DruckFin

Transcripción de NVIDIA: Jensen Huang sobre la creación de superagentes empresariales y el cambio de los procesos de negocio a los "harnesses" de IA

10 de julio de 2026 - Charla informal entre NVIDIA y LangChain sobre agentes de IA empresariales

Introducción

Harrison: Estoy muy emocionado de estar aquí con Jensen. Ha habido una enorme cantidad de avances en IA y agentes durante el último año, pero especialmente en los últimos meses. Hemos visto muchos de estos avances en forma de un mejor rendimiento, pero al mismo tiempo, también hemos visto que la apertura, el control y la confianza en muchos de estos modelos y los sistemas que los rodean se han vuelto cada vez más importantes.

Por qué NVIDIA invierte en un ecosistema de agentes abierto

Jensen: Primero, antes de responder, quiero felicitarte por todo el trabajo que haces. De hecho, si analizamos los últimos 6 meses, ambos podemos estar de acuerdo en que, aunque llevamos 15 años trabajando en IA, los últimos 6 meses lo cambiaron todo. Toda la tecnología, todos los avances en grandes modelos de lenguaje, todo el escalado, todos los descubrimientos, todos los modelos "omni", la multimodalidad, todo eso es fantástico. Pero, al final, fue en los últimos 6 meses cuando todo se unió y, por fin, la IA es útil. Y cuando la IA es útil, todas las empresas del mundo, todas las organizaciones, quieren poner sus manos en ella. Y ahora la pregunta es: ¿cómo? Aquí es donde entra LangChain. Siempre tuviste la visión de que el gran modelo de lenguaje era el ingrediente esencial, la tecnología habilitadora fundamental, pero para convertirlo en un producto útil, tienes que rodearlo de lo que ahora se conoce como un "harness" (arnés). Hay mucho más.

Harrison: Mucho más.

Jensen: En los viejos tiempos, usábamos LangChain para ayudarnos a convertir un gran modelo de lenguaje en una API programable. Usamos LangChain para construir nuestros RAG y, paso a paso, llegamos a los agentes de hoy. Lo que realmente ocurrió en los últimos 6 meses, el gran avance, son estos sistemas agenticos que están fundamentados en información, basados en conocimiento, que pueden usar herramientas para realizar búsquedas, tienen una memoria que gestionan, cuentan con salvaguardas y tienen la capacidad de iterar hasta completar el trabajo. Pero, en última instancia, se necesitaban modelos que alcanzaran un nivel de capacidad donde todo convergiera en ese punto crítico, y ahí es donde Claude Code realmente despertó la imaginación sobre los sistemas agenticos. OpenClaw, por supuesto, fue un gran paso, al igual que todo el trabajo que hiciste con Deep Agents, que nosotros mismos utilizamos. Todo eso se unió y, ¡bam!, aquí estamos con los sistemas agenticos.

Jensen (continuación): La razón por la que lo hacemos es porque nos hemos dedicado durante muchos años a construir sistemas abiertos. La razón es que, en última instancia, la IA es una tecnología fundamental. Solo puede ser útil si se aplica a una gran variedad de casos de uso. Por supuesto, el primer caso de uso es simplemente el lenguaje y la inteligencia cognitiva, lo cual es muy importante. Imaginamos un mundo donde científicos, biólogos digitales, diseñadores, robóticos, estudiantes, investigadores y el departamento de TI de las empresas, todos nosotros, podamos usar sistemas agenticos e IA para resolver problemas específicos de cada dominio. Muchos de los problemas que queremos resolver requieren un conocimiento especializado que simplemente no está disponible fuera y que debemos integrar en nuestra IA, o bien creemos que la IA se vuelve realmente grandiosa —se convierte en un superagente— cuando la ponemos en un ciclo donde la usamos, se vuelve más inteligente y más útil. La usamos aún más, se vuelve más inteligente. Algo así como nosotros, los humanos, que aprendemos con el tiempo.

Harrison: Aprende con el tiempo.

