El cuello de botella ya no es el modelo, sino el estado ausente del flujo de trabajo

--- title: El cuello de botella ya no es el modelo, sino el estado ausente del flujo de trabajo slug: the-bottleneck-is-no-longer-the-model-but-the-missing-workflow-state meta_title: Por qué los agentes de horizonte largo necesitan estado de flujo de trabajo meta_description: Zeroset recaudó 5,2 millones de dólares para Nebula, una capa de estado que permite a los agentes consultar cómo enruta realmente una empresa las aprobaciones y los traspasos. category: ai tags: Zeroset,Nebula,memoria de agentes,estado de flujo de trabajo,Gradient Ventures,agentes de horizonte largo,IA empresarial,minería de procesos,LongMemEval,contexto ---

Una ronda pre-semilla de 5,2 millones de dólares no es una cifra grande. La afirmación asociada a la de Zeroset merece más atención que el cheque: lo que bloquea a los agentes empresariales no es la capacidad del modelo, sino la ausencia de un sistema de estado.

Akshat Kannan dejó Stanford a los 18. William Zhang dejó la Universidad de Texas a los 21. Fundaron Zeroset en enero de 2026 en torno a una observación limitada. Los modelos frontera ya manejan borradores de correos y búsquedas de vuelos. Se estancan cuando una tarea requiere saber cómo una empresa específica encamina aprobaciones, excepciones y traspasos.

El 6 de octubre, Gradient Ventures y 2048 Ventures colideraron una pre-semilla de 5,2 millones de dólares, con la participación de Leblon Capital. La empresa tiene cinco personas y el acceso sigue siendo una vista previa de investigación cerrada.

Qué almacena Nebula

Nebula se conecta a los sistemas que un flujo de trabajo ya utiliza: Microsoft 365, SharePoint, Outlook, Teams, GitHub y mensajería corporativa. No trata cada documento como un vector aislado. Construye un grafo vectorial jerárquico con tres capas: hechos semánticos, clústeres de eventos episódicos y hábitos procedimentales.

La diferencia con un almacén de memoria es lo que el agente recibe de vuelta. En lugar de reconstruir el historial, consulta el estado actual de un flujo de trabajo. La empresa describe lo que devuelve como estado tipado y consultable con linaje: qué es verdadero, cuándo pasó a ser verdadero y por qué el sistema lo cree.

Los benchmarks son preliminares pero específicos. En LongMemEval, Nebula devolvió una precisión un 20 por ciento superior a Mem0, Supermemory y RAG ingenuo, con una mediana inferior a 50 milisegundos y menos tokens por consulta. En los conjuntos de datos de minería de procesos del BPI Challenge, superó a todas las líneas base registradas en predicción de la siguiente actividad por más de un 10 por ciento, una prueba más difícil que la recuperación porque pregunta si el sistema puede anticipar el siguiente paso legítimo.

El recuento de tokens importa tanto como la precisión. Menos tokens por consulta significa que una ventana de contexto más pequeña puede transportar la misma información, lo que reduce el coste en cada turno del agente. Para un flujo de trabajo que se ejecuta durante una semana, esa diferencia se acumula de la misma manera que los errores.

La observación inicial de los fundadores es la formulación más precisa del problema. Los modelos frontera manejan borradores de correos y búsquedas de vuelos. Se estancan cuando una tarea requiere saber cómo una empresa específica encamina aprobaciones, excepciones y traspasos. En ese escenario, nada del modelo está mal. La información simplemente no está en el prompt y no puede recuperarse de un corpus público.

La superficie de integración es el verdadero foso defensivo

Conectarse a Microsoft 365, SharePoint, Outlook, Teams, GitHub y la mensajería corporativa es un trabajo poco glamuroso, y también es la parte más difícil de copiar. Un competidor puede replicar un diseño de grafo de tres capas en un trimestre. Reproducir los conectores conscientes de permisos que mantienen una capa de estado coherente con lo que cada usuario puede ver lleva mucho más tiempo, y los compradores empresariales lo evalúan primero.

Los permisos son la parte que la mayoría de los productos de memoria gestiona mal. Una capa de estado de flujo de trabajo tiene que respetar los mismos límites de acceso que los sistemas subyacentes, de modo que un agente que actúa para un usuario no puede sacar a la luz un hecho que solo se vuelve visible en otro nivel de la organización. Equivocarse en esto no produce tanto una respuesta incorrecta como un incidente de cumplimiento.

También explica por qué la empresa está ejecutando una vista previa de investigación cerrada en lugar de un producto de autoservicio. Las capas de estado son tan buenas como los flujos de trabajo que han visto, y cada nueva integración de cliente saca a la luz casos límite en la lógica de enrutamiento que ningún benchmark cubre.

