En 1968, un estudio seminal descubrió algo que moldearía Silicon Valley por décadas: los mejores ingenieros de software eran dramáticamente más productivos que sus pares. Desde entonces, toda empresa tecnológica ha estado buscando a esos individuos raros capaces de generar resultados extraordinarios.
Al regresar de las vacaciones en enero, influenciados por la IA gracias a los avances en los modelos frontera, nuestro equipo de ingeniería comenzó a ejecutar agentes en paralelo con git worktrees, Claude Code y Codex. En algunas tareas, lograban hacer 5 veces más.
Eso planteó una pregunta más grande: si los agentes podían hacer que los ingenieros fueran mucho más productivos en un mes, ¿qué se necesitaría para que todos en Sierra llegaran allí? Creamos un equipo de aceleración de IA de seis personas para descubrirlo. Este blog explica lo que hemos construido y lo que aprendimos en el proceso.
1. Agente, singular
Comenzamos con un grupo de agentes específicos para cada rol: un agente de soporte (PINE), un analista de datos (Pinewood), un ingeniero (Pinecone) y un agente de ventas (Reggie Jr). Un agente por rol puede parecer intuitivo, pero fracasó en la práctica.
Superficialmente, el problema era la carga para los empleados, quienes tenían que recordar qué agente hacía qué. Nuestro amor por los nombres temáticos de pino no ayudó. Pero el problema más profundo era estructural: el trabajo más importante ocurre entre equipos, no dentro de ellos.
En esencia, las empresas son una colección de trabajos por realizar. Tomemos el lanzamiento de un producto. Involucra equipos técnicos, así como ventas, marketing, legal y operaciones. Los departamentos existen porque un solo equipo o persona no puede hacer cada parte del trabajo. La IA cambia eso, ya que puede completar el trabajo de principio a fin cada vez más.
Así que colapsamos todos estos agentes específicos de rol en Pinecone: un solo agente con un identificador de Slack, una URL y un hilo ininterrumpido desde la pregunta hasta el resultado final. Pinecone descubre de qué sistemas extraer y qué hacer con una solicitud, para que los empleados no tengan que hacerlo. Eso es técnicamente difícil, pero ese es el punto de la IA: la tecnología absorbe la complejidad, no el empleado.
Es una lección que ya habíamos aprendido con nuestra plataforma. Los agentes construidos en Sierra son de servicio completo: un solo agente puede manejar todo, desde el descubrimiento de productos hasta la configuración de cuentas, la resolución de problemas, la facturación y más. No "presione uno para ventas, presione dos para soporte" como un antiguo IVR.
Colapsar todo en un solo agente te acerca mucho más a donde reside el valor en una empresa: los trabajos por realizar. Cada mejora beneficia a todo el negocio, por lo que todos mejoran, más rápido.
2. Proactivo, no reactivo
La mayor parte del trabajo no se completa en una sola sesión. Se desarrolla a lo largo de días, semanas o incluso meses a medida que los equipos aprenden, las prioridades cambian y surge nueva información. Un agente que aparece cuando se le solicita y desaparece cuando termina la sesión solo es útil hasta cierto punto. Pinecone persiste a lo largo de todo el proceso, llevando el contexto hacia adelante y retomando el hilo, hasta que el trabajo, no solo la solicitud individual, esté terminado.
La persistencia también hace que Pinecone sea proactivo. En lugar de esperar a que le pregunten, puede actuar cuando el siguiente paso esté listo: un webhook se activa en un artefacto, una tarea llega a Linear, llega una revisión. Reúne contexto y hace un primer intento, trayendo a las personas cuando se necesita su juicio. Las notas de preparación esperan antes de una reunión. Los resúmenes de entrevistas se redactan antes de que te sientes a agregar tus puntuaciones. Las revisiones llegan con resúmenes, riesgos clave y comentarios sugeridos. El objetivo no son más notificaciones. Es que llegue menos trabajo sin terminar.
Todavía no lo hemos logrado completamente — la mayoría de las sesiones aún comienzan con un mensaje humano — pero invertir esa relación, para que los agentes avisen a los humanos cuando sea necesario, es hacia donde nos lleva la persistencia.
3. El contexto empresarial es el cuello de botella, no la inteligencia
El cuello de botella con la IA era la inteligencia bruta — si un modelo era lo suficientemente inteligente. Hoy, los modelos frontera son lo suficientemente capaces para la mayoría de las necesidades empresariales. Así que el cuello de botella se ha movido al contexto: lo que es específico de tu empresa, tus flujos de trabajo, tu historial, las decisiones subjetivas que no aparecen en ningún conjunto de entrenamiento.
En enero, dos personas de nuestro equipo armaron un agente analista de datos usando Claude Code y Opus 4.6, conectado a nuestros sistemas a través de Model Context Protocol (MCP) y herramientas de línea de comandos. Sin mucha orientación adicional, podía investigar un problema de un cliente en Slack, GitHub, ClickHouse, Salesforce y PagerDuty en minutos. Un trabajo que antes consumía una tarde se convirtió en el primer paso en la depuración y la respuesta a incidentes.
