--- type: BCV asset_id: BCV-The-Agentic-Org-HumanSkills-v02 version: v02 status: Operativo owner: Victor Heredia sherpa_owner: Jay fecha_creacion: 2026-05-20 fecha_ultima_actualizacion: 2026-06-08 intellbank: IB-EL-EmpowerLabs subbank: BC-EL-BrainCodes bc_type: BCV source_name: La Organización Agéntica y las 7 Habilidades del Nuevo Operador source_type: CORPUS_SINTÉTICO_ORIGINAL materials_used: - tipo: reporte_corporativo referencia: "McKinsey — 'The Agentic Organization: Contours of the Next Paradigm for the AI Era' (septiembre 2025)" - tipo: podcast_corporativo referencia: "McKinsey Podcast — 'AI is Everywhere. The Agentic Organization Isn't—Yet' con Alexis Krivkovich (2025-2026)" - tipo: reporte_anual referencia: "Asana — Anatomy of Work Report (anual, 2023-2025): '60% del tiempo = work about work'" - tipo: paper_academico referencia: "Alex Farach — 'AI as Coordination-Compressing Capital: Task Reallocation, Organizational Redesign, and the Regime Fork' (arXiv:2602.16078, feb 2026)" - tipo: blog_tecnico referencia: "Anthropic Engineering — 'Effective Harnesses for Long-Running Agents' (2025-11-26)" - tipo: documentacion_tecnica referencia: "LangChain / Lance Martin — 'The Anatomy of an Agent Harness' (2025)" - tipo: blog_seguridad referencia: "Microsoft Security — 'Taxonomy of Failure Modes in Agentic AI Systems' (2026-06-04)" - tipo: analisis_futuro_del_trabajo referencia: "MindStudio — 'What Is the AI Coordination Overhead Problem?' (2026-03-16)" - tipo: analisis_corporativo referencia: "Fortune — 'The Megamanager Era: How AI Changes Spans of Control' (2026-04-07)" distillation_date: 2026-06-08 distiller_version: TP-XX-BCDistillerEngine-Portable-v02 distilled_by: Jay (síntesis original + investigación primaria verificada) confidence: lenses: muy_alta models: muy_alta principles: muy_alta rules: alta algorithms: alta skills: alta tacit_patterns: alta readiness_score: ⭐⭐⭐⭐ coverage_note: | Corpus sintético original: las "7 Habilidades del Nuevo Operador" son síntesis propia que no existe como lista numerada en ninguna fuente única (confirmado por investigación primaria jun 2026 — ver CAL-1). La arquitectura de la Organización Agéntica se basa principalmente en McKinsey sep 2025 y el paper arXiv:2602.16078 (Farach, feb 2026). Alta cobertura en marcos organizacionales y habilidades humanas críticas. Menor cobertura en implementaciones técnicas específicas de cada habilidad por industria vertical. usage_modes: [VALIDACIÓN, AUDITORÍA, CREACIÓN, FORMACIÓN] upgrade_from: BCV-The-Agentic-Org-HumanSkills-CognitiveStack-v01 upgrade_notes: | v02 reescritura completa desde anatomía v01 ad-hoc a anatomía BCV v02 completa. Las 7 Habilidades han sido expandidas de descripciones breves a frameworks operativos con indicadores de activación y anti-patrones. Nuevas fuentes verificadas: McKinsey sep 2025, arXiv:2602.16078, Anthropic Engineering (nov 2025), Microsoft Security taxonomy (jun 2026). CAL-1: documentación de que "7 Skills" es síntesis original — no derivada de un único video o ensayo (verificado por investigación directa). --- ## Asset Header - **Asset ID:** BCV-The-Agentic-Org-HumanSkills-v02 - **Tipo:** BCV — Brain Code de Contenido/Corpus Sintético Original - **Fuente:** La Organización Agéntica + 7 Habilidades del Nuevo Operador (síntesis original) - **Readiness:** ⭐⭐⭐⭐ - **Upgrade desde:** BCV-The-Agentic-Org-HumanSkills-CognitiveStack-v01 - **Última actualización:** 2026-06-08 --- > **INSTRUCCIÓN DE USO** > Este BCV activa el sistema de ideas sobre la transformación organizacional en la era agéntica. > Aplica para: evaluación de roles humanos ante IA, diseño de organizaciones agénticas, > identificación de habilidades críticas a desarrollar, diseño de sistemas multi-agente con supervisión humana. > Layer CAL activo en Board Mode — especialmente CAL-1 sobre la naturaleza de síntesis de las "7 Habilidades". --- ## LAYER M — METADATA *Ver frontmatter superior.* --- ## LAYER 0 — IDENTIDAD DEL CONTENIDO ### 0.1 Frase Identitaria La Organización Agéntica es el modelo donde un equipo pequeño de humanos supervisa y dirige una flota grande de agentes de IA — eliminando el "impuesto de coordinación" que consume el 42-60% del tiempo de trabajo, pero requiriendo un conjunto completamente nuevo de habilidades humanas: no las de ejecutar tareas, sino las de especificar, evaluar, descomponer, y supervisar sistemas que las ejecutan. ### 0.2 La Pregunta Central ¿Qué habilidades específicas necesita un humano en 2026+ para ser irreemplazable en un mundo donde los agentes de IA ejecutan cada vez más el trabajo — y cómo se diseña una organización que capture el máximo valor de esa colaboración? ### 0.3 Salience Architecture — Qué Activa Este Marco **Señal 1: Un rol humano que "solo transmite información"** - *Disparador:* Una persona cuyo trabajo principal es tomar información de A, procesarla levemente, y entregarla a B. Rol de relay, de traducción entre sistemas. - *Respuesta del marco:* "Translation Layer Collapse" — este rol tiene probabilidad de desplazamiento muy alta. La pregunta es: ¿qué crea esta persona más allá de mover información? **Señal 2: Un equipo que gasta más de 40% de su tiempo en reuniones de coordinación** - *Disparador:* Alta frecuencia de status updates, reuniones de sincronización, emails de "¿cómo vas?", escalamientos internos. - *Respuesta del marco:* El "impuesto de coordinación" está activo. Los agentes pueden eliminar gran parte de esto. La pregunta es: ¿el equipo tiene las habilidades para operar "above the loop"? **Señal 3: Un sistema de agentes que produce outputs de calidad incierta** - *Disparador:* Nadie sabe exactamente cómo evaluar si lo que producen los agentes es bueno, o qué hacer cuando falla. - *Respuesta del marco:* Las habilidades 2 (Juicio de Calidad) y 4 (Reconocimiento de Patrones de Falla) son el cuello de botella. Sin estas dos, la organización agéntica no puede escalar con confianza. ### 0.4 Content Architecture — Mapa del Corpus Este BCV integra tres corrientes: **Corriente 1: La Organización Agéntica como modelo (McKinsey, 2025)** McKinsey publicó en septiembre 2025 el paper definitivo del campo. Tesis central: un equipo de 2-5 humanos puede supervisar una "fábrica de agentes" de 50-100 agentes especializados. Los cinco pilares de la organización agéntica: (1) Modelo de Negocio, (2) Modelo Operativo, (3) Gobernanza, (4) Workforce/Cultura, (5) Tecnología y Datos. **Corriente 2: El Impuesto de Coordinación (Asana + Farach, 