Qué deberían preguntar los compradores antes de adoptarlo

Tres preguntas separan una capa de estado útil de una demo. ¿El sistema registra cuándo pasó a ser verdadero cada hecho, y puede invalidar un hecho que ha sido reemplazado? ¿Puede explicar por qué cree algo, remontándose al evento de origen? ¿Aplica los mismos permisos que los sistemas de los que lee?

El requisito de linaje es el que tiende a responderse de forma vaga. Una capa de estado que devuelve un hecho sin procedencia es funcionalmente una caché, y una caché obsoleta dentro de un agente autónomo es peor que no tener memoria alguna, porque el agente actuará con confianza sobre ella.

La persistencia es la cuestión de segundo orden. El estado continuo a lo largo de días o semanas es toda la propuesta de valor, y almacenar esa cantidad de conocimiento organizacional derivado plantea una conversación de gobernanza de datos sobre retención, eliminación y residencia regional.

Por qué el estado obsoleto se acumula

El modo de fallo que la empresa señala es la razón por la que existe la categoría. Un hecho obsoleto o una instrucción contradictoria no causan un solo error. Se convierten en el estado inicial del siguiente turno, lo que produce retrabajo acumulativo, llamadas adicionales a herramientas e intervención humana.

La acumulación es lo que lo hace caro. Una sola acción incorrecta es recuperable. Una suposición incorrecta que persiste a lo largo de un proceso de veinte pasos corrompe todos los pasos posteriores y, para cuando alguien lo nota, el trabajo tiene que rehacerse desde un punto de control anterior. Los agentes que se ejecutan sin supervisión durante horas empeoran esto, porque nadie está vigilando la deriva.

Los sistemas de memoria conversacional recuperan fragmentos similares. Si el hecho recuperado tiene tres semanas de antigüedad y el flujo de trabajo ya avanzó, el agente razona desde un mundo que ya no existe, y nada en la respuesta señala la discrepancia. La similitud de recuperación y la vigencia fáctica son propiedades distintas, y un almacén vectorial optimiza para la primera.

El grafo de tres capas de Nebula es un intento de dar al agente una forma de distinguirlas. Los hechos semánticos describen qué es verdadero. Los clústeres de eventos episódicos describen qué ocurrió. Los hábitos procedimentales describen cómo suele hacer las cosas la organización. El linaje es la pieza que lo hace auditable: el hecho, cuándo pasó a ser verdadero y por qué el sistema lo cree.

Dónde encaja esto

Mem0 y Zep ocupan la categoría adyacente de infraestructura de memoria. La apuesta de Zeroset es que los agentes empresariales de horizonte largo necesitan estado de proceso en lugar de memoria conversacional, y la distinción importa para cualquier cosa que abarque días o semanas y cruce límites de sistemas: gestión de reclamaciones, aprobaciones de lanzamientos, adquisiciones de varios pasos.

Esos procesos comparten una estructura. Implican traspasos entre personas y sistemas, excepciones que siguen reglas no escritas y aprobaciones que dependen de quién esté disponible. Nada de eso vive en un documento. Vive en la práctica, y por eso ha sido difícil de representar.

La minería de procesos es la técnica previa más cercana, y es revelador que Zeroset se compare con conjuntos de datos de minería de procesos. Ese campo pasó dos décadas reconstruyendo cómo fluye realmente el trabajo a partir de registros de eventos. Hacer lo mismo en tiempo real, para que un agente pueda consultarlo a mitad de tarea, es una evolución razonable.

La tesis publicada de Gradient sostiene el mismo argumento. Los agentes de consumo tuvieron éxito porque se entrenaron con la web pública. Los agentes empresariales aún carecen de una representación de cómo se mueve realmente el trabajo dentro de una organización privada.

Qué cambia si funciona

Dos cosas. Los arneses de agentes dejan de enviar ventanas de contexto cada vez más grandes para compensar la estructura faltante, porque el problema nunca fue el tamaño de la ventana. Y las empresas pueden mantener el modelo operativo de sus propios flujos de trabajo dentro de su propio perímetro, en lugar de esperar que un modelo general lo infiera con el tiempo.

La segunda consecuencia es la más estratégica. Una representación de flujo de trabajo que vive dentro del perímetro de una empresa es un activo que la empresa posee. Una inferida por un modelo general es una capacidad que alquila. Para las industrias reguladas, esa diferencia decide si un agente puede desplegarse siquiera.

Hay un riesgo competitivo que vale la pena nombrar. Si un gran proveedor de plataformas decide que el estado de proceso pertenece a su suite, una startup de cinco personas enfrenta un problema de distribución independientemente de lo buena que sea la capa de estado. La participación de Gradient ayuda, y la distribución no es algo que resuelva una ronda de 5,2 millones de dólares.

Los números hoy son pequeños: cinco personas, dos benchmarks públicos, una vista previa cerrada. La afirmación es más grande, y es verificable. Si la automatización empresarial ha superado la etapa de capacidad, la siguiente ronda de competencia trata sobre quién sabe qué es realmente el trabajo.