Si solo sigues los lanzamientos de modelos que llegan a titulares, te estás perdiendo dónde ocurre la mayor parte del progreso real en IA aplicada: la capa de código abierto de herramientas, entornos y «habilidades» que convierten un modelo capaz en algo que de verdad trabaja. Una cosecha reciente de estos proyectos, reunida, ofrece una instantánea llamativa de dónde está el ecosistema en 2026.
Hemos seleccionado y organizado esa lista más abajo, agrupada por lo que cada proyecto realmente hace. Nos hemos saltado los segmentos patrocinados y el teatro del recuento de estrellas: las cifras de abajo son aproximadas y se mueven constantemente, así que tómalas como «esto es popular» y no como un dogma. Lo que importa mucho más que cualquier repositorio concreto es el puñado de patrones que revelan en conjunto. Llegaremos a ellos al final, porque son lo que de verdad debería influir en tu hoja de ruta.
Primero, el vocabulario: habilidades, entornos y MCP
Tres palabras aparecen una y otra vez más abajo, y conviene fijarlas antes del recorrido.
Una habilidad es un paquete portable de instrucciones y recursos que le entregas a un agente para que sea bueno en un trabajo concreto, a menudo poco más que una carpeta de Markdown y scripts a la que apuntas tu herramienta. Un entorno de agente es el runtime que rodea al modelo: lo que gestiona la memoria, los subagentes, las llamadas a herramientas y los entornos aislados para que un agente pueda trabajar durante horas en una tarea larga en lugar de responder a un único prompt. Y MCP (el Model Context Protocol) es la forma ya estándar de conectar herramientas y fuentes de datos externas a un agente. Si esos términos te resultan borrosos, nuestro glosario de términos de IA y nuestra introducción a qué son los agentes de IA son buenos acompañantes de este artículo.
Entornos de agentes para trabajo de largo recorrido
DeerFlow (de ByteDance) es un entorno de agentes de código abierto creado específicamente para tareas de largo recorrido: de esas en las que le das un objetivo al agente y trabaja durante horas, orquestando subagentes, memoria, entornos aislados y habilidades por el camino. Los equipos lo usan para construir tuberías de datos, generar presentaciones, levantar cuadros de mando y automatizar flujos de contenido. Su nombre responde a «deep exploration and efficient research flow» (flujo de exploración profunda e investigación eficiente), y el diseño apuesta fuerte por descomponer trabajos grandes en piezas coordinadas.
Hermes es uno de los proyectos de agentes con más estrellas de GitHub, y apuesta por la autorreparación: mientras se ejecuta, si un paso o una habilidad falla, intenta corregirse y mejorarse para el siguiente intento. Es una alternativa solvente a otros entornos de agentes de propósito general, con todo el repertorio de memoria, herramientas y soporte de habilidades que cabría esperar.
El hilo que conecta a ambos: la frontera de la IA útil no es una respuesta única más inteligente, es la autonomía fiable a lo largo del tiempo. Y ahí es exactamente donde reside la mayor parte de la dificultad de ingeniería (y del riesgo), un tema que hemos explorado a fondo en nuestro artículo sobre sistemas multiagente.
Habilidades que codifican experiencia real
Esta es probablemente la categoría más importante, porque cambia quién puede capturar experiencia en software.
Las habilidades de Matt Pocock empaquetan los hábitos de trabajo de un respetado divulgador para desarrolladores en un conjunto que un agente puede usar: habilidades de enrutado que ayudan a elegir el enfoque correcto, sesiones que construyen el modelo de dominio y la terminología de un proyecto, y flujos orientados a ingeniería real y no a prototipos desechables. GStack, de Garry Tan (Y Combinator), codifica todo un proceso de creación de startups en habilidades ordenadas —pensar, planificar, construir, revisar, probar, entregar, reflexionar—, incluidas «office hours» al estilo YC en las que el agente interroga tu espacio de problema y te da feedback. Se plantea como un proceso, no como una caja de herramientas: ejecutas las habilidades en secuencia.
Y las habilidades de ciberseguridad de Anthropic dan a un agente conocimiento estructurado procedente de marcos defensivos consolidados (MITRE ATT&CK, NIST y otros), de modo que puedes apuntarlo a tu base de código y pedirle que refuerce tus defensas. Como son «solo habilidades», funcionan en la mayoría de las herramientas de agentes que soportan el formato: se instalan entregándole una URL al agente.
El paso a las habilidades portables significa que la experiencia se está convirtiendo en un archivo que puedes compartir, versionar y auditar, y no en algo encerrado en la cabeza de un especialista caro. Esa es una palanca genuinamente nueva para los equipos pequeños.
¿Quieres convertir el saber hacer de tu equipo en habilidades para agentes?