Jensen: Así que imaginamos este futuro donde la IA tiene una base, y el trabajo que están haciendo Anthropic, OpenAI y Google es fantástico. Pero existen IAs especializadas, IAs de dominio específico e IAs propietarias que la gente quiere construir, y queremos hacer posible ese mundo.

Cómo especializar los sistemas agenticos

Harrison: Profundizando un poco en este tema de la especialización, ¿cómo crees que es mejor especializar estos sistemas? ¿Será puramente el modelo? ¿Será también el "harness", el contexto externo? ¿Qué entra en la especialización?

Jensen: La especialización comienza con la necesidad de tener una inteligencia lo suficientemente buena, y por eso trabajamos en Nemotron y nos encanta que seas parte del equipo fundador de la Nemotron Coalition. Hicimos que Nemotron Ultra fuera bastante increíble. Ahora bien, Nemotron Ultra es un gran modelo como punto de partida, pero se convierte en un modelo increíble cuando le colocas el framework de LangChain, el "harness" de LangChain a su alrededor, para fundamentarlo en información específica del dominio. Una persona inteligente se vuelve súper útil cuando le damos acceso a información particularmente importante. Por tanto, el acceso a la información es importante. Ponerlo en un ciclo de mejora, donde quizás incluso entrenas al modelo, post-entrenas al modelo dentro del "harness" de LangChain, hace que el modelo se vuelva bueno aplicando el "harness" que lo rodea.

Harrison: Lo que quieres que haga para esa tarea.

Jensen: Lo que quieres que haga, sí. Creo que este momento ha llegado, pero necesitamos un sistema de "harnessing" abierto que podamos construir nosotros mismos, aplicar y, por supuesto, mejorar con el tiempo.

Harrison: Me encanta lo que dijiste sobre que el modelo sea "suficientemente bueno". Siento que ese umbral fue superado, no sé, quizás hace un año por algunos de los modelos de frontera, y hace 6 meses por algunos de los modelos de pesos abiertos.

Jensen: Sí.

Nemotron 3 Ultra alcanza el rendimiento de frontera en Deep Agents

Harrison: Hablaste de Nemotron 3 Ultra. Hemos hecho mucho trabajo con él para que sea realmente bueno en Deep Agents. Algunas de las cosas que hicimos fue ajustar el "harness" para que fuera óptimo para este modelo, porque descubrimos que diferentes modelos necesitan diferentes prompts y diferentes herramientas. Con ese ajuste, logramos que Nemotron 3 Ultra en Deep Agents —tenemos un benchmark interno— alcanzara un 86%.

Jensen: Oh.

Harrison: Claude Opus, a modo de comparación, está en el 87%. Tienes a DeepSeek y uno de los modelos de Minimax en el 82%, 83%. Así que estamos empezando a ver que algunos de los modelos de pesos abiertos más recientes realmente están alcanzando un rendimiento de frontera.

Jensen: Lo sé. Estoy muy orgulloso. Es increíble. Gracias.

Harrison: Es increíble. Pero una de las cosas igual de importantes es que es 10 veces más barato que Opus. Creo que los modelos de pesos abiertos están empezando a lograr un buen equilibrio entre rendimiento y costo. Me da curiosidad cómo ves que este factor de costo cambia la ecuación para los desarrolladores.

Cómo el costo cambia la ecuación para los desarrolladores

Jensen: El beneficio del costo llega de un par de maneras diferentes. Pienso que, cuando tienes una inteligencia rentable, la gente simplemente la usa más. Cuando tienes un agente rentable, puedes iterar a través de un espacio de búsqueda más grande. Como resultado, la respuesta puede ser realmente mejor. En el caso de Nemotron, es rentable porque es muy rápido. Es muy eficiente computacionalmente. Cuando es eficiente computacionalmente, puede explorar espacios más grandes. No es diferente a cuando alguien puede pensar rápido; puedes explorar más espacio. Cuando puedes probar cosas más rápidamente, puedes encontrar una mejor respuesta.