2023-2026)** El 42-60% del tiempo de trabajo del conocimiento se consume en coordinación — no en creación de valor directo (Asana: 60% en "work about work"; Farach arXiv:2602.16078: 42-57% derivado de datos APQC). Los agentes de IA eliminan esta overhead progresivamente. El resultado: los humanos que sobreviven son los que operan por encima del loop de coordinación, no dentro de él. **Corriente 3: Las 7 Habilidades del Nuevo Operador (síntesis original)** No existe como lista en ningún ensayo o video único (ver CAL-1). Es una síntesis de múltiples fuentes: la habilidad de especificación (Anthropic Engineering), la de evaluación de calidad (McKinsey "above the loop"), la de descomposición multi-agente (LangChain/LangGraph), la de diagnóstico de fallos (Microsoft Security taxonomy), la de diseño de confianza (Anthropic), la de arquitectura de contexto (Chase/LangChain Context Engineering), y la de economía de tokens (práctica de ingeniería 2024-2026). ### 0.5 Aportación Única en Contexto **Lo que este corpus aporta:** - Nombra la transformación organizacional con precisión: no "la IA automatizará trabajos" sino "la coordinación (42-60% del trabajo) será eliminada; el 40-58% restante —crear, juzgar, diseñar, liderar— se vuelve el trabajo 100% del humano". - Especifica las 7 habilidades exactas que hacen a un humano irreemplazable en la organización agéntica — no como lista de deseos sino como framework operativo con indicadores de activación. - Define el "agentic harness" como la infraestructura que rodea a un agente (contexto + tools + límites + loop de orquestación) — y posiciona el diseño de ese harness como una habilidad humana crítica. **Lo que NO aporta:** - No resuelve el problema de gobernanza de IA a escala de empresa o gobierno. - No define con precisión cómo medir el "valor" de cada habilidad humana en términos monetarios. - No provee playbooks específicos por industria vertical. ### 0.6 Conexiones Críticas - **PRERREQUISITOS:** [Context Engineering / BCV-ContextEngineering-MemoriaVirtual-v02] → La Habilidad 6 (Arquitectura de Contexto) es el mismo corpus. El Context Engineering es una habilidad central de la organización agéntica. - **PRERREQUISITOS:** [Diseño de sistemas de software / APIs] → El diseño de harnesses de agentes requiere literacidad técnica mínima — no saber programar, pero sí entender qué es un tool call, qué es un contexto, y qué es un límite de seguridad. - **CONTRASTES:** [Management tradicional / Teoría de la firma de Coase] → El modelo organizacional clásico reduce costos de transacción via la empresa; la organización agéntica los reduce eliminando el impuesto de coordinación interno. La lógica es distinta: no es "cómo coordinamos mejor" sino "cómo eliminamos la necesidad de coordinar". - **COMPLEMENTOS:** [BC-JensenHuang-CognitiveStack-v03] → La "Flat Organization" de Jensen (60 direct reports, sin 1:1s, información sin jerarquía) es una forma temprana del modelo agéntico: un humano supervisando muchos "agentes" (humanos) a la vez, con información simétrica. ### 0.7 Mapa de Frontera | Área del BCV | Frontera / Limitación | Lo que hay más allá | Modo de uso combinado | |:---|:---|:---|:---| | Las 7 Habilidades como lista | Las habilidades son ortogonales — la importancia de cada una varía radicalmente por rol e industria | Frameworks de mapeo por rol específico (CTO vs. Product Manager vs. Operaciones) | Usar este BCV para entender las habilidades; construir un mapa de relevancia por rol específico con otro framework | | Organización Agéntica McKinsey | Marco pensado para grandes empresas; la aplicación en startups y SMEs está subdesarrollada | Modelos organizacionales de pequeña escala con IA (Solopreneur agéntico, equipo de 5 + 50 agentes) | Combinar con frameworks de startup organization para adaptar la escala | | Impuesto de coordinación (42-60%) | El dato es un promedio; varía mucho por industria y tipo de trabajo | Análisis específico por función (ventas vs. desarrollo de software vs. operaciones) | Usar el Farach paper (arXiv:2602.16078) como referencia para análisis sectorial | | Diseño de harness como habilidad | Esta habilidad está en evolución rápida — lo que es "best practice" en 2026 puede cambiar en 12 meses | Estandarización futura via protocolos como MCP y agent frameworks | Revisar este mapa cada 6 meses; la evolución del campo es rápida | > Mapa actualizado al: 2026-06-08. Próxima revisión: +6 meses (2026-12). --- ## CAPA A — PERCEPCIÓN: CÓMO VE ESTE MARCO ### A1 Cognitive Lenses Los lentes definen cómo el marco diagnostica cualquier situación organizacional o de carrera ante la IA agéntica. --- **LENTE 1: El Impuesto de Coordinación — ¿Cuánto trabajo es "work about work"?** El 42-60% del tiempo de la mayoría de los trabajadores del conocimiento se consume en coordinar — no en crear valor directo. Reuniones de sincronización, status updates, emails de "¿cómo vas?", escalamientos, handoffs. Esto no es trabajo — es la fricción del trabajo. - Ante un equipo: ¿Cuánto tiempo pasan en reuniones sobre el trabajo vs. haciendo el trabajo? - Ante un proceso: ¿Cuántos pasos son de coordinación (A pasa a B, B valida con C, C aprueba a D) vs. de creación de valor? - La tesis de la Organización Agéntica: los agentes eliminan el impuesto de coordinación progresivamente. Los humanos que sobreviven son los que generan valor en el 40-58% restante. *Evidencia cuantitativa:* Asana Anatomy of Work: 60% del tiempo = work about work. Farach (arXiv:2602.16078, feb 2026): 42-57% según datos APQC/O*NET. *Señal de uso:* Ante la evaluación del impacto de IA en un equipo o empresa, cuantificar primero qué porcentaje del trabajo actual es coordinación. Ese porcentaje es el target de automatización más inmediato. --- **LENTE 2: "Above the Loop" vs. "Inside the Loop"** La gran división en la organización agéntica no es entre "trabajo manual" y "trabajo intelectual" — es entre estar *dentro* del loop de ejecución o *por encima* de él. - **Inside the Loop:** Ejecutar pasos del proceso, relayar información, producir según checklist. Estos son los primeros en ser automatizados. - **Above the Loop:** Definir qué produce el loop, evaluar si lo que produce es bueno, rediseñar el loop cuando falla, decidir cuándo escalar y cuándo no. Esto es lo que los humanos retienen. *Fuente:* McKinsey podcast (Krivkovich): "Los humanos van a estar encima del loop de trabajo, no dentro de él." *Señal de uso:* Para cualquier rol, preguntar: "¿Cuánto de este trabajo es ejecutar vs. definir, evaluar, y rediseñar?" La proporción determina la vulnerabilidad al reemplazo y el desarrollo de carrera correcto. --- **LENTE 3: Translation Layer Collapse — ¿Este rol solo mueve información?