. Ahora, la IA agentica va a seguir reduciendo los costos operativos del software, porque muchas tareas involucradas en lanzar una nueva empresa — ya sea soporte, investigaciones legales — pueden hacerse más rápido y barato con agentes de IA. Creo que eso llevará a más emprendimientos y más startups lanzándose. Y veremos startups con valoraciones más altas y menos personas al mando. Y eso me parece un mundo emocionante.

¿Cómo se ve eso en la práctica?

Sin duda, estamos viendo que los agentes de múltiples pasos se usan cada vez más en todo tipo de tareas de codificación. Por ejemplo, una cosa que los desarrolladores deben hacer para mantener un código es mantenerse actualizados con las últimas versiones de las librerías que dependen. Puede que tengas una dependencia en una versión antigua del runtime de .NET o del SDK de Java. Podemos hacer que estos sistemas agentes razonen sobre todo tu código y lo actualicen mucho más fácilmente, reduciendo quizás un 70 u 80% el tiempo que lleva. Y eso requiere un agente de múltiples pasos desplegado para hacerlo.

Otra área es la operación en vivo: si piensas en mantener un sitio web o un servicio y algo sale mal, hay un golpe en la noche, y alguien debe estar de guardia para responder. Todavía tenemos personas de guardia 24/7, por si el servicio cae. Pero antes, ese trabajo era muy odiado porque te despertaban bastante seguido por incidentes menores. Ahora, hemos construido un sistema genético que diagnostica y, en muchos casos, mitiga completamente los problemas en estas operaciones en vivo, para que los humanos no tengan que despertarse en medio de la noche y tratar de diagnosticar qué pasa. Esto también reduce drásticamente el tiempo medio para resolver un incidente.

Continúa la historia

Otro de los problemas en este momento es que los despliegues agenticos no han ocurrido tan rápido como esperábamos hace seis meses. Me interesa saber por qué crees que es así.

Si piensas en las personas que están construyendo agentes, lo que les impide tener éxito, en muchos casos, es no saber realmente cuál debe ser el propósito del agente. Hay un cambio cultural que debe ocurrir en cómo se construyen estos sistemas. ¿Cuál es el caso de uso empresarial que intentan resolver? ¿Qué quieren lograr? Debes tener muy claro qué significa éxito para ese agente. Y pensar, ¿qué datos le doy al agente para que pueda razonar sobre cómo lograr esa tarea en particular?

Vemos esas cosas como los mayores obstáculos, más que la incertidumbre general de desplegar agentes. Quien examine estos sistemas verá el retorno de inversión.

Mencionas la incertidumbre general, que parece un gran obstáculo desde fuera. ¿Por qué crees que en la práctica es menos problemático?

Primero, creo que será muy común que los sistemas agenticos tengan escenarios con intervención humana. Piensa en algo como una devolución de paquete. Antes, había un flujo de trabajo para procesar devoluciones que era 90% automatizado y 10% con intervención humana, donde alguien tenía que revisar el paquete y decidir qué tan dañado estaba antes de aceptar la devolución.

Eso es un ejemplo perfecto: ahora los modelos de visión por computadora están tan avanzados que, en muchos casos, ya no necesitamos tanta supervisión humana para inspeccionar el paquete y tomar esa decisión. Todavía habrá casos límite, donde quizás la visión por computadora no sea suficiente para decidir, y haya que escalar. Es como, ¿con qué frecuencia necesitas llamar al gerente?

Algunas cosas siempre requerirán supervisión humana, porque son operaciones críticas. Piensa en cumplir una obligación legal contractual, o desplegar código en producción que pueda afectar la fiabilidad de tus sistemas. Pero incluso entonces, está la pregunta de cuánto podemos automatizar el resto del proceso.