Jensen (continuación): Este es el beneficio increíble de Nemotron 3 Ultra dentro del framework de LangChain y el "harness" de LangChain dentro de Deep Agents. Puede pensar tan rápido, explorar tan rápido e iterar tan rápida y eficientemente que encontrará mejores respuestas. Estoy muy emocionado de que hayamos creado un modelo que estaba cerca de la frontera. Pero al adaptar el entorno alrededor de Nemotron, hiciste que ofreciera capacidades de frontera. Ahora, para los humanos es lo mismo. Por supuesto, nos gusta contratar a las personas más inteligentes del mundo. Pero más allá de eso, también les damos acceso a herramientas, les damos acceso a información y creamos el mundo a su alrededor para permitirles alcanzar su máximo potencial. Ajustas el entorno, no solo el modelo. Ahí es donde entró LangChain.

Harrison: Lo que dijiste sobre usar más la inteligencia a medida que es más barata y rápida, vemos que es muy cierto. Creo que una de las cosas que —me gusta pensar que estoy a la vanguardia de la IA— he subestimado es simplemente la demanda de inteligencia y de tokens, y lo grande y masivo que es ese mercado. Creo que eso se ha vuelto especialmente cierto recientemente. Con estos modelos volviéndose buenos, rápidos y muy baratos, ¿cómo deberíamos pensar sobre el uso de modelos de frontera? ¿Deberíamos usar siempre estos modelos de código abierto? ¿Hay un momento y un lugar para ambos?

Modelos de frontera vs. modelos abiertos: cuándo usar cada uno

Jensen: Los modelos de frontera están mejorando todo el tiempo, y espero totalmente que sean increíblemente buenos. Todavía tienen un largo camino de mejora. El escalado, las leyes de escala, por supuesto, se mantendrán. Sus "harnesses" están mejorando todo el tiempo. Su tecnología para manejar la memoria, ya sea memoria de trabajo o memoria a largo plazo, está avanzando increíblemente rápido. Las tecnologías de compactación, todos los avances en generación aumentada por recuperación (RAG) y grafos de conocimiento... todavía hay muchos avances increíbles que se están implementando en estas APIs de modelos de frontera. La forma en que lo pienso es, francamente, siempre comienzo todo mi trabajo con la frontera.

Harrison: De acuerdo.

Jensen: La razón es porque es útil. Sé cuál es el potencial. Cuesta un poco más de dinero, pero es increíblemente... mi tiempo para realizar el trabajo es rápido.

Construyendo super subagentes especializados

Jensen: Sin embargo, con el tiempo, descubro que quiero añadirles subagentes. Quiero conectar subagentes que sean superagentes en ciertas habilidades. Tenemos problemas de optimización dentro de nuestra empresa relacionados con la cadena de suministro. Quizás relacionados con la optimización del diseño de chips o la optimización de la planificación de planta. Estos problemas de optimización son increíblemente difíciles. Así que no vas a tener simplemente una IA general que se ponga a trabajar en ello y pensar que vas a encontrar una gran respuesta. Creamos super subagentes, y estos los crearíamos con Deep Agents, LangChain Deep Agents con Nemotron 3 dentro, e incluso los conectaremos a herramientas especializadas. Esa cosa está construida para un solo trabajo. Ese superagente no está tratando de reservarme citas de viaje. Solo está tratando de optimizar nuestra cadena de suministro. En ese caso, realmente necesito tener LangChain. Realmente necesito tener Nemotron 3 Ultra, y lo conecto a una gran cantidad de conocimiento y habilidades propietarias. Tengo todo un equipo dedicado exclusivamente a refinar eso.

Jensen (continuación): Creo que eso define a una empresa. Una empresa es realmente una colección de un montón de estos flujos de trabajo superpropietarios y superimportantes. Y ahora podemos tener LangChain con Deep Agent y Ultra, Nemotron 3 dentro, y les da todo el control que necesitan, acceso supereficiente a herramientas increíbles. Ese es el futuro.