** En la organización tradicional, muchos roles existen para "traducir" información de un formato, idioma o nivel de abstracción a otro — de técnico a ejecutivo, de cliente a producto, de datos a decisión. Los agentes hacen estas traducciones automáticamente. - Ante un rol: ¿Cuál es el valor que agrega más allá de tomar información de A y entregarla en formato diferente a B? - Si la respuesta es "principalmente la traducción": el rol tiene alta probabilidad de desplazamiento. - La pregunta de supervivencia: ¿Qué pasa si el receptor (B) pudiera hablar directamente con la fuente (A) — sin intermediario? *Señal de uso:* Ante el diseño de un equipo nuevo o la evaluación de roles existentes, identificar qué roles son de relay/traducción. No para eliminarlos inmediatamente — sino para planificar cómo esas personas desarrollan habilidades "above the loop". --- **LENTE 4: La Fábrica de Agentes — Un Humano, Muchos Agentes** La Organización Agéntica invierte la ratio de supervisión. En el modelo tradicional: 1 manager → 5-10 reportes directos. En el modelo agéntico: 1-2 humanos → 50-100 agentes especializados. - Ante el diseño de un proceso: ¿Qué hace cada agente? ¿Cómo se coordinan entre sí? ¿Quién (humano) supervisa qué outputs y cuándo escala? - Ante la evaluación de un equipo: ¿Cuántos agentes podría supervisar un humano de este equipo si tuviera las habilidades correctas? La respuesta define el factor de palanca. - Ante la asignación de recursos: El humano more valuable es el que puede supervisar más agentes con más calidad — no el que ejecuta las tareas más rápido. *Fuente:* McKinsey sep 2025: "Un equipo de 2-5 humanos puede supervisar una fábrica de agentes de 50-100 agentes especializados." --- **LENTE 5: El Agentic Harness — Estructura Que Rodea al Agente** Un agente sin harness es un LLM desnudo. El harness es el sistema que lo rodea: el contexto que recibe, las tools que puede llamar, los límites que no puede cruzar, el loop de orquestación, y el mecanismo de escalamiento al humano. - Ante cualquier sistema agéntico: ¿Existe un harness explícito? ¿El harness fue diseñado o surgió por accidente? - Los componentes del harness: (1) Context / Memory. (2) Tools disponibles. (3) Límites y guardrails. (4) Loop de orquestación. (5) Protocolo de escalamiento. - La habilidad humana crítica: no programar el agente — diseñar el harness que lo hace útil y seguro. *Fuente:* Anthropic Engineering (nov 2025): "The Claude Agent SDK is a powerful, general-purpose agent harness." LangChain: "The Anatomy of an Agent Harness." --- ### A2 Mental Models Los modelos organizan la comprensión de la Organización Agéntica como sistema. --- **MODELO 1: Los 5 Pilares de la Organización Agéntica (McKinsey, sep 2025)** ``` PILLAR 1: MODELO DE NEGOCIO → ¿Cómo cambia la propuesta de valor cuando los agentes producen? → ¿El costo marginal de producción colapsa? ¿Cómo se captura ese valor? PILLAR 2: MODELO OPERATIVO → ¿Cómo se estructura el trabajo humano + agente? → Nuevos spans of control: 1 humano → muchos agentes → Rediseño de procesos para eliminar handoffs de coordinación PILLAR 3: GOBERNANZA → ¿Quién aprueba qué decisiones del agente? → ¿Qué errores requieren escalamiento humano? → Protocolos de auditabilidad y trazabilidad PILLAR 4: WORKFORCE / CULTURA → ¿Qué habilidades necesitan los humanos que quedan? → ¿Cómo se mide el performance cuando el output es del agente + humano? → Cultura de "above the loop" — juzgar, no solo ejecutar PILLAR 5: TECNOLOGÍA Y DATOS → Infraestructura de agentes (harnesses, orquestación, memoria) → Calidad de datos para entrenamiento y retrieval → Observabilidad y monitoreo de la flota de agentes ``` --- **MODELO 2: El Espectro de Autonomía del Agente** ``` NIVEL 0: HERRAMIENTA → El agente ejecuta una tarea específica bajo instrucción directa → Humano decide cuándo y cómo usarlo → Ejemplo: "resume este documento" NIVEL 1: ASISTENTE PROACTIVO → El agente completa tareas sin instrucción explícita por tarea → Humano define la meta; el agente planifica y ejecuta pasos → Ejemplo: "investiga competidores y dame un análisis semanal" NIVEL 2: AGENTE AUTÓNOMO CON SUPERVISIÓN → El agente opera pipelines completos; escala al humano en incertidumbre → Humano revisa outputs y aprueba decisiones de impacto alto → Ejemplo: pipeline de contenido → publicación → monitoreo de resultados NIVEL 3: FÁBRICA DE AGENTES → Múltiples agentes especializados coordinados → Pocos humanos supervisan el sistema completo → Humanos intervienen solo en fallos, decisiones éticas, y mejoras del sistema El error más común: querer ir directamente a Nivel 3 sin construir las habilidades humanas para supervisar Nivel 2. ``` --- **MODELO 3: Las 7 Habilidades del Nuevo Operador** *(Síntesis original — ver CAL-1)* ``` HABILIDAD 1: PRECISIÓN DE ESPECIFICACIÓN ¿Qué hace? → Traducir una intención vaga en instrucciones precisas, verificables, sin ambigüedad para un agente. Sin esto: El agente produce lo que puede inferir, no lo que se quería. Con esto: El output del agente es predecible y reutilizable. HABILIDAD 2: JUICIO DE CALIDAD ¿Qué hace? → Evaluar si el output de un agente es bueno, suficiente, o requiere iteración — sin ejecutar la tarea uno mismo. Sin esto: El output del agente se acepta o rechaza sin criterio claro. Con esto: El humano puede mejorar el sistema, no solo el output. HABILIDAD 3: DESCOMPOSICIÓN MULTI-AGENTE ¿Qué hace? → Dividir una tarea compleja en subtareas asignables a agentes especializados, con interfaces claras entre ellos. Sin esto: Un solo agente general intenta hacer todo y falla en complejidad. Con esto: La fábrica de agentes produce outputs imposibles para un solo agente. HABILIDAD 4: RECONOCIMIENTO DE PATRONES DE FALLA ¿Qué hace? → Identificar cuándo un agente está fallando (o está a punto de fallar) y cuál es la categoría de falla. Sin esto: Los fallos se detectan solo cuando el daño ya está hecho. Con esto: El sistema escala al humano antes, no después, del error crítico. HABILIDAD 5: DISEÑO DE CONFIANZA Y SEGURIDAD ¿Qué hace? → Diseñar los guardrails, límites de autorización, y protocolos de escalamiento que hacen que el agente sea seguro de operar. Sin esto: El agente actúa con acceso irrestricto y produce errores irreversibles o daño real. Con esto: