Son las 2 de la madrugada. Miro cuatro ventanas que se ejecutan en paralelo en mi pantalla. Una está procesando materiales de clientes. Otra está arreglando código. Otra se está poniendo al día con mensajes de Slack sin leer. La cuarta está atascada por un límite de uso de la API, esperando a que yo tome una decisión. No estoy usando IA. Estoy gestionando IA, como un capataz de fábrica haciendo la ronda a las dos de la mañana.
Hace dos meses, pensé que había llegado al techo de lo que la IA podía hacer por mí. La usaba a diario desde GPT-3.5: dos años de conversación, una caja de resonancia más inteligente, nada más. Entonces dejó de ser conversación y empezó a ser gestión. El abismo entre esos dos modos —chatear con la IA frente a trabajar de verdad con ella— resultó ser el cruce profesional más importante que he hecho nunca. Este es un informe de campo desde el otro lado, incluidos los fracasos.
El techo que me construí yo mismo
No soy un espectador de la IA. Dirijo una empresa que la ha adoptado por completo. He escrito Python, he trabajado con API y he seguido la investigación. La usaba varias veces al día: para redactar memorandos, poner a prueba estrategias y prepararme para reuniones.
Esa comodidad era precisamente la trampa.
Porque lo que hacía —todo ello— era chatear. Abrir una pestaña, hacer una pregunta, recibir una respuesta, cerrar la pestaña. Volver a empezar de cero la vez siguiente. Usaba la IA como la mayoría de los directivos: como un asistente inteligente con el que hablar, no como un colega con el que trabajar. Por el camino probé productos de agentes empaquetados. Manus podía mantener un encargo y conservar contexto entre sesiones —útil para presentaciones—, pero la interacción seguía siendo la misma: yo instruyo, ejecuta, un paso cada vez.
Conocía los copilotos de programación: GitHub Copilot y similares. Pero soy CEO, no ingeniero. Había escrito código suficiente para ser peligroso, no suficiente para ser productivo. La idea de sentarme en un IDE me parecía dar un paso atrás en mi carrera. Sin darme cuenta había clasificado las herramientas por categorías: esto es para programadores, aquello para directivos. Ese techo no lo impusieron las herramientas. Lo construí yo mismo. Había decidido qué era “para alguien como yo” y dejé de mirar más allá.
Qué se siente cuando cae el muro
Nuestro CTO me animó a probar Cursor. Un IDE: una herramienta de programadores. Hacía años que no programaba en serio. Pero ganó la curiosidad.
A Cursor le da igual cuál sea tu cargo. Describes lo que quieres en inglés llano y construye: no autocompleta, construye. Para alguien que siempre había estado a un paso de la implementación, capaz de especificar cosas pero nunca de construirlas, fue como ver caer un muro. Por primera vez podía tocar la capa de implementación.
Después me empujó hacia Claude Code —el agente de IA de línea de comandos de Anthropic— y algo se abrió de golpe.
Cursor es un copiloto inteligente: tú sigues conduciendo, línea a línea. Claude Code es un colega. Yo describo el objetivo. Él razona el problema, hace preguntas de aclaración, escribe el código, lo prueba y arregla lo que se rompe. Mantiene todo el proyecto en la cabeza: qué archivos existen, cómo se conectan, qué construimos ayer. Mi papel pasó de escribir a revisar. El cuello de botella dejó de ser mi capacidad técnica y pasó a estar en dos cosas completamente distintas: con cuánta claridad puedo articular lo que quiero y con qué criterio puedo juzgar lo que recibo.
Esas dos habilidades, resulta, son habilidades de CEO. Me había estado diciendo que las herramientas de programación no eran para mí. Lo que no había entendido es que las herramientas se habían desplazado hasta donde yo ya estaba.
Entonces descubrí OpenClaw —un framework multiagente de código abierto— y el suelo volvió a desaparecer bajo mis pies.
