Los autores, que dicen haber construido sistemas de IA para productos con millones de usuarios, entre ellos en LinkedIn y Meta, defienden que el trabajo con datos es iterativo: investigar, formular hipótesis, experimentar y mejorar con lo aprendido. Sostienen que en entornos empresariales grandes y desordenados ese proceso de abajo arriba es la única vía para obtener resultados rápido, frente a consultores que recogen contexto en reuniones o equipos que definen una ontología de negocio de antemano. Un sistema nativo de IA debería automatizarlo y acumular aprendizaje en cada nueva investigación.
Como ejemplo citan un proyecto de migración de una empresa desde su antiguo parque de datos a un lakehouse, con más de 30 familias de sistemas de origen, miles de tablas y transformaciones y cientos de informes de BI. Ni una persona ni un agente de IA sabía cómo estaba conectado todo, así que hubo que investigar repositorios, modelos dbt, documentación y los propios datos, proponer hipótesis y probarlas. Para los autores, volcar documentación con RAG vale poco hasta que se prueba en un entorno concreto y se aprenden las consecuencias.
Kapso mantiene un banco de lecciones, inducidas o deducidas de experimentos anteriores. Cada una lleva una puntuación de credibilidad, las condiciones en que se aplica y la evidencia que la respalda. En cada experimento, un módulo de ideación propone ideas teniendo en cuenta esas lecciones, las reordena según el retorno esperado frente al presupuesto que consumiría cada una y envía las mejores al implementador. Un módulo verificador, al que ningún experimento puede acceder para hacer trampas, comprueba los resultados. Los módulos de experimentación pueden proponer cambios en las métricas y criterios, que el verificador aprueba o rechaza.
Tras cada ejecución, learn() actualiza las puntuaciones y los límites de las lecciones con la evidencia obtenida. Los cambios en el banco pueden probarse con A/B testing, ejecutando compilaciones idénticas con el banco anterior y el actualizado. El banco se apoya en git, de modo que se puede compartir la experiencia y listar o actualizar los bancos disponibles con `kapso experience share/list/update` en la CLI. El sistema es agnóstico respecto al modelo y al agente de programación. Con kapso.deploy(solution, target_stack) se ejecuta un bucle de experimentación más corto para adaptar la mejor solución a la pila de destino, como Docker, Modal, BentoCloud o LangGraph. Cada dominio parte de un harness, y se puede escribir uno propio.
Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.