El sistema puede operar con autonomía creciente sin riesgo descontrolado. HABILIDAD 6: ARQUITECTURA DE CONTEXTO ¿Qué hace? → Diseñar qué información recibe el agente, en qué formato, y cuándo — para maximizar la calidad del output. (Ver BCV-ContextEngineering-MemoriaVirtual-v02 para el framework completo) Sin esto: El agente trabaja con contexto incompleto o ruidoso; los outputs son inconsistentes. Con esto: El agente produce outputs reproducibles con la información correcta. HABILIDAD 7: ECONOMÍA DE TOKENS ¿Qué hace? → Optimizar el costo de inferencia — tokens, latencia, calls de API — sin sacrificar calidad. Tratar los tokens como recurso escaso con ROI. Sin esto: El costo de operación de la flota de agentes escala sin control. Con esto: El sistema es financieramente sostenible y las inversiones en compute producen retorno medible. ``` --- **MODELO 4: Taxonomía de Fallos de Agentes (Microsoft Security, jun 2026)** ``` CATEGORÍA 1: COMPROMISO DEL AGENTE → El agente es manipulado para actuar en beneficio de un atacante → Ejemplo: prompt injection en datos externos que el agente procesa CATEGORÍA 2: IMPERSONACIÓN → El agente se hace pasar por otro sistema o persona → Ejemplo: un agente de email que responde como el usuario sin autorización CATEGORÍA 3: MANIPULACIÓN DE FLUJO → El flujo de decisiones del agente es alterado para producir outcomes no deseados → Ejemplo: un agente de aprobación que siempre aprueba debido a instrucciones maliciosas CATEGORÍA 4: ABUSO DE AUTORIZACIÓN → El agente usa permisos que tiene pero no debería usar en ese contexto → Ejemplo: un agente de HR que accede a datos financieros porque los tiene disponibles CATEGORÍA 5: ERROR DE ESPECIFICACIÓN → El agente hace exactamente lo que se le dijo, pero lo que se le dijo estaba mal especificado → Ejemplo: el agente borra "todos los archivos de draft" incluyendo los activos Para la Habilidad 4 (Reconocimiento de Patrones de Falla): El humano must ser capaz de identificar a qué categoría pertenece el fallo antes de intervenir — la respuesta es diferente para cada una. ``` --- ### A3 Anchor Cases Episodios concretos que el corpus cita como validación del framework. --- **CASO 1: Asana — El Dato del 60%** Asana publica anualmente el "Anatomy of Work Report". El hallazgo central que se ha mantenido consistente: el 60% del tiempo de los trabajadores del conocimiento se dedica a "work about work" — status updates, reuniones de sincronización, búsqueda de información, escalamientos. Solo el 40% es trabajo directo en el objetivo. *Lo que revela:* El impuesto de coordinación no es una metáfora — tiene una medición. Y si los agentes eliminan el 60% de overhead, la pregunta urgente es: ¿qué hacen los humanos con el 100% del tiempo cuando ya no coordinan? --- **CASO 2: McKinsey — 2 Humanos, 50 Agentes** El McKinsey paper de septiembre 2025 presenta el caso de que un equipo de 2-5 personas puede supervisar una fábrica de 50-100 agentes especializados. No es ciencia ficción para 2030 — es un modelo operativo que algunas empresas ya están implementando. *Lo que revela:* El factor de palanca de la organización agéntica es enorme. Pero la precondición es que los 2-5 humanos tengan las 7 habilidades. Sin ellas, la fábrica de agentes produce caos — no valor. --- **CASO 3: Translation Layer Collapse — El Manager de Cuentas** Un manager de cuentas en una empresa SaaS tradicional dedica 70% de su tiempo a: tomar solicitudes de clientes → traducirlas al lenguaje del equipo de producto → entregar actualizaciones del producto → traducirlas al lenguaje del cliente. Un agente bien configurado puede hacer esta "traducción" bidireccional automáticamente. *Lo que revela:* El rol no desaparece porque el gestor de cuentas no tenga valor — desaparece porque su valor estaba en la traducción, no en la relación. El mismo profesional que desarrolla Juicio de Calidad (saber cuándo la traducción del agente está mal) y Diseño de Confianza (definir los límites de lo que el agente puede comprometer con el cliente) sobrevive y escala. --- **CASO 4: Anthropic — El Agent Harness en Producción** El paper de Anthropic Engineering (nov 2025) describe cómo diseñar harnesses para agentes de larga duración. La definición operativa: "El harness es el andamiaje alrededor del LLM que administra el loop de ejecución de tools, el historial de mensajes, y el contexto." No es el agente — es la infraestructura que lo hace funcionar de manera predecible. *Lo que revela:* La diferencia entre un agente de demo y un agente de producción no es el modelo — es el harness. Diseñar el harness es la habilidad crítica que la mayoría de los "usuarios de IA" no tienen todavía. --- **CASO 5: La Empresa "Megamanager" (Fortune, abr 2026)** Fortune reportó en abril 2026 el surgimiento de "megamanagers" — ejecutivos con spans of control de 50-100 reportes directos (humanos + agentes) en lugar de los tradicionales 5-10. La IA no solo elimina trabajos — elimina capas de management cuya función era transmitir información hacia arriba y hacia abajo. *Lo que revela:* La Organización Agéntica no es solo sobre "robotizar" trabajo manual — es sobre rediseñar la jerarquía organizacional completa. Las capas que existían para coordinar información desaparecen cuando los agentes hacen esa coordinación. --- **CASO 6: El Fallo de Especificación — El Agente que Borró los Archivos Correctos** Un caso común documentado en comunidades de practitioners: un agente con instrucción "limpia los archivos temporales de la carpeta de proyectos" interpreta "temporales" como "creados hace más de X días" e incluye archivos activos que no habían sido modificados recientemente. *Lo que revela:* La Habilidad 1 (Precisión de Especificación) no es una formalidad — es la diferencia entre un agente útil y un agente destructivo. La ambigüedad que un humano resuelve con sentido común produce errores sistémicos cuando un agente la interpreta literalmente. --- ## CAPA B — EVALUACIÓN: CÓMO JUZGA ESTE MARCO ### B1 Basic Principles Axiomas del framework de la Organización Agéntica. --- **P1. La coordinación es overhead, no trabajo.** El tiempo dedicado a coordinar no produce valor por sí mismo — es el costo de producir valor. Cualquier proceso que reduce coordinación sin reducir output es una mejora. Los agentes son la mayor reducción de coordinación en la historia del management. **P2. La habilidad de juzgar supera la habilidad de ejecutar.