El mismo patrón se extiende mucho más allá de la depuración. Un agente con contexto completo puede preparar una reunión con un cliente, investigar una cuenta, revisar un contrato o RFP, rastrear una decisión de producto y convertir trabajo disperso en un artefacto terminado. Por supuesto, darle a un agente acceso a todo ese contexto introduce un nuevo problema. Un agente sin restricciones es un riesgo masivo de seguridad y privacidad. Nuestro MCP Gateway resuelve esto: Pinecone hereda el acceso de cada empleado, aplica políticas en cada llamada de herramienta, aísla los datos del cliente y deja un registro de auditoría.
leer descripción de la imagen
ALT
Sierra MCP Gateway conecta agentes a 37 sistemas
Pinecone está construido sobre Claude Code y Codex. Sus mejoras frecuentes son un viento a favor, pero el estado del arte cambia constantemente — un modelo puede ser el mejor en planificación, otro en codificación, otro en prosa. Ser dueño de la capa superior a los modelos nos permite enrutar cada tarea al modelo correcto, realizar conmutación por error durante el tiempo de inactividad y gestionar costos, evitando estar a merced de un solo jugador. Pero la ventaja duradera no es ser dueño del modelo subyacente. Es ser dueño del contexto, los flujos de trabajo y la capa de enrutamiento que hacen que cada modelo sea más útil.
También estamos experimentando con dejar que Pinecone sueñe: reflexionar sobre el trabajo de cada día y proponer mejoras a sus propias habilidades. Con el tiempo, esa es la diferencia entre un agente que solo trabaja para Sierra y uno que aprende de Sierra.
4. El agente es la interfaz de usuario, el sistema de registro es el backend
Cada pieza de trabajo produce algo concreto, un artefacto. Los agentes de codificación encontraron el suyo primero: la solicitud de extracción (pull request). Cada otro departamento tiene su propio equivalente: una historia de cliente, un contrato, un cuestionario de RFP, una presentación, una revisión de desempeño.
Los artefactos son tanto la entrada como la salida. Le dan a los agentes el contexto que necesitan para hacer el trabajo — y es donde pertenece el trabajo terminado. Pídele a Pinecone que ajuste una presentación, y la presentación misma regresa actualizada, no un mensaje de chat diciéndote qué cambiar.
Hemos descubierto que es mejor trabajar con tus sistemas de registro, no reemplazarlos. GitHub mantiene el PR, Salesforce mantiene la cuenta y Linear mantiene el problema — el agente es la capa que los une.
Reemplazar esos sistemas significa recrear décadas de software maduro. Peor aún, divide la empresa en dos: personas que trabajan a través del agente y personas que trabajan directamente en las herramientas originales, cada una con su propia versión de la verdad. Nuestra apuesta es que estos productos se conviertan más en backends con el tiempo, con el agente como la interfaz principal.
5. Resultados, no solo actividad
Desde el primer commit de Pinecone en marzo, ha ejecutado más de 75,000 sesiones para más de 600 personas. Hoy, el 70% de nuestros PRs se abren a través de él, mientras que cientos de automatizaciones manejan silenciosamente trabajos que nadie solicitó explícitamente.
Números como esos son tentadores para liderar con ellos, y al principio son lo correcto para rastrear — son evidencia de que algo realmente se está usando, no acumulando polvo en una diapositiva de hoja de ruta. Pero las sesiones ejecutadas y las llamadas a herramientas realizadas son actividad, no resultado. Un equipo puede maximizar tokens hasta tener un gráfico de adopción impresionante sin que nada aguas abajo mejore realmente — la misma cantidad de errores, los mismos tiempos de ciclo, solo con más IA involucrada en producirlos.
Por lo tanto, el uso de tokens es un buen punto de partida. Los equipos necesitan formar el hábito de usar la herramienta antes de poder medir si está funcionando. Pero no es donde está el valor, y no queremos que sea donde termine la historia. La pregunta que estamos tratando de mejorar en hacer no es cuánto hizo un agente — es qué cambió realmente debido a ello: si un trato se cerró más rápido, si el problema de un cliente se resolvió en el primer intento, si alguien recuperó su noche en lugar de terminar una revisión hasta altas horas de la noche.
Todavía no tenemos una buena manera de medir eso. Las sesiones y las llamadas a herramientas son simplemente más fáciles de contar. Pero esa brecha — entre lo que podemos medir hoy y lo que realmente nos importa — es lo siguiente hacia lo que estamos construyendo.
Ese estudio de 1968 encontró una brecha de 10X entre los mejores y el resto — y durante cincuenta años, la única respuesta fue salir a cazar a esas personas raras. Ahora hay una mejor: dale a todos un agente para que tengan las ventajas de los pocos. El objetivo no es solo hacer más. Es darle a las personas más tiempo para el trabajo que solo las personas pueden hacer: juicio, gusto, creatividad y construcción de relaciones.
Próximamente
Haremos análisis más profundos de los sistemas que hemos construido:
- Allen Chen sobre Pinecone, sus múltiples iteraciones y la arquitectura técnica detrás de él
- Mihai Parparita sobre MCP Gateway y cómo recopilar contexto completo de manera segura
- Rohith Ravi sobre Agency, la infraestructura que lo sustenta todo
