GeneXus
for Agents: de la intención al software, con el conocimiento en el centro

En 2023, mientras participábamos en el proceso de un Cuadrante Mágico de Gartner, armamos una historia para explicar cómo veíamos la evolución del desarrollo de software. Poco después, Gastón Milano (CTO de Glob.AI y de GeneXus) la retomó en el Encuentro GeneXus GX30:

La idea era sencilla: desde que comenzamos a hacer cosas con computadoras, siempre existió una distancia entre la intención de una persona y el sistema capaz de materializarla. Durante mucho tiempo esa distancia fue enorme, porque crear software requería traducir una necesidad, diseñar, programar, compilar, probar, corregir y desplegar. Recién después alguien podía usar aquello que se había imaginado y creado.

La historia de la industria puede leerse como una sucesión de intentos por reducir esa distancia. CASE (Computer Aided Software Engineering), RAD (Rapid Application Development), model-driven development, knowledge-driven development y plataformas “Low-Code” buscaron describir más del problema y escribir menos de la implementación.

GeneXus nació dentro de esa búsqueda y durante décadas se enfocó en formas de capturar conocimiento sobre el sistema y generar soluciones a partir de ello. El No Code amplió quién podía crear soluciones y luego, con los LLMs, apareció una nueva simplificación y acercamiento: el lenguaje natural podía acercarnos a la intención original.

En 2023 estábamos hablando ya de una convergencia entre crear y usar software y, hoy, una tarea puede comenzar en una conversación, seguir en una terminal, modificar un repositorio, ejecutar tests y terminar integrada a un producto. Y mientras esa distancia se acorta, se vuelve cada vez más central una pregunta que GeneXus se hizo desde el principio: ¿dónde queda el conocimiento sobre el sistema?

Cuando crear y usar empiezan a acercarse

En esta nueva era agéntica, y de lenguaje natural,  un IDE ya no ocupa necesariamente el centro del desarrollo, ni constituye su único medio ni su puerta de entrada obligatoria. El desarrollo ocurre ahora en un sistema más distribuido, con chats, CLIs, repositorios, documentación, procesos automatizados y agentes.

Es verdad, durante décadas organizamos el desarrollo alrededor de la separación entre design time y runtime: había un lugar para crear y otro para usar. Pero hoy, con los agentes de codificación o las interfaces de chats con LLMs, esa frontera se ha vuelto tremendamente difusa. Podemos interactuar con un producto a la vez que genera una consulta o una modificación de software para resolver una intención nueva. Realmente, estamos usando y creando a la vez. 

Ese cambio vuelve más importante preservar lo que sabemos. Las interfaces, los agentes, los modelos de AI y las tecnologías de implementación van a cambiar, pero el conocimiento que explica por qué un sistema existe y cómo debe comportarse necesita sobrevivir esos cambios.

La industria está buscando una nueva fuente de la verdad

Buena parte de la evolución del desarrollo agéntico y de las conversaciones que están teniendo los desarrolladores de hoy responde a esa necesidad. Coding agents, archivos de contexto persistente, wikis, spec-driven development, knowledge graphs, skills, MCP, memoria y sistemas de reglas son todos temas que convergen porque comparten un problema: un agente necesita contexto conocido para actuar bien.

Un sistema empresarial concentra reglas de negocio, estructuras de datos, integraciones, decisiones de arquitectura y excepciones. Parte de ese conocimiento vive en el código; otra parte está repartida entre documentación, tickets, conversaciones y las personas o incluso una parte seguro ya se ha perdido. Por eso aparecen tantas herramientas que intentan construir nuevas capas de contexto alrededor del código. Algunas generan documentación automáticamente a partir del repositorio. Otras mantienen archivos donde se registran decisiones de producto y arquitectura. Otras exigen escribir especificaciones antes de implementar. Otras construyen grafos para representar las relaciones entre distintas partes del sistema.

La señal es clara: los agentes necesitan más que código. Ahí GeneXus ofrece una diferencia histórica importante: mientras buena parte de la industria intenta reconstruir conocimiento a partir del software existente, o busca formas de preservarlo al codificar con IA, GeneXus siempre buscó hacer el recorrido inverso, generar software a partir de conocimiento o una base de conocimiento.

GeneXus y la separación del What y del How

La propuesta de GeneXus siempre fue describir la realidad del negocio, capturar ese conocimiento en una Knowledge Base y derivar las implementaciones necesarias. El código aparece como consecuencia de objetos, atributos, relaciones, reglas, estructuras y dependencias que representan lo que sabemos del sistema.

Esto permitía separar dos cosas que en el desarrollo tradicional estaban fuertemente acopladas: el What y el How. El What expresa qué necesita el negocio; el How determina cómo implementarlo en una tecnología determinada. Si cambia una base de datos, un lenguaje, una arquitectura, una plataforma o un dispositivo, el conocimiento debería seguir siendo válido. Lo que cambia es una de sus posibles implementaciones.

Ese principio hoy alcanza a modelos de IA, agentes y superficies de desarrollo. Hoy puede ser Claude, Codex, Glob.AI Desktop, Globant Coda, una CLI, un agente corporativo o una experiencia web. El conocimiento de un sistema debería sobrevivir a todos ellos, porque la tecnología va a cambiar mucho más rápido que el conocimiento del negocio.