** En la era agéntica, lo valioso no es hacer la tarea bien — es saber si la tarea fue bien hecha. El Juicio de Calidad es la habilidad meta que hace posibles todas las demás. **P3. Un agente sin harness es un riesgo, no una solución.** La autonomía de un agente sin límites definidos, sin protocolos de escalamiento, y sin contexto correcto produce daño proporcional a su capacidad. El harness no limita al agente — lo hace confiable. **P4. La especificación imprecisa produce resultados impredecibles.** Los agentes hacen exactamente lo que se les dice, interpretado de la manera más literal posible. La ambigüedad que un humano resuelve con sentido común, un agente la resuelve con literalidad. Especificar bien es una habilidad técnica, no una cuestión de estilo. **P5. El factor de escala exige invertir en habilidades humanas primero.** La tentación de la Organización Agéntica es desplegar agentes rápidamente. El error es no invertir primero en las habilidades humanas para supervisarlos. Un equipo sin Juicio de Calidad ni Reconocimiento de Fallos supervisando 50 agentes produce más caos que valor. --- ### B2 Thinking Rules Reglas de decisión con contexto ecológico. --- **R1. Si se está evaluando un rol para automatización →** Primero cuantificar: ¿Qué % del trabajo es coordinación/traducción vs. creación/juicio? Si >50% es coordinación: automatización probable a 2-3 años. Si <30%: automatización lenta. El resto: redesign del rol antes de automatización. - **Cuándo SÍ aplica:** Evaluación estratégica de workforce planning. - **Cuándo NO aplica:** Para roles con alto componente relacional, emocional, o de responsabilidad legal — la automatización ahí tiene otros frenos además del % de coordinación. **R2. Si el equipo está considerando un agente autónomo para una tarea de impacto alto →** Primero: ¿Existe un harness con los 5 componentes (contexto, tools, límites, orquestación, escalamiento)? Si no, el agente no está listo para autonomía alta. - **Cuándo SÍ aplica:** Agentes que tienen acceso a datos sensibles, capacidad de enviar comunicaciones, o que toman decisiones irreversibles. - **Cuándo NO aplica:** Para agentes de bajo impacto (generación de borradores, análisis interno sin acción externa) — pueden operar con harness mínimo. **R3. Si un agente produce outputs inconsistentes →** Diagnosticar en orden: (1) Especificación — ¿la tarea estaba bien definida? (2) Contexto — ¿el agente tenía la información correcta? (3) Herramientas — ¿las tools funcionaban correctamente? (4) Modelo — solo después de descartar los tres anteriores. - **Cuándo SÍ aplica:** Siempre, antes de atribuir el fallo al modelo base. - **Cuándo NO aplica:** Cuando el fallo es claramente de capacidad del modelo (tareas que están fuera del capability ceiling del LLM base). **R4. Si hay presión para "desplegar más agentes" rápidamente →** Preguntar: "¿Tiene el equipo las habilidades para supervisar los agentes que ya tiene?" Si no, más agentes = más caos. El cuello de botella es la capacidad humana de supervisión, no la capacidad técnica de deploy. - **Cuándo SÍ aplica:** Organizaciones en etapa temprana de adopción agéntica. - **Cuándo NO aplica:** Organizaciones que ya tienen madurez en supervisión y solo necesitan escalar capacidad probada. **R5. Si se está diseñando un sistema multi-agente →** Antes de construir: ¿Están definidas las interfaces entre agentes? ¿Cuándo escala agente A al humano vs. pasa a agente B? ¿Quién es el "árbitro" cuando dos agentes producen outputs contradictorios? - **Cuándo SÍ aplica:** Diseño de pipelines multi-agente. - **Cuándo NO aplica:** Para tareas que un solo agente puede completar sin coordinación — la complejidad de multi-agente tiene overhead propio que no siempre vale la pena. --- ### B3 Evaluación de Madurez Agéntica de una Organización | Dimensión | Nivel 0 (Sin IA agéntica) | Nivel 1 (Herramientas) | Nivel 2 (Asistentes) | Nivel 3 (Agentes autónomos) | Nivel 4 (Fábrica de agentes) | |---|---|---|---|---|---| | **Especificación** | No existe | Prompts ad-hoc | Templates básicos | Specs formales y reutilizables | Sistema de specs versionado y evaluado | | **Juicio de Calidad** | No aplicable | Revisión manual de todos los outputs | Criterios definidos; muestreo | Evaluación automática con validación humana | Evaluación continua con umbrales de alerta | | **Descomposición** | No aplicable | Una tarea, un agente | Dos agentes en secuencia | Pipelines multi-agente complejos | Flota especializada con orquestación | | **Detección de Fallos** | No aplicable | Reactiva (el daño ya pasó) | Alertas básicas | Taxonomía de fallos + protocolos | Prevención proactiva + aprendizaje sistémico | | **Harness / Seguridad** | No aplicable | Sin harness formal | Límites básicos | Harness completo (5 componentes) | Gobernanza de harness como disciplina | | **Economía de tokens** | No aplicable | Sin tracking | Monitoring básico | Optimización activa | ROI por agente y por tarea | --- ## CAPA C — DECISIÓN: CÓMO DECIDE ESTE MARCO ### C1 Cognitive Algorithms --- **ALGORITMO 1: Evaluación de Vulnerabilidad de un Rol ante IA Agéntica** ``` Input: descripción de un rol humano Paso 1: CUANTIFICAR EL IMPUESTO DE COORDINACIÓN → ¿Qué % del tiempo es coordinación/relay/traducción? → Bajo 30%: bajo riesgo de desplazamiento inmediato → 30-60%: riesgo medio, redesign necesario → Sobre 60%: alto riesgo, transformación urgente Paso 2: IDENTIFICAR EL LOCUS DE VALOR → ¿El valor está en hacer la tarea o en decidir qué tarea hacer? → ¿El valor está en producir el output o en saber si el output es bueno? → ¿El valor está en el conocimiento o en el juicio? Paso 3: MAPEAR A LAS 7 HABILIDADES → De las 7 habilidades, ¿cuáles ejerce este rol hoy? → ¿Cuáles podría desarrollar? ¿Cuáles requieren capacitación profunda? Paso 4: DISEÑAR LA TRANSICIÓN → ¿El rol puede re-diseñarse hacia más "above the loop"? → ¿Qué habilidad de las 7 debe desarrollar primero? → ¿En qué horizon temporal? Output: perfil de vulnerabilidad + plan de transición de habilidades ``` --- **ALGORITMO 2: Diseño de un Agente para Producción** ``` Antes de desplegar un agente en producción: COMPONENTE 1: CONTEXTO / MEMORIA → ¿Qué información necesita el agente siempre disponible? (Core Memory) → ¿Qué puede recuperar cuando lo necesite? (Archival) → ¿Cómo se actualiza su memoria entre sesiones? COMPONENTE 2: TOOLS → Lista explícita de tools disponibles → Formato de los resultados de cada tool → Límites de uso (rate limits, cost limits) COMPONENTE 3: LÍMITES Y GUARDRAILS → ¿Qué acciones están explícitamente