Consejos para las empresas: cuándo especializarse

Harrison: ¿Tienes algún consejo para las empresas si siguen tu práctica de comenzar con la frontera y luego empezar a especializarse? ¿Cuándo deberían pensar en especializarse? ¿Cuáles son algunos disparadores que buscas?

Jensen: Tan pronto como sea lo suficientemente bueno. Comenzaría con Claude Code y Codex y los usaría tanto como pudiera. Francamente, para muchas cosas nunca tienes que reemplazarlos, porque están mejorando todo el tiempo y están en una trayectoria que traerá capacidades increíblemente rápido. Creo que, en el futuro, al igual que las empresas hoy en día, tenemos empleados que contratamos por su especialización en el dominio, y el refinamiento del trabajo y el proceso de trabajo, y todos sus aprendizajes de vida en la empresa son demasiado valiosos. Pero también contratamos consultores, licenciamos herramientas externas, subcontratamos trabajo a otras personas, etc. Creo que este es el futuro para la IA. ¿Seguiremos usando modelos de frontera? Absolutamente, y toneladas de ellos. ¿Pero también crearemos superagentes especializados con LangChain y Nemotron 3 Ultra que, de hecho, podrían ser tus joyas de la corona? La respuesta es absolutamente sí.

Harrison: Creo que incluso para los consultores que traes, al igual que cuando traes a un consultor, necesitas ponerlos al día en tu organización y darles contexto sobre cómo funcionan las cosas, qué herramientas necesitan, que tengan acceso a datos que solo están dentro de tu organización. Y creo que una de las cosas que hemos visto es que, a medida que las empresas comienzan a adoptar la IA, hay todo este tipo de sistemas que tienen que construir a su alrededor para hacer que los sistemas agenticos en su conjunto sean confiables, seguros y tengan una gobernanza adecuada. Me da curiosidad, ¿cómo ves...? Y solo para añadir, hoy en día, la mayoría de las empresas se basan en procesos de negocio.

Jensen: Sí.

Empresas construidas sobre "harnesses", no sobre procesos de negocio

Jensen: En el futuro, la mayoría de las empresas se construirán sobre "harnesses". La idea es que LangChain se convierta simplemente en la herramienta que crea el sistema operativo de la empresa, y todos usarán LangChain para crear su "harness" especializado, que representa un flujo de trabajo del pasado. Y ahora, este "harness" dentro de ese flujo de trabajo se vuelve autónomo, agentico, mucho más eficiente.

Harrison: Creo que vemos que estas cosas son... está el "harness", está el modelo y luego está todo el contexto a su alrededor, y todo esto puede optimizarse en diferentes momentos.

Jensen: Así es.

Harrison: El trabajo que hicimos con Nemotron 3, creo, fue un gran ejemplo de hacer cosas de bastante alto ROI alrededor del "harness", cambiando el prompt, cambiando las herramientas. Una de las cosas que esperamos es experimentar con el post-entrenamiento de Nemotron. Toma un poco más de tiempo, pero creo que realmente eleva el techo de lo que este sistema general puede hacer.

Jensen: Esto es increíble. Este es el gran avance. Lo que acabas de describir es un futuro donde, una vez que tienes el "harness" construido y está haciendo el trabajo, y ahora es parte del proceso de negocio y es muy exitoso, la pregunta es: ¿cómo lo hacemos aún mejor? Por supuesto, puedes seguir mejorando la información que proporcionaste. Puedes ajustar el "harness", pero ahora también puedes mejorar el modelo de IA, el gran modelo de lenguaje, Nemotron 3 Ultra, dentro del "harness". Creo que ese es un avance completo. Es una capacidad que nunca antes había existido, y estoy muy emocionado por ello. Realmente va a tomar todos estos procesos de negocio específicos de la empresa y comenzar a ajustar este ciclo.

Por qué los stacks abiertos empoderan a las empresas

Harrison: Creo que una de las cosas que hemos escuchado al hablar con las empresas es la demanda o necesidad de que esto se construya sobre un ecosistema abierto. Todo este conocimiento y procesos de la empresa que están poniendo ahí, y tener control total sobre eso parece primordial para muchas de ellas. Me da curiosidad si puedes tocar cómo ves que los stacks abiertos realmente empoderan a las empresas para avanzar más con la IA.