De Manus a Cursor, a Claude Code y a OpenClaw. Toda la progresión llevó unas tres o cuatro semanas, una curva de aceleración: cada salto más rápido y más profundo que el anterior. Al final ya no estaba usando una única herramienta de IA. Estaba operando un sistema.
La curva de aceleración: cada salto más rápido y más profundo que el anterior
El otro lado
Así es como se ve el otro lado de ese abismo; probablemente dentro de un mes se verá distinto:
Trabajo con dos capas. OpenClaw es la capa siempre activa. Vive en un servidor en la nube, monitoriza el Slack de nuestra empresa y se ocupa del ritmo operativo de dirigir un negocio: digiere actualizaciones del equipo, ejecuta flujos de prospección, hace seguimiento de solicitudes de clientes y empuja al equipo con los plazos. Va juntando las piezas dispersas entre personas, herramientas y canales que antes nadie tenía tiempo de conectar.
Claude Code es la capa de concentración profunda. Cuando necesito pensar a fondo en una sola cosa —escribir este artículo, diseñar un nuevo flujo de trabajo, depurar el propio OpenClaw— me siento en Claude Code. OpenClaw es la planta de producción; Claude Code es el banco de trabajo.
Reestructurado para agentes: los archivos Markdown sirven como documentos de briefing para que la IA entienda el proyecto
La separación importa porque las distintas herramientas de IA tienen fortalezas realmente distintas: modelos distintos, memorias distintas, niveles de autonomía distintos. Decidir qué agente asignar a qué tarea es en sí mismo un nuevo tipo de trabajo, y todavía estoy aprendiendo. Pero la cuestión no son las herramientas concretas. La cuestión es que crucé de hacer preguntas a la IA a dirigir sistemas de IA, y la diferencia no es incremental. Es estructural.
Qué se siente en la práctica
Esto es lo que cambió:
Antes y después: cambios concretos en seis áreas del trabajo de un CEO
El ahorro de tiempo es real: tareas que antes llevaban una o dos semanas ahora llevan una hora. Pero la velocidad no es lo principal. Como CEO, siempre hay más por hacer que capacidad para hacerlo. Muchas tareas quedan en una zona intermedia incómoda: merece la pena hacerlas, pero no son lo bastante grandes como para justificar una contratación. Así que, simplemente, no se hacen: la actualización para accionistas se pospone, la investigación de prospectos se queda en la superficie, el seguimiento se pierde. La IA no solo hizo más rápido mi trabajo existente. Hizo que el trabajo que se estaba quedando por el camino llegara a hacerse.
Y cruzar el abismo abrió una puerta que no esperaba: hacia la propia IA. Uso el chat de voz con IA mientras camino, en taxis, entre reuniones: una idea que menciono al cruzar la calle se convierte en una especificación para cuando me siento. Al trabajar con agentes a diario, estoy en contacto directo con la frontera: alterno entre modelos fundacionales (Claude, Gemini, Qwen, Kimi), construyo pipelines RAG y peleo con sistemas de memoria de agentes. No leo sobre ellos. Los uso. La ansiedad por quedarse atrás en IA —esa sensación que ahora carga todo ejecutivo— desapareció. No porque lo sepa todo, sino porque tengo un entorno que me permite tocarlo todo.
¿Qué significa esto si diriges un family office?
No gestionas código. Gestionas patrimonio multigeneracional, dinámicas familiares complejas y datos sensibles desde el punto de vista regulatorio. Tu cautela ante la automatización está justificada: una instrucción errónea podría afectar a estructuras patrimoniales durante generaciones; una brecha de datos podría destruir la reputación de una familia. Pero cautela no es lo mismo que evitación.
El trabajo central de un family office es, en el fondo: reunir información fragmentada, sintetizar una comprensión, emitir un juicio, ejecutar y verificar. Desde consolidar posiciones entre bancos custodios hasta prever flujos de caja de fondos de private equity o personalizar informes para cada miembro de la familia: ¿cuánto de todo eso es ensamblaje repetitivo de datos y cuánto es verdadera toma de decisiones?
