En 1968, un estudio seminal descubrió algo que marcaría a Silicon Valley durante décadas: los mejores ingenieros de software eran dramáticamente más productivos que sus pares. Desde entonces, toda empresa tecnológica ha estado buscando a esas personas excepcionales capaces de generar resultados extraordinarios.
Al regresar de las vacaciones en enero, imbuidos por 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 amplia: si los agentes podían hacer que los ingenieros fueran mucho más productivos en un mes, ¿qué haría falta para que todos en Sierra llegaran a ese punto? Creamos un equipo de aceleración de IA de seis personas para averiguarlo. 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 falló en la práctica.
Superficialmente, el problema era la carga para los empleados, que 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 hacer. Tomemos el lanzamiento de un producto. Involucra a equipos técnicos, así como a ventas, marketing, legal y operaciones. Los departamentos existen porque un equipo o una 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 fusionamos todos estos agentes específicos de roles en Pinecone: un solo agente con un handle de Slack, una URL y un hilo ininterrumpido desde la pregunta hasta el resultado final. Pinecone descubre qué sistemas consultar 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 es "presione uno para ventas, presione dos para soporte" como un viejo IVR.
Unificar todo en un solo agente te acerca mucho más a donde reside el valor en una empresa: los trabajos por hacer. Cada mejora beneficia a todo el negocio, por lo que todos mejoran y son más rápidos.
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 tiene una utilidad limitada. Pinecone persiste durante todo el proceso: mantiene el contexto y retoma el hilo hasta que el trabajo, no solo la solicitud individual, está terminado.
La persistencia también hace que Pinecone sea proactivo. En lugar de esperar a que le pregunten, puede actuar cuando el siguiente paso está listo: un webhook se dispara en un artefacto, una tarea llega a Linear, llega una revisión. Reúne contexto y hace una primera pasada, involucrando a las personas cuando se necesita su criterio. Las notas de preparación esperan antes de una reunión. Los informes de entrevistas se redactan antes de que te sientes a añadir 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 del todo: la mayoría de las sesiones aún comienzan con un aviso 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 en día, los modelos frontera son lo suficientemente capaces para la mayoría de las necesidades empresariales. Así que el cuello de botella se ha trasladado al contexto: lo que es específico de tu empresa, tus flujos de trabajo, tu historial, los juicios de valor que no aparecen en ningún conjunto de datos de entrenamiento.
En enero, dos personas de nuestro equipo improvisaron un agente analista de datos usando Claude Code y Opus 4.6, conectado a nuestros sistemas a través del Model Context Protocol (MCP) y herramientas de línea de comandos. Sin mucha guía adicional, podía investigar un problema de un cliente en Slack, GitHub, ClickHouse, Salesforce y PagerDuty en minutos. Un trabajo que antes consumía una tarde entera 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 una RFP, rastrear una decisión de producto y convertir un 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 enorme riesgo 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 rastro de auditoría.
leer descripción de la imagen
ALT
Sierra MCP Gateway conecta a los agentes con 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 mejor para planificar, otro para codificar, otro para la prosa. Tener la capa sobre los modelos nos permite enrutar cada tarea al modelo correcto, hacer failover durante el tiempo de inactividad y gestionar los costos, evitando estar a merced de un solo proveedor. Pero la ventaja duradera no es poseer el modelo subyacente. Es poseer el 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 en sus propias habilidades. Con el tiempo, esa es la diferencia entre un agente que simplemente trabaja para Sierra y uno que aprende de Sierra.
4. El agente es la interfaz de usuario, el sistema de registro el backend
Cada pieza de trabajo produce algo concreto, un artefacto. Los agentes de codificación encontraron el suyo primero: la pull request. Cada otro departamento tiene su propio equivalente: una historia de cliente, un contrato, un cuestionario de RFP, una presentación, una evaluación 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 son el lugar donde pertenece el trabajo terminado. Pídele a Pinecone que ajuste una presentación, y la presentación misma vuelve actualizada, no un mensaje de chat diciéndote qué cambiar.
Hemos descubierto que es mejor trabajar con tus sistemas de registro, no reemplazarlos. GitHub mantiene la PR, Salesforce mantiene la cuenta y Linear mantiene el issue: el agente es la capa que los atraviesa.
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 vuelvan más como 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 nuestras 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 se está usando realmente, no sentado en una diapositiva de hoja de ruta acumulando polvo. Pero las sesiones ejecutadas y las llamadas a herramientas realizadas son actividad, no resultado. Un equipo puede hacer tokenmaxxing para llegar a un gráfico de adopción impresionante sin que nada aguas abajo mejore realmente: la misma cantidad de errores, los mismos tiempos de ciclo, solo que con más IA involucrada en producirlos.
Así que el uso de tokens es un buen punto de partida. Los equipos necesitan formar el hábito de usar la herramienta antes de que puedas 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 aprender a hacer mejor no es cuánto hizo un agente, sino qué cambió realmente gracias a él: 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 madrugada.
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 buscar a esas personas raras. Ahora hay una mejor: darle a cada uno un agente para que tengan las ventajas de los pocos. El objetivo no es solo hacer más. Es darle a la gente más tiempo para el trabajo que solo las personas pueden hacer: juicio, gusto, creatividad y construcción de relaciones.
Próximamente
Haremos inmersiones más profundas en los sistemas que hemos construido:
- Allen Chen sobre Pinecone, sus muchas iteraciones y la arquitectura técnica detrás de él
- Mihai Parparita sobre MCP Gateway y la recopilación segura de contexto completo
- Rohith Ravi sobre Agency, la infraestructura subyacente
