Philipp Schmid, ingeniero de Google Deepmind: "Los agentes de IA son solo archivos, y tu arnés de Python es el riesgo"
Elígenos como tu fuente preferida en Google.
Philipp Schmid, de DeepMind, explica por qué la IA reduce la necesidad de código en Python para agentes y cómo los archivos markdown reemplazan el "harness" clásico.
¿Pensando en aprender Python? La inteligencia artificial se vuelve cada vez más presente en los proyectos de programación y está obligando a replantear muchas de las prácticas que parecían imprescindibles hace apenas unos años.
Es evidente que un cambio gigante está sucediendo con respecto al sector de la informática. A pesar de que estés buscando los mejores lenguajes para programar, siempre te vas a topar con la IA y es importante darse cuenta del impacto porque transforma la manera en la que actúan miles de empresas.
Sin embargo, ¿hasta qué punto son eficaces? Philipp Schmid, ingeniero de Google Deepmind, habla sobre lo que se requiere para crear, mantener y hacer que funcionen este tipo de asistentes.
Philipp Schmid cree que el futuro de los agentes pasa por eliminar código, no por añadirlo
¿Qué tan difícil puede ser hacer un ChatGPT o un Gemini? La inteligencia artificial es más compleja de lo que crees. Durante una intervención en el podcast AI Engineer, Philipp Schmid, Developer Advocate de Google DeepMind, defendió una idea que va a contracorriente de buena parte de la industria.
El software que tradicionalmente rodea a los agentes de IA se está convirtiendo en una carga innecesaria. Según explicó, muchos equipos dedican enormes recursos a desarrollar bucles de ejecución en Python, esquemas JSON, sistemas de enrutamiento y mecanismos de gestión de errores que los modelos modernos ya pueden asumir por sí mismos.
La frase que resume su posición es contundente: "Los agentes son solo archivos". Para respaldar su argumento, Schmid citó varios ejemplos. Uno de los más llamativos corresponde a Cursor, cuya arquitectura habría pasado de aproximadamente 12.000 líneas de TypeScript a un archivo de agente de unas 200 líneas.
Por otro lado, mencionó a Windsurf, que eliminó cerca del 80% de sus herramientas internas obteniendo respuestas más rápidas y precisas, y a Manus, que tuvo que rediseñar repetidamente su infraestructura de agentes durante apenas seis meses.
Para Schmid, estos casos ilustran una tendencia clara: a medida que los modelos mejoran, la cantidad de código de orquestación debería reducirse, no aumentar.
El ingeniero de Google DeepMind propuso una especie de regla práctica para los desarrolladores, diciendo que "si tu arnés se vuelve más complejo a medida que mejora el modelo, probablemente estás sobreingenierizando tu arnés".
Para entenderlo de otra manera, ya no se tienen que construir complejas capas intermedias, sino definir correctamente las instrucciones, documentar capacidades mediante archivos de habilidades y establecer sistemas de evaluación para verificar el funcionamiento.
Del control total en Python a los agentes remotos que trabajan dentro de un sandbox
No solamente explicó lo que está sucediendo con Python, sino que, para demostrarlo, Schmid presentó el mismo agente de revisión de pull requests de GitHub mediante tres enfoques distintos.
En la primera versión, el desarrollador controlaba todo mediante Python: llamadas a APIs, gestión de errores, definición de herramientas y otras acciones.
La segunda trasladaba gran parte de esa complejidad a un framework especializado de agentes, mientras que la tercera eliminaba prácticamente toda esa infraestructura y la sustituía por archivos de configuración, instrucciones en Markdown y un entorno remoto administrado por Google.
Según explicó, la diferencia clave aparece cuando el agente trabaja dentro de un sandbox aislado en la nube porque es capaz de instalar herramientas que no estaban previamente disponibles en lugar de depender exclusivamente de funciones programadas de forma manual.
Así, el agente detectó que faltaba la utilidad GitHub CLI, la instaló por su cuenta y continuó con la tarea sin intervención humana. Entonces, lo que dice el experto es que es mejor ofrecer herramientas genéricas y permitir que el modelo encuentre el camino adecuado para alcanzar un objetivo en especial.
Otro aspecto importante es la seguridad. Google ha desarrollado un mecanismo basado en un proxy de red que introduce credenciales cuando el agente realiza solicitudes externas.
Precisamente por eso, Schmid insiste en que el papel de los desarrolladores no desaparece ante esta tecnología, y es que todavía hay dependencias de instrucciones, criterios, inspección y muchas tareas que una IA no logra.