La IA no tomará tus decisiones de asignación de activos ni te dirá en qué gestor de fondos confiar. Pero puede darte una vista completa de la cartera entre custodios quince minutos antes de una reunión y señalar las cláusulas clave y los factores de riesgo enterrados en los materiales de due diligence antes de que termines el café. La línea importante separa el procesamiento de información que puede automatizarse del juicio que debe seguir siendo humano. Una vez trazas esa línea con claridad, el volante de inercia empieza a girar, y la brecha entre quienes han cruzado y quienes no se ensancha rápido.
La parte de la que nadie te avisa
Esa era la versión optimista. Aquí va el resto.
La puesta en marcha te devora. Las tareas que describí ahora llevan menos tiempo. Pero construir y mantener el sistema que las acelera es un trabajo nuevo y permanente. Cambié tiempo de tarea por tiempo de infraestructura y, para mí, el balance neto es claramente positivo. Pero tengo la motivación, el trasfondo técnico y las horas para dedicarle. Para la mayoría de la gente, no lo sería.
El mundo no está construido para agentes. CAPTCHA, solicitudes de doble factor, cierres de sesión, PDF, hojas de cálculo heredadas, límites de API diseñados para un uso a velocidad humana: cada vez que un agente choca con una de estas paredes, tú eres quien encuentra la forma de rodearla. (Esta fricción también es una oportunidad enorme, incluso para empresas como la nuestra. Las barreras son modelos de negocio.) Y los agentes construidos por uno mismo no son productos. Son LEGO: memoria, informes, orquestación de tareas, permisos, monitorización, gestión de errores, integraciones con herramientas. Cada bloque exige decisiones, y muchos exigen criterio técnico. Nunca termina, porque los modelos, API y herramientas subyacentes cambian cada pocas semanas.
Aunque los agentes más recientes entienden inglés llano, aún tienes que guiarlos y corregirlos cuando su razonamiento se desvía.
Hace poco me propuse construir para OpenClaw un sistema de memoria de tres capas: memoria en tiempo real, memoria diaria y memoria semanal. Suena limpio, ¿verdad? Hice que Claude Code leyera una pila de artículos de investigación y diseñara la arquitectura. Produjo un plan que parecía minucioso y completo. Solté el aire pensando que ya estaba hecho.
No funcionaba.
Hice que una segunda instancia de Claude revisara la arquitectura. Encontró problemas estructurales. Los arreglé. Volvió a romperse. Abrí Codex —el agente de programación de OpenAI— para tener una mirada nueva. Detectó casos límite que yo había pasado por alto. Los arreglé. Entonces OpenClaw publicó una nueva versión que sobrescribió el código que llevaba días modificando. Vuelta a la casilla de salida.
La parte más absurda: Claude y Codex a veces introducían erratas, no errores de razonamiento, sino simples faltas en las instrucciones que escribían para sí mismos. Estos fallos triviales duplicaron el tiempo que pasé buscando problemas, porque siempre asumes que se ha roto algo fundamental y te pasas horas mirando el panorama general antes de descubrir que a una palabra le falta una letra.
Cuatro o cinco días de este bucle: arreglar, romper, arreglar, romper; la sensación de correr sin avanzar. Al final tuve que extraer las secciones críticas y revisarlas manualmente, línea por línea. Fue lo más lejos que podía estar de “ahorrar tiempo con la IA”.
El sistema de memoria funciona ahora, quizá el 80 % o 90 % del tiempo. La memoria en tiempo real todavía arroja errores ocasionalmente, pero al menos los agentes han registrado suficiente historial de sus propias correcciones como para que pueda rastrear qué salió mal. ¿Sigue habiendo errores? Sí. ¿Tengo una confianza razonable en que las tres capas aguantan? En general, sí. Crucemos los dedos.
