DeepSeek decidió que el cuello de botella era tu atención, no el modelo

El 31 de octubre, el equipo de DeepSeek Harness publicó una nota técnica titulada Super-agent: Design Exploration Toward a More Autonomous Agent System. Junto a ella se lanzó un prototipo.
El argumento arranca en un lugar poco habitual para una empresa de modelos. No empieza por la capacidad. Empieza por un límite del lado humano: una persona puede seguir de tres a cinco sesiones activas antes de que la calidad se desplome. Cuando ejecutas varias tareas en paralelo, terminas cambiando de contexto a mano y recordando qué conversación contiene qué decisión. El techo de una sola tarea lo pone el modelo. El techo de varias tareas lo pones tú.
Eso es un problema de sistemas, y DeepSeek lo trató como tal.
Router y Worker
La arquitectura tiene dos capas. Un Router se ejecuta de forma continua como coordinador global. Recibe mensajes de los canales que ya uses, incluidos chats de grupo, GitHub y correo electrónico, y despacha tareas. Cada Worker mantiene su propio contexto y ejecuta en paralelo: reproducir un bug, revisar un pull request, construir una funcionalidad. Un Worker puede llamar a un Subagent cuando una tarea necesita ramificarse más.
Alrededor de eso se sitúan cuatro mecánicas: despacho basado en eventos con filtrado de dos niveles, interacción asíncrona multicanal, separación de almacenamiento y cómputo, y un watchdog externo.

La parte basada en eventos es donde vive la promesa de autonomía. En la instancia interna que DeepSeek ejecuta, un miembro del equipo que reporta un problema de software en un chat de grupo puede activar al agente sin mencionarlo. El sistema reconoce un posible defecto, lo reproduce en segundo plano y busca una solución. Nadie asignó esa tarea. Nada esperó a un prompt.
DeepSeek enumera cuatro propiedades que persigue: continua, es decir, un solo agente a través de IM y GitHub en lugar de sesiones aisladas; eficiente, es decir, una nueva instrucción no espera a que termine la tarea anterior; proactiva, es decir, observa eventos del entorno y actúa cuando algo merece atención, mientras permanece en silencio en caso contrario; y persistente, es decir, siempre activa, conectada a entornos de trabajo reales y capaz de recuperarse de fallos durante ejecuciones largas.
El ejemplo que da el equipo es ilustrativo. Supón que propones el plan A en un chat y luego cambias de opinión en un comentario de un pull request y propones el plan B. Un agente ligado a la sesión tendría que ser informado. Se supone que el Super-agent lo nota y ajusta el rumbo.
La advertencia honesta
DeepSeek afirma con claridad que esto es una exploración de ingeniería, no el anuncio de características de producto. El equipo también dice que el diseño no introduce teoría nueva. Aplica ideas clásicas de sistemas, del tipo que llevan décadas en los sistemas operativos y los sistemas distribuidos, a la construcción de agentes.
Esa modestia es acertada y también es lo más interesante del documento. La parte difícil de los agentes a escala es la gestión del contexto, la planificación, la recuperación ante fallos y la observabilidad; es decir, es trabajo de infraestructura, no de inteligencia.
Las cifras que llegaron cinco días después
El 5 de noviembre, el mismo equipo publicó cifras de comunidad de DeepSeek Harness. Medidos por usuarios de la API oficial, los usuarios activos diarios alcanzaron 1,54 millones el 4 de noviembre, los usuarios activos mensuales llegaron a 5,48 millones y el consumo diario de tokens fue de unos 92 billones.
Haz la división. Noventa y dos billones de tokens entre 1,54 millones de activos diarios son aproximadamente 60 millones de tokens por usuario activo al día. Ninguna aplicación de chat produce ese perfil. Los agentes sí. Una sola tarea de programación de horizonte largo puede consumir en una hora más tokens de los que una persona escribe en una ventana de chat en un mes.
Las cifras de plugins importan más para saber hacia dónde va esto. Los plugins de terceros han crecido hasta unos 35.000, y alrededor del 60 % de los usuarios activos ha creado o instalado al menos uno. DeepSeek dice que reforzará la estabilidad y compatibilidad de la API de plugins, mejorará el modelo de seguridad de plugins y construirá un mercado oficial, con un programa de apoyo a autores de plugins en preparación.