Jensen: Cada empresa se construye fundamentalmente sobre propiedad intelectual específica del dominio o especializada. La razón por la que la llamamos propiedad intelectual —intelectual, es inteligencia. Cada empresa está construida sobre inteligencia, alguna base de inteligencia que está especializada. Nuestra empresa está especializada en algo. No somos buenos en todo, pero somos muy buenos en una cosa, y cada empresa está construida de esa manera. Esa especialización, la inteligencia de tu empresa, es quien eres. No puedes dejar de controlarla, mejorarla, hacerla mejor, ¿verdad? Y, de alguna manera, subcontratar esa inteligencia, ya seas una persona, empresa o país, no tiene sentido para mí. Por supuesto, existe la inteligencia general, y hay cosas generales que todos hacemos, y es gran parte de la economía. Por ejemplo, la programación de software es en realidad algo general. Todos programamos en Python, todos programamos en C++, todos programamos, ¿verdad? Y lo aplicas a diferentes cosas, pero la habilidad de codificar es en gran medida la misma, y esa es una habilidad general. Escribir es una habilidad general. Pero esas son habilidades fundamentales que luego aplicamos a nuestra inteligencia de dominio especializado, y ahí es donde entran LangChain y Nemotron.

Jensen (continuación): Creo que la base de la sociedad va a tener estos modelos fundamentales, y van a ser generales, estarán disponibles en la nube, y va a ser increíble. Pero sobre esa plataforma, tendremos que construir nuestras propias capacidades especializadas, y necesitas herramientas abiertas para eso. No puedes subcontratarlo. No puedo imaginar llamar a un tercero cuando necesito mejorar mi inteligencia. Necesito mejorarla aquí mismo, dentro de la empresa. Creo que ese futuro no es una cosa u otra. Es una visión completamente complementaria, y realmente lo que estamos haciendo es asegurarnos de que la inteligencia automatizada esté integrada en todos los aspectos de todo lo que hacemos. Como resultado, todos seremos mejores.

Harrison: Completamente de acuerdo, y creo que todavía es difícil poner esa integración en marcha.

Anuncio del blueprint de Deep Agents + OpenShell

Harrison: Una de las cosas que anunciamos hoy es un blueprint con Deep Agents y OpenShell dentro de los blueprints de NemoClaw. Esto permitirá a las empresas ejecutar Deep Agents con Nemotron 3 Ultra dentro de OpenShell, que es un entorno de ejecución seguro y abierto, y aprovechar eso.

Jensen: Así es.

Harrison: Esto, con suerte, hará que sea mucho más fácil para las empresas ponerse en marcha.

Jensen: Es un gran paso. Sí, todos los ingredientes clave necesarios para que construyas tu superagente personal, específico del dominio y propietario. Todas las tecnologías, todos los componentes, todas las herramientas, todo el "harnessing", y el blueprint, un gran ejemplo, todo junto para ti.

Harrison: ¿Cómo piensan ustedes sobre los blueprints? Tienen muchos de ellos. Este es obviamente el mejor. No te haré decir eso.

Jensen: Sí.

Harrison: Pero yo lo diré. Este es el mejor que existe. Pero tienen un montón de blueprints. ¿Por qué, cuál es la razón, por qué invertir tanto en ellos?

Jensen: Porque las herramientas siguen siendo arcanas, y hay muchas piezas en esto. Construir un sistema agentico, construir IA, no es simple. Hay muchas piezas tecnológicas diferentes, y ya hablamos de algunas de ellas. Está el gran modelo de lenguaje, están las herramientas que usa, el grafo de conocimiento con el que tiene que lidiar, su sistema de memoria, su sistema de guardrails (barreras de seguridad), su sistema de ajuste fino y, ahora, la tecnología que vas a crear, el post-entrenamiento contra el "harness".