Las herramientas nunca han sido más accesibles. El criterio necesario para usarlas bien nunca ha sido más escaso.
Claude Code en acción: cómo se ve de verdad “trabajar con IA”
Y luego está lo que te hace a ti. Durante unas dos semanas, sentí que me estaba asfixiando de verdad. Agentes pidiendo permisos constantemente, pidiendo decisiones, produciendo resultados más rápido de lo que yo podía revisarlos. Trabajé hasta las 2 o 3 de la madrugada todas las noches, no porque tuviera que hacerlo, sino porque no podía parar. Empecé a llamarlo el límite de tasa de tokens humano: el cuello de botella del sistema ya no es la máquina. Eres tú.
Y engancha. Algunos investigadores han descubierto que la naturaleza no determinista de las respuestas de la IA activa vías de dopamina similares a las de las máquinas tragaperras: recompensas variables que te empujan a buscar el siguiente golpe. Un estudio de HBR de este mes confirmó el patrón: “las herramientas de IA no redujeron el trabajo; lo intensificaron de forma constante”.
Hay una escena en The Matrix en la que Neo despierta y se da cuenta de que estaba conectado a un sistema, generando una producción que creía que era su propia vida. El paralelismo no es exacto, pero la sensación resulta incómodamente familiar. Mi terapeuta lo resumió de forma más sencilla: “Me dijiste que la IA iba a liberarte tiempo. ¿Por qué estás más estresado que antes?”
Sospecho que esta es una de las preguntas existenciales de la ola de IA: no si la tecnología funciona, sino qué les hace a las personas que mejor la usan. Es algo más grande que mi experiencia personal. Todavía estoy aprendiendo a vivir dentro de esto. Si tomas este camino, también tendrás que aprenderlo.
Si empiezas ahora
Si intuyes que hay más en la IA de lo que estás obteniendo de ella, tienes razón. Lo que yo no había entendido es que la IA estaba acortando la distancia desde su lado: las herramientas han mejorado tanto y tan rápido que podrías estar a un solo paso de un cambio cualitativo sin saberlo. Elige una tarea que de verdad te importe. Dale contexto real a la IA. Deja que la confianza se construya a partir de ahí. La duda no desaparecerá —solo cambiará de forma— y el impuesto de aprendizaje se seguirá cobrando. Pero los retornos son reales.
La línea entre chatear con la IA y trabajar con la IA se está ensanchando. Angelo Robles, que ha trabajado con más de cien familias multimillonarias, lo dijo sin rodeos: “Lo que antes requería veinte empleados ahora requiere una o dos personas con IA”. Crucé hace dos meses. Fue caótico, agotador e inacabado; casi me quemo. No escribo esto desde la cima de la montaña. Escribo a media subida, sin aliento.
Pero no volvería atrás.
En las próximas piezas iré más a fondo: datos duros sobre agentes de IA, cómo mi equipo usa estas herramientas en el día a día y cómo estamos replanteando el producto de Canopy en la intersección entre IA y gestión patrimonial. Pero si hay una sola idea que llevarse de este texto, es esta: el abismo se puede cruzar. Empieza con una tarea.
Mu Chen es el CEO de Canopy, que presta servicio a más de 60 family offices y clientes UHNW de todo el mundo, con seguimiento de más de USD 90 billion en activos. También es profesor invitado en Tsinghua PBCSF. Escribe sobre la intersección de primera línea entre IA y gestión patrimonial en Amongst Families.
[1] M. Karen Shen & Dongwook Yoon, “The Dark Addiction Patterns of Current AI Chatbot Interfaces”, CHI 2025
[2] Aruna Ranganathan & Xingqi Maggie Ye, “AI Doesn’t Reduce Work — It Intensifies It”, Harvard Business Review, February 2026
[3] Angelo Robles, Family Office Association