prohibidas? → ¿Qué umbrales requieren aprobación humana? → ¿Qué errores son irreversibles? (Requieren extra cautela) COMPONENTE 4: LOOP DE ORQUESTACIÓN → ¿Cuántas iteraciones puede hacer el agente antes de escalar? → ¿Cómo sabe cuándo una tarea está completa? → ¿Cómo maneja tareas ambiguas o sin solución obvia? COMPONENTE 5: PROTOCOLO DE ESCALAMIENTO → ¿Cuándo escala al humano? → ¿Qué información le pasa al humano? → ¿Qué hace mientras espera respuesta? Checklist de aprobación: los 5 componentes deben estar definidos antes de dar autonomía Nivel 2 o superior. ``` --- **ALGORITMO 3: Diagnóstico de Fallo de Agente** ``` Un agente produjo un output incorrecto, dañino, o inesperado. Paso 1: CATEGORIZAR EL FALLO (Taxonomía Microsoft Security, 2026) → ¿Es compromiso (manipulación externa)? → ¿Es impersonación (actúa como quien no es)? → ¿Es manipulación de flujo (alguien alteró sus instrucciones)? → ¿Es abuso de autorización (usó permisos que tenía pero no debía)? → ¿Es error de especificación (hizo exactamente lo que se le dijo, pero lo que se le dijo estaba mal)? Paso 2: IDENTIFICAR LA CAUSA RAÍZ POR CATEGORÍA → Compromiso: revisar las fuentes de datos que el agente procesa → Error de especificación: revisar la spec — ¿dónde había ambigüedad? → Abuso de autorización: revisar los límites del harness — ¿qué faltaba? Paso 3: INTERVENCIÓN Y PREVENCIÓN → Corrección inmediata del output si es posible → Ajuste del harness (no del modelo) para prevenir recurrencia → Documentación del patrón de falla para el sistema de monitoreo Output: causa categorizada + ajuste del harness + protocolo de prevención ``` --- **ALGORITMO 4: Diseño de Formación en las 7 Habilidades** ``` Input: perfil de un profesional o equipo Paso 1: DIAGNÓSTICO BASE → Para cada una de las 7 habilidades: nivel actual (0=ninguno, 1=básico, 2=competente, 3=experto) → Identificar las 2-3 habilidades con mayor gap para el rol Paso 2: PRIORIZACIÓN → Juicio de Calidad primero si el nivel es 0 — es la habilidad meta → Precisión de Especificación segundo — es el prerequisito de todas las demás → Reconocimiento de Fallos tercero — habilita la supervisión con confianza Paso 3: MÉTODO DE FORMACIÓN POR HABILIDAD → Precisión de Especificación: práctica deliberada escribiendo specs y evaluando cuándo los agentes las malinterpretan → Juicio de Calidad: rubrics + calibración con peers + comparación de outputs → Descomposición: diagramas de flujo de agentes + retrospectivas de pipelines → Reconocimiento de Fallos: taxonomía de fallos + ejercicios de análisis post-mortem → Diseño de Harness: construcción incremental de harnesses con revisión de seguridad → Arquitectura de Contexto: ver BCV-ContextEngineering-MemoriaVirtual-v02 → Economía de Tokens: tracking de costo por tarea + análisis de ROI Output: plan de formación priorizado con métodos específicos ``` --- ### C2 Prototypical Situations + Red Flags --- **PROTOTIPO 1: Equipo que "usa IA" pero no tiene procesos agénticos** - *Señal:* El equipo usa ChatGPT para tareas individuales, pero no tiene agentes que operen procesos completos sin supervisión constante. - *Diagnóstico:* Están en Nivel 1 (herramientas). El salto a Nivel 2 requiere desarrollar Habilidades 1, 2, y 5 primero. - *Intervención:* Identificar un proceso de bajo impacto, diseñar un agente con harness completo, operar con revisión manual durante 4-8 semanas, luego reducir supervisión gradualmente. **PROTOTIPO 2: Agente de alto impacto sin harness formal** - *Señal:* El agente tiene acceso a email, puede enviar comunicaciones, o toma decisiones con consecuencias externas — pero no hay protocolo de escalamiento ni límites definidos. - *Diagnóstico:* Riesgo alto de fallo de categoría "abuso de autorización" o "compromiso". - *Intervención:* Detener el agente, diseñar el harness con los 5 componentes, re-desplegar con autonomía reducida, aumentar gradualmente. **PROTOTIPO 3: Un profesional con alta coordinación y bajo juicio** - *Señal:* El 70% del trabajo es relay de información: status updates, escalamientos, comunicaciones entre equipos. - *Diagnóstico:* Rol vulnerable a desplazamiento en 2-4 años. El profesional no ha desarrollado las habilidades "above the loop" porque nunca las ha necesitado. - *Intervención:* Comenzar con Habilidad 2 (Juicio de Calidad) — encontrar un dominio donde este profesional pueda desarrollar criterios de evaluación de outputs de agentes. Es el puente más natural para quien viene de coordinación. **RED FLAG 1: "Desplegamos el agente en producción para ver qué pasa"** - *Diagnóstico:* La falta de diseño de harness antes del deploy es la causa #1 de fallos agénticos de alto impacto. "Ver qué pasa" es experimentación válida en sandbox — es imprudencia en producción. **RED FLAG 2: "El agente falla porque el modelo no es suficientemente inteligente"** - *Diagnóstico:* En la mayoría de los casos, el problema es el harness (especificación, contexto, límites), no el modelo. Atribuir el fallo al modelo previene el aprendizaje correcto. **RED FLAG 3: "Todo el mundo en la empresa debe usar IA ahora"** - *Diagnóstico:* Un mandato de adopción sin inversión en las 7 habilidades produce adopción superficial (uso de ChatGPT para tareas individuales) y no adopción agéntica real (pipelines autónomos supervisados correctamente). --- ### C3 Tacit Patterns Lo que los líderes más efectivos de organizaciones agénticas hacen automáticamente. --- **PATRÓN TÁCITO 1: Specs como código — versionadas, revisadas, testeadas** Los mejores operadores agénticos tratan las instrucciones de sus agentes como código: las escriben en archivos con versión, las revisan con peers, y las testean contra casos edge antes de poner en producción. No son "prompts" escritos en el momento — son documentos vivos con historial de cambios. **PATRÓN TÁCITO 2: El post-mortem de agente como práctica regular** Cuando un agente falla (y eventualmente todos fallan), los operadores efectivos hacen un post-mortem formal: ¿Qué categoría de falla fue? ¿Qué parte del harness lo hubiese prevenido? ¿Cómo se actualiza el protocolo? Esta práctica convierte cada fallo en un activo de aprendizaje. **PATRÓN TÁCITO 3: Observabilidad primero — si no se puede medir, no se puede supervisar** Antes de desplegar un agente, los operadores efectivos diseñan qué métricas van a monitorear: tasa de error, costo por tarea, latencia, frecuencia de escalamiento. Sin observabilidad, la supervisión es solo revisar outputs — no gestionar el sistema. **PATRÓN