Eso es un movimiento de plataforma. Una vez que los plugins son el canal de distribución, el harness compite por ecosistema y no solo por la calidad del modelo.
Por qué esto importa fuera de DeepSeek
Tres cosas son transferibles a cualquier equipo que ejecute agentes en producción.
Primero, la interfaz es la existente. El agente aparece en el chat de grupo y en los comentarios de pull request en lugar de exigir un nuevo destino. Photoshop nunca pidió a los usuarios que aprendieran una aplicación nueva; vivía dentro del documento. Las plataformas de agentes están aprendiendo la misma lección.
Segundo, la atención es un recurso con un límite duro, y es el que nadie está escalando. Puedes comprar más GPUs. No puedes comprar más de la capacidad de una persona para sostener cuatro hilos de contexto. Cada decisión de arquitectura que traslada la coordinación de la persona al sistema recupera el insumo más escaso del bucle.
Tercero, el autoalojamiento de la capa de coordinación es donde recae el riesgo operativo. Un agente que actúa sin ser mencionado necesita un watchdog, porque el modo de fallo es silencioso: hace algo razonable que nadie pidió, a las 3 de la mañana, en un repositorio que importa.
La parte que aún falta
El documento no aborda el control de costes. Un router que despacha trabajo y unos workers que reproducen bugs según su propio calendario gastarán dinero por iniciativa propia. La cifra de 92 billones de tokens sugiere que ese gasto ya es grande; cuánto de él produjo trabajo que alguien quería no se revela.
Tampoco aborda el problema de la revisión. Si un agente puede abrir un pull request en respuesta a un mensaje de chat, alguien tiene que revisarlo. El planteamiento de DeepSeek es que las personas suben a la definición de objetivos y la aceptación. Eso funciona cuando la aceptación es barata de juzgar. En la mayoría de las organizaciones de ingeniería, juzgar si una corrección es correcta es la parte costosa, y no se reduce porque el agente se haya vuelto más rápido.
La parte que suena a sistema operativo
Quita el vocabulario de IA y el documento del Super-agent se lee como un artículo sobre planificación de trabajos. Un coordinador de larga duración recibe eventos, los clasifica y despacha trabajo a contextos aislados. El almacenamiento y el cómputo escalan por separado para que una tarea atascada no retenga memoria que necesita una tarea viva. Un watchdog externo reinicia todo lo que deja de reportar. El filtrado de dos niveles existe para que el sistema no despierte a una persona por cada mensaje de un chat de grupo.
Esos son problemas resueltos en los sistemas distribuidos. No están resueltos en los productos de agentes, porque la mayoría de los productos de agentes se construyeron como una sesión de chat con herramientas adjuntas, y una sesión de chat no tiene concepto de trabajo concurrente.
La consecuencia interesante es organizativa. Si la capa de coordinación absorbe de verdad la gestión de sesiones, el trabajo de la persona en el bucle cambia de operar una herramienta a escribir criterios de aceptación. DeepSeek enmarca a la persona como alguien que sube a la definición de objetivos y la verificación. En la práctica, eso significa que la habilidad que importa pasa de escribir prompts a saber cómo se ve «terminado», que es una habilidad de gestión y bastante más difícil de enseñar.
El propio resumen de DeepSeek es que esta forma de trabajar podría volverse normal para la colaboración humano-máquina. El mecanismo es creíble. La pregunta abierta es si las organizaciones se reorganizarán alrededor de un coordinador que nunca duerme, o simplemente le añadirán uno a procesos diseñados para personas que sí duermen.
Artículos relacionados
La regla de exportación ya no apunta al chip, sino al cliente
La norma no prohíbe chips: prohíbe el anonimato. Y mueve la unidad de control del hardware a la relación con el cliente final.
La noticia de Nvidia no fue el informe: fue el comité
En nueve días el consejo produjo una investigación, una presidencia y un comité de cumplimiento. No es control del calendario: es reacción.
Nvidia tuvo que ponerle precio a su fundador
En nueve días, Nvidia cambió de CEO y de consejo sin perder un trimestre. El mercado, mientras tanto, le puso precio a lo que valía un solo hombre.
Una hoja de cálculo comunitaria de toques que apaga la publicidad de los Android chinos
No toca el sistema, no desbloquea nada, no flashea nada. Solo mueve los interruptores que los fabricantes ya dejaron a la vista. El precio es una lista que alguien tiene que seguir escribiendo.