Runtime, seguridad y control de acceso

Jensen: Y luego, por supuesto, está el "harness" en sí. ¿Pero qué pasa con el runtime (entorno de ejecución)? Cuando terminas, todavía tienes el runtime. Tienes que mantenerlo en una "sandbox" (caja de arena) para que sea seguro, privado, y eso es control de acceso. Es algo que las organizaciones de TI pueden controlar.

Harrison: ¿Crees que eso es lo más difícil del runtime dentro de las empresas, todas las cosas de seguridad que lo acompañan?

Jensen: Sin resolver la seguridad y el control de acceso, es imposible desplegar. No es diferente a que sea imposible contratar a un nuevo empleado en la empresa si no lo integras (onboarding) y le das control de acceso. No le damos a cada empleado acceso a cada archivo y a cada red, ¿verdad? Tienes a cada empleado, según su trabajo, su responsabilidad y a lo que necesita tener acceso; le damos acceso a herramientas, a laptops, herramientas de diseño, herramientas de programación, etc. Les damos acceso a ciertas partes de la red. Les damos acceso a información. Los conectamos con otros agentes. Los conectamos con otros colegas con los que trabajan, y les proporcionamos un archivo de habilidades. Básicamente, les damos un documento sobre: esta es tu misión, así es como se ha hecho anteriormente, y ahora, ayuda a hacerlo aún mejor que eso. En muchos sentidos, estamos creando un sistema de RR.HH., por así decirlo, para la IA, que permite a las organizaciones de TI y a todas las diferentes unidades de negocio dentro de las empresas poder construir, mejorar y desplegar estos agentes.

¿Cuánto deberíamos antropomorfizar a los agentes?

Harrison: Esta es una pregunta más filosófica, pero estás hablando, y creo que mucha gente habla de estos agentes y los antropomorfiza mucho, los trae a los sistemas humanos. Pero los agentes no son humanos, y tienen algunas cosas que son mejores que las de los humanos, y tienen otros lugares donde son muy diferentes y quizás no tan buenos en lo que los humanos son buenos. ¿Cuál es el nivel adecuado para antropomorfizar a estos agentes?

Jensen: Son electrones. Son electrones, no átomos, y no es biológico, no tiene conciencia. No está despierto. No es nada de eso. Es una herramienta que... es como mi aspiradora que está dando vueltas por la casa. Está dando vueltas por la casa, limpiando, haciendo algo que yo solía hacer. Ahora tienes cortadoras de césped autónomas... puedes imaginar hace cien años cuando apareció el primer lavavajillas, y ahora está lavando los platos por sí solo. Debe haber sido mágico verlo, y lo llamamos lavavajillas, que es un poco como un humano.

Harrison: Sí.

Jensen: Y tenemos lavavajillas. Mi primer trabajo fue lavando platos. En muchos sentidos, nos acostumbraremos. Creo que ahora tendemos a atribuirle demasiadas propiedades humanas. No es nada parecido a eso. Es software. Son computadoras. Sabemos exactamente cómo funciona porque, obviamente, creamos los "harnesses" a su alrededor. Obviamente sabemos cómo funciona porque está mejorando todo el tiempo. Si no entendemos cómo funciona algo, ¿cómo lo hacemos mejor cada vez? Y si no entendemos cómo funciona algo, ¿cómo lo mejoramos? ¿Cómo lo arreglamos? Obviamente entendemos cómo funcionan estas cosas y creo que deberíamos mantenerlo ahí.

Por qué más IA significa más trabajos

Jensen: Mientras tanto, una de las cosas que sabemos es que cuanta más IA usamos, de alguna manera, a más personas tenemos que contratar. La razón es que estos sistemas agenticos son nuevas habilidades, y ahora tenemos muchos ingenieros de software construyendo agentes. Solían programar software, pero ahora están construyendo agentes. Si me preguntas, cada uno de mis ingenieros de software prefiere estar construyendo agentes que escribiendo código Python. Programar es como escribir a máquina, así que van a escribir menos. Van a ser más ingenieros de sistemas, más enfocados en construir y crear estos sistemas autónomos que son supergeniales. Están creando evaluaciones. Están creando benchmarks. Están creando guardrails. ¿No es así? La cantidad de trabajo que tenemos que hacer para traer la IA al mundo es realmente increíble. Así que está creando un montón de trabajos. Y a mis ingenieros de software les encanta esto.