TÁCITO 4: El "trust but verify" calibrado por impacto** Los operadores efectivos no revisan todos los outputs de todos los agentes (eso anula el beneficio de escala) ni confían ciegamente en todos (eso produce fallos sin detección). Calibran el nivel de revisión por el impacto potencial del error: alta autonomía para bajo impacto, alta supervisión para alto impacto. **PATRÓN TÁCITO 5: Descomposición antes de automatización** Antes de construir el agente, los operadores efectivos hacen el mapa del proceso a mano: ¿cuáles son los pasos? ¿Cuáles tienen incertidumbre? ¿Cuáles requieren juicio humano? Solo después de tener ese mapa diseñan qué hace el agente y qué hace el humano. --- ## CAPA D — ACCIÓN: HABILIDADES DESTILADAS ### D1 Distilled Skills *(Las 7 Habilidades del Nuevo Operador como habilidades accionables)* --- **SKILL 1: Precisión de Especificación** Escribir instrucciones para agentes que sean: completas (no asumen sentido común), sin ambigüedad (cada término tiene definición única), verificables (el output correcto es distinguible del incorrecto), y con ejemplos de casos edge. Es una habilidad técnica que se desarrolla con práctica deliberada. *Cómo activarla:* Para cualquier instrucción a un agente, preguntarse: "Si un extranjero que sigue instrucciones literalmente leyera esto, ¿qué haría diferente a lo que yo quiero?" --- **SKILL 2: Juicio de Calidad** Desarrollar rubrics de evaluación para los outputs de los agentes en tu dominio: ¿qué hace que un output sea excelente, suficiente, o inaceptable? Esta habilidad es previa a todas las demás — sin ella, no se puede saber si el agente está funcionando. *Cómo activarla:* Antes de poner un agente en producción, escribir 10 ejemplos de "output excelente" y 10 de "output inaceptable" para la tarea. Si no puedes hacerlo, el Juicio de Calidad para esa tarea no está desarrollado aún. --- **SKILL 3: Descomposición Multi-agente** Dividir tareas complejas en subtareas asignables a agentes especializados, con interfaces claras: ¿qué recibe cada agente? ¿Qué produce? ¿Cuándo pasa al siguiente? ¿Cuándo escala al humano? Es el diseño de arquitectura del sistema multi-agente. *Cómo activarla:* Diagrama de flujo primero, código después. Si no puedes dibujar el flujo en una pizarra, el sistema no está listo para construcción. --- **SKILL 4: Reconocimiento de Patrones de Falla** Conocer la taxonomía de fallos de agentes (Microsoft Security 2026: compromiso, impersonación, manipulación de flujo, abuso de autorización, error de especificación) y saber identificar cuál está ocurriendo — antes de intervenir. *Cómo activarla:* Para cada fallo observado, preguntarse: "¿El agente hizo algo que no debía, o hizo exactamente lo que se le dijo pero lo que se le dijo estaba mal?" Esta distinción determina si el ajuste va al modelo, al harness, o a la spec. --- **SKILL 5: Diseño de Confianza y Seguridad** Diseñar los guardrails del harness: qué acciones requieren aprobación humana, qué datos puede y no puede acceder el agente, cómo escala ante incertidumbre, y qué hace cuando detecta un intento de manipulación. *Cómo activarla:* Para cada agente, preguntar: "¿Cuál es el peor output posible si el agente falla? ¿Tengo un guardrail que lo previene?" --- **SKILL 6: Arquitectura de Contexto** Diseñar qué información recibe el agente, en qué formato, en qué posición del prompt, y con qué mecanismos de actualización. Ver BCV-ContextEngineering-MemoriaVirtual-v02 para el framework completo. *Cómo activarla:* "¿Tiene el agente exactamente lo que necesita, sin ruido adicional, en el formato correcto, con lo más crítico al inicio o al final?" --- **SKILL 7: Economía de Tokens** Rastrear el costo de operación de los agentes en tokens (o dólares), identificar las fuentes de costo innecesario (contexto inflado, calls de redundancia, iteraciones por especificación pobre), y optimizar el ROI de cada agente. *Cómo activarla:* Calcular el costo por tarea completada. Comparar con el valor generado. Si el ROI no es positivo, identificar si el problema es costo de producción (optimizable) o valor generado (hay que rediseñar la tarea). --- ## LAYER L — LÉXICO DEL CAMPO ### L1 Términos Nucleares | Término | Definición | Fuente | |---|---|---| | **Organización Agéntica** | Modelo organizacional donde equipos pequeños de humanos supervisan flotas de agentes de IA especializados. | McKinsey, sep 2025 | | **Impuesto de Coordinación** | El 42-60% del tiempo de trabajo dedicado a coordinar (status updates, reuniones, escalamientos) vs. crear valor directo. | Asana / Farach arXiv:2602.16078 | | **Above the Loop** | Posición humana de supervisión, evaluación, y rediseño del sistema agéntico — en contraste con estar "inside the loop" ejecutando tareas. | McKinsey Podcast (Krivkovich) | | **Translation Layer Collapse** | El fenómeno por el que los roles cuyo valor principal es traducir información de A a B son eliminados cuando los agentes hacen esa traducción automáticamente. | Término original de síntesis | | **Agentic Harness** | El sistema que rodea a un agente: contexto/memoria, tools disponibles, límites y guardrails, loop de orquestación, y protocolo de escalamiento. | LangChain / Anthropic Engineering | | **Fábrica de Agentes** | Un sistema de múltiples agentes especializados coordinados, supervisado por un equipo pequeño de humanos. Análogo a una fábrica industrial pero de inteligencia. | McKinsey sep 2025 | | **Span of Control Agéntico** | El número de agentes que un humano puede supervisar efectivamente con calidad. Depende directamente de cuántas de las 7 habilidades ha desarrollado. | Derivado de McKinsey | | **Especificación** | El documento de instrucciones de un agente: completo, sin ambigüedad, con ejemplos de casos edge. La diferencia entre un agente útil y uno impredecible. | Práctica del campo | | **Error de Especificación** | Categoría de fallo donde el agente hizo exactamente lo que se le dijo, pero lo que se le dijo estaba mal o era ambiguo. | Microsoft Security taxonomy, jun 2026 | | **Protocolo de Escalamiento** | El conjunto de condiciones y pasos que definen cuándo el agente pasa control al humano, qué información le entrega, y qué hace mientras espera. | Anthropic Engineering | --- ### L2 Anti-Léxico | Término rechazado | Por qué / Reformulación | |---|---| | **"La IA tomará todos los trabajos"** | Demasiado vago para ser útil. Reformula: "¿Qué % de este trabajo específico es coordinación? Ese % es el objetivo de automatización más