La industria usa IA generativa y busca preservar conocimiento y obtener resultados repetibles. GeneXus llega a ese punto desde una tradición basada en conocimiento y generación. La tecnología de interacción cambió.  Si los IDEs dejan de ser la superficie central de trabajo, necesitamos otra forma de conectar la idea más permanente de GeneXus, que todo parte del conocimiento, con la forma actual de trabajar, que cada vez más pasa por agentes. En esa intersección entre lo permanente y lo nuevo es donde entra GeneXus for Agents.

GeneXus for Agents y el poder del conocimiento

GeneXus for Agents abre la Knowledge Base a una nueva clase de operadores: los agentes. Un agente puede recibir una intención en lenguaje natural, aprender conceptos y prácticas de GeneXus mediante skills, inspeccionar una representación textual de la Knowledge Base, consultar sus objetos, proponer modificaciones y ejecutar operaciones mediante CLI y MCP.

El conocimiento sigue siendo GeneXus, mientras la superficie de trabajo se amplía. La Knowledge Base puede participar en un entorno donde humanos, agentes, repositorios y procesos automatizados consultan, modifican, versionan, revisan y validan cambios. 

Un LLM puede interpretar una intención, explorar alternativas, navegar lenguaje natural y ayudarnos a entender algo que todavía no está formalizado. GeneXus puede tomar aquello que ya conocemos, convertirlo en conocimiento operativo y derivar software de forma consistente, repetible y confiable.

La IA generativa puede además hacer algo aún más interesante que simplemente generar código. Puede ayudarnos a navegar lo ambiguo y convertir progresivamente aquello que aprendemos en conocimiento reutilizable: una regla, una relación, una abstracción, un patrón o una nueva parte del modelo.

La IA generativa amplía así la idea de Knowledge-Based Development tradicional de GeneXus.

De modelar conocimiento a modelar intención

El paso siguiente que estamos tomando, lleva la separación entre What y How un nivel más arriba, porque incluso antes del What existe una intención (qué quiero hacer … y por qué, como diría Simon Sinek). Una persona empieza con un problema: quiere que un cliente complete una tarea, cambiar una regla de negocio, reducir un riesgo, modificar un proceso o responder una pregunta.

El lenguaje natural permite empezar cerca de ese punto. Su valor crece cuando la conversación puede convertirse en conocimiento estructurado. Los intercambios son efímeros: meses después puede ser difícil reconstruir por qué el sistema terminó funcionando de cierta manera. El software empresarial necesita una memoria capaz de conservar hechos, relaciones, reglas, restricciones y decisiones en un modelo verificable.

La conversación pasa entonces a ser la interfaz para modificar ese conocimiento. En el GeneXus clásico describíamos un sistema a través de un IDE y generábamos diferentes implementaciones. Hacia adelante, humanos y agentes pueden conversar sobre el negocio mientras la plataforma transforma esa conversación en un modelo formal de intención y conocimiento: versionable, capaz de explicar cambios, analizar dependencias e impacto, y de sobrevivir al agente, al modelo de IA y a las tecnologías que ayudaron a construirlo.

El siguiente capítulo

La dirección que imaginábamos en 2023 sigue siendo válida. Pasamos de programar cada detalle a modelar, de Low-Code a No-Code, y del lenguaje natural a los agentes. Cada salto acercó creación y uso cada vez más.

En esta etapa, el conocimiento adquiere todavía más importancia. Cuando producir código se vuelve más barato, importa saber qué debe existir, por qué, qué reglas debe respetar y qué puede cambiar o permanecer. GeneXus for Agents extiende esa idea a una nueva generación de herramientas y operadores. Abre la Knowledge Base a los agentes y convierte al lenguaje natural en una nueva puerta de entrada al conocimiento del sistema, sin necesidad de que un IDE sea el punto de partida.

La historia sigue avanzando. El futuro GeneXus debería acercarse cada vez más a la intención: capturar mejor lo que las personas quieren conseguir, convertirlo en conocimiento formal y utilizar ese conocimiento para crear y adaptar software continuamente. Y hacerlo de forma confiable, porque en la era de los generadores de código estocásticos, necesitamos crear confianza, es decir, encontrar formas de poder confiar en el código generado (esa misma confianza que teníamos con el código de GeneXus, que era generado deterministicamente). 

Es ahí donde estaremos trabajando, tanto en GeneXus como en Glob.AI OS: en permitir a nuestros clientes construir sistemas de software de misión crítica, confiables y basados en conocimiento, aprovechando la inteligencia artificial para generar código. En otras palabras, en el equipo de GeneXus seguimos innovando para que nuestros clientes puedan continuar haciendo lo que vienen haciendo desde hace casi 40 años: construir sistemas a partir del conocimiento, evolucionarlos fácilmente y aprovechar, en cada momento, las tecnologías más avanzadas.

Para profundizar en lo último de nuestra tecnología, podés explorar:

• Glob.AI OS
• Quick Start: GeneXus for Agents

También te puede interesar leer:

El nuevo GeneXus: modelar la intención, no solo escribirla

GeneXus y la Arquitectura Neuro-Simbólica

El problema del desarrollo basado en prompts

GeneXus for Agents: 15 respuestas clave