Harrison: Creo que hemos visto... mencionaste las evaluaciones brevemente. Creo que vemos que eso es una parte clave para desbloquear mucho uso agentico dentro de una empresa. Necesitas tener alguna idea de cómo está funcionando, y cuantificar si es bueno o no, a menudo lo hacen mejor los expertos en la materia que ya viven dentro de la empresa y pueden dar retroalimentación fácilmente y trabajar con estos sistemas para automatizar muchas de las partes tediosas de su trabajo, y luego dedicar tiempo a las partes realmente estimulantes intelectualmente y creativas.

Jensen: Así es. En muchos sentidos, ya seas médico, diseñador o ingeniero de software, estás creando un agente. Estás tomando todo el trabajo mundano e intentando que este agente lo haga. Mientras tanto, todos estamos tratando de elevar a nuestros agentes para que hagan cosas con nosotros que no podíamos hacer antes. Eso requiere imaginación, requiere creatividad, mucha tecnología.

Harrison: Creo que eso es acertado. Creo que actualmente muchos de los mejores usos que vemos de los agentes son darnos más apalancamiento para hacer más cosas. Pero creo que gran parte de ese enfoque está pensando en qué hacíamos anteriormente, y ¿podemos automatizar eso? Pero creo que gran parte del desbloqueo vendrá en el futuro de simplemente... qué no podíamos hacer antes que ahora podemos hacer.

Jensen: La ambición ayuda.

Harrison: Cien por ciento. ¿Verdad? Ambición, agencia.

Jensen: La ambición ayuda. Sí, sí.

Las piezas faltantes del stack agentico

Harrison: Tal vez, en ese sentido, para concluir, mientras piensas en cómo ayudar a impulsar este futuro, ¿cuáles son algunas de las piezas faltantes de este stack agentico?

Jensen: Hoy estamos anunciando algo muy importante. Es algo muy importante lo que estamos haciendo hoy. Estamos proporcionando los bloques de construcción básicos, la base, todos los ingredientes clave para construir superagentes. Cuando digo superagentes, son específicos del dominio. Te pertenecen. Los construyes, los mejoras, los refinas con el tiempo. Les das acceso a información propietaria, conocimiento, tal vez sea superprivado para ti. Como resultado, este superagente podrá hacer cosas que no puedes imaginar, y será extremadamente bueno.

Jensen (continuación): Hemos creado todas las partes clave: un modelo de lenguaje de clase mundial, un framework llamado LangChain Deep Agents que ahora también ha sido ajustado para exponer todo el potencial de Nemotron 3 Ultra, un blueprint que ayuda a todos a hacer eso y, por supuesto, el runtime, el runtime OpenShell que lo mantiene seguro, y los stacks de aceleración que están todos integrados en él. Cada empresa del mundo debería poder, cada desarrollador del mundo debería poder ahora crear estos superagentes, desplegarlos en cualquier lugar en la nube, on-prem. Un buen amigo mío acaba de construir uno para DGX Spark. Ahora tienes estos agentes ejecutándose en DGX Spark justo al lado de tu laptop. Podrías tenerlo ejecutándose en una DGX Station. Podrías construir tu propia supercomputadora dentro de tu empresa si quieres, o hacerlo en la nube. Ahora tenemos capacidades agenticas que puedes construir para ti mismo en todas partes. Todas las piezas están aquí. No hay excusas para no involucrarse.

Harrison: Creo que esa es una manera perfecta de terminar. Me dejaste muy motivado cuando estabas hablando. Fue un gran discurso motivacional. Así que voy a salir y construir algunos agentes. Gracias, Jensen, por sentarte con nosotros. Felicidades.

Jensen: Gracias. Buen trabajo. Estoy orgulloso de ustedes.