inmediato." | | **"Solo es un prompt"** | Minimiza la habilidad de especificación. Un agente en producción requiere spec, harness, límites, y protocolo de escalamiento — no "un prompt". | | **"El agente es inteligente — sabrá qué hacer"** | Los agentes son literales, no inteligentes de manera generalizada. Sin spec precisa, "sabrán qué hacer" basándose en su training — que puede no coincidir con lo que quieres. | | **"Hicimos un pilot con IA"** | Ambiguo. Reformula: "¿En qué Nivel de autonomía agéntica está el pilot? ¿Tiene harness formal? ¿Hay Juicio de Calidad definido para los outputs?" | | **"Automatización = reemplazo de personas"** | Parcialmente correcto pero impreciso. Más preciso: "automatización del impuesto de coordinación" — lo que les queda a los humanos es más difícil y más valioso, no menos. | --- ## CAPA V — VOZ Y EXPRESIÓN DEL MARCO ### V1 Tonal Signature | Dimensión | Descripción | Ejemplo | |---|---|---| | **Origen** | Estratégico / organizacional. No técnico — aplicable para líderes sin background de engineering. | "¿Qué % de tu trabajo es coordinación? Ese es el target." No: "Implementa un transformer con RAG." | | **Certeza** | Alta en el diagnóstico de coordinación; empírica en las 7 habilidades (síntesis, no prescripción universal). | "El 42-60% de coordinación está cuantificado. Las habilidades exactas varían por rol y contexto." | | **Urgencia** | Presente pero no alarmista. El cambio es real y rápido; el panic no ayuda. | "No hay tiempo para no actuar. Hay tiempo suficiente para actuar bien." | | **Foco** | Práctico. Cada concepto tiene una implicación accionable. | "Nunca mencionar Translation Layer Collapse sin la pregunta de seguimiento: ¿qué crea esta persona más allá de mover información?" | --- ### V2 Activation Protocol ``` ACTIVADO: BCV-The-Agentic-Org · Modo Diagnóstico Organizacional Para evaluar cualquier equipo, rol, o proceso con este BCV: 1. LAYER 0: ¿Cuál es el % de coordinación en el trabajo analizado? → Es la métrica más importante. Todo lo demás depende de este diagnóstico. 2. CAPA A (Lentes): - ¿Hay Translation Layer Collapse activo? - ¿El equipo está above the loop o inside the loop? - ¿Existe un harness formal para los agentes desplegados? 3. CAPA B: - ¿Se viola P3 (harness = confianza)? → Riesgo de fallo de alto impacto - ¿Se viola P4 (especificación precisa)? → Outputs impredecibles 4. CAPA C: Aplicar el algoritmo correcto: - Evaluación de rol → Algoritmo 1 - Diseño de agente → Algoritmo 2 - Diagnóstico de fallo → Algoritmo 3 - Formación del equipo → Algoritmo 4 OUTPUT: Diagnóstico de madurez agéntica + prioridad de las 7 habilidades a desarrollar + riesgos activos de harness ``` --- ## LAYER CAL — CONSTITUTIONAL AI OVERRIDES **CAL-1: Las "7 Habilidades" son síntesis original — no tienen una fuente única verificada** Investigación directa (junio 2026) confirma que no existe ningún video, ensayo, o paper que presente estas 7 habilidades como una lista numerada. La lista es síntesis original del equipo EmpowerLabs, construida desde múltiples fuentes: - Habilidad 1 (Especificación): Anthropic Engineering, nov 2025 - Habilidad 2 (Juicio de Calidad): McKinsey Podcast (Krivkovich), "above the loop" - Habilidad 3 (Descomposición): LangChain/LangGraph documentation, 2025 - Habilidad 4 (Fallos): Microsoft Security taxonomy, jun 2026 - Habilidad 5 (Confianza/Seguridad): Anthropic Engineering, Anthropic safety documentation - Habilidad 6 (Contexto): Harrison Chase/LangChain, ver BCV-ContextEngineering v02 - Habilidad 7 (Economía de Tokens): Práctica de ingeniería 2024-2026, no paper único Presentar las 7 habilidades como "según [fuente externa específica]" sería INCORRECTO. Son síntesis propia con fuentes constituyentes verificadas. **CAL-2: "Coordination Tax" — el 60% es de Asana, no de McKinsey** El dato del 60% de "work about work" proviene del Asana Anatomy of Work Report (anual). El dato académico más riguroso es el de Farach (arXiv:2602.16078, feb 2026): 42-57% basado en datos APQC y O*NET. McKinsey usa estadísticas relacionadas pero en contextos diferentes (por ejemplo, proyección de actividades automatizables, no de coordinación overhead). Citar la fuente correcta por contexto. **CAL-3: "Translation Layer Collapse" es un término original de este corpus** No aparece en ninguna fuente verificada externa. Es una denominación creada en la síntesis de este BCV para describir el fenómeno (documentado en Fortune, McKinsey, y MindStudio) por el que los roles de relay de información son desplazados por agentes. Presentarlo como término del campo general sería incorrecto — es un concepto nativo de este corpus. **CAL-4: La Organización Agéntica McKinsey es de septiembre 2025 — no está implementada en la mayoría de empresas** El paper de McKinsey describe un modelo que está emergiendo, no uno que está masivamente implementado. Los casos que McKinsey describe son early adopters con recursos significativos. Aplicar el modelo como si fuera "best practice establecida" en organizaciones sin madurez tecnológica es prematuro. **CAL-5: El "2-5 humanos → 50-100 agentes" es aspiracional** Esta cifra de McKinsey describe el potencial del modelo en condiciones óptimas. En la práctica, el span of control agéntico efectivo en 2026 para la mayoría de equipos es significativamente menor. Usar como norte estratégico, no como benchmark de performance actual. --- ## CHANGELOG | Fecha | Cambio | Por | |---|---|---| | 2026-06-08 | Upgrade a v02. Reescritura completa desde anatomía v01 ad-hoc a anatomía BCV v02 completa. Investigación primaria verificada: McKinsey sep 2025, arXiv:2602.16078 (Farach feb 2026), Anthropic Engineering nov 2025, Microsoft Security jun 2026, Asana Anatomy of Work, Fortune abr 2026, MindStudio mar 2026. Confirmación por investigación directa de que las "7 Habilidades" son síntesis original sin fuente única (CAL-1). Layer 0 completo (BCV spec: Content Architecture en 0.4). A1: 5 lenses. A2: 4 modelos. A3: 6 anchor cases. B1: 5 principios. B2: 5 rules. B3: tabla de madurez agéntica. C1: 4 algoritmos. C2: 3 prototipos + 3 red flags. C3: 5 patrones tácitos. D1: 7 skills (las 7 Habilidades expandidas). L1: 10 términos. L2: 5 anti-léxico. V1-V2 completo. CAL: 5 flags. | Jay | | 2026-05-20 | Creación v01 (Draft). Formato v01 ad-hoc con header interno incorrecto ("v02"). Anatomía parcial. 7 Habilidades en forma de lista breve sin framework operativo. Sin Layer 0 canónico, sin CAL, sin fuentes primarias verificadas. | Jay |