Lo más difícil no son las herramientas, sino decidir cuáles de tus procesos merecen codificarse y cómo mantenerlos seguros y verificables. Ese es exactamente el tipo de trabajo que hacemos con nuestros clientes.
Reservar una consultaSeguridad: escanea antes de confiar
Aquí está la trampa que oculta la comodidad de «pega una URL para instalar una habilidad»: estás ejecutando instrucciones de otra persona dentro de un agente que puede tener acceso a tu código, tus credenciales y tus datos. Eso es un riesgo de cadena de suministro, y merece el mismo escrutinio que darías a cualquier dependencia.
Dos proyectos lo abordan directamente. Skill Specter (de NVIDIA) es un escáner de seguridad para habilidades de agentes: apúntalo a un repositorio, una URL, un zip o un solo archivo y comprobará decenas de patrones de vulnerabilidad en categorías como la inyección de prompts, la exfiltración de datos, la escalada de privilegios y los riesgos de cadena de suministro antes de que instales nada. Las habilidades de ciberseguridad de Anthropic, mencionadas arriba, funcionan en la otra dirección: endurecen el código que entregas. Trata el escaneo de una habilidad no confiable como algo innegociable, igual que no ejecutarías un paquete desconocido en producción sin revisarlo.
Inteligencia de código para agentes
Codebase Memory MCP aborda un cuello de botella discreto pero real: los agentes malgastan un esfuerzo enorme releyendo código para entender un proyecto. Indexa un repositorio a gran velocidad —bases de código grandes en minutos— y después responde preguntas estructurales en mucho menos de un segundo, usando una fracción de los tokens que consumiría un enfoque ingenuo. Lo expone a los agentes mediante MCP y soporta un enorme abanico de lenguajes y herramientas, con una visualización 3D de tu base de código de propina.
La conclusión de negocio no es la demo: es la economía de tokens. Una parte importante del coste de la ingeniería con IA es que el modelo redescubre una y otra vez un contexto que simplemente debería tener. Las herramientas que cachean el conocimiento estructural recortan tanto la latencia como el gasto, una de esas palancas poco vistosas que de verdad mueven las cuentas del ROI. (Profundizamos en esas cuentas en cuánto cuesta realmente implantar IA.)
Medios generativos, ahora deterministas
Un grupo de proyectos está empujando la generación de medios con IA desde «impresionante pero irrepetible» hacia lo controlable y apto para producción.
Open Montage convierte un agente de programación en una tubería completa de producción de vídeo: describes lo que quieres en lenguaje natural y se encarga de la investigación, el guion, la generación de recursos, la edición y la composición final, con plantillas para explicativos, vídeos a cámara, demos de pantalla, tráilers y más. Hyperframes (de Heygen) toma una vía distinta y más determinista: renderiza HTML, CSS, medios y animaciones en vídeos MP4 reproducibles, lo que lo hace muy adecuado para demos de producto, diapositivas y grafismos animados en los que necesitas el mismo resultado cada vez. Palmier Pro es un editor de vídeo de código abierto y nativo de IA (por ahora en macOS) con un servidor MCP integrado, de modo que tu agente actual puede manejar el editor directamente. Y Voicebox reúne las dos caras de la voz —generación de habla de alta calidad y transcripción— y puede ejecutarse localmente en tu propia máquina, algo que importa por privacidad y por coste.
Ese detalle de «se ejecuta localmente» forma parte de un movimiento más amplio para acercar las cargas de IA al lugar donde viven los datos, por razones de latencia, coste y privacidad, que es el tema de nuestro artículo sobre el edge computing en 2026.
Modelos especializados de pesos abiertos
No todo es un agente o una habilidad. El nuevo modelo de visión y lenguaje de pesos abiertos de Baidu recuerda que los modelos pequeños y especializados están volviéndose discretamente muy buenos. Hace OCR rápido y preciso —no solo leyendo documentos, sino localizando y resaltando la región correcta de una página, que es un problema genuinamente difícil— en un modelo de apenas unos gigabytes. Para flujos con mucha documentación, un modelo abierto y compacto que puedes ejecutar tú mismo suele encajar mejor que enrutarlo todo a través de una API gigante de propósito general.
Qué significa realmente esta ola de código abierto para tu negocio
Si te alejas de los repositorios concretos, destacan cuatro patrones, y pesan más que cualquier herramienta individual:
1. La capacidad se está desplazando de los modelos al andamiaje. El modelo es cada vez más una materia prima; la ventaja duradera está en el entorno, las habilidades y las herramientas que lo envuelven. Es una buena noticia: es la capa que puedes poseer y personalizar sin entrenar nada.
2. La experiencia se está volviendo portable. Las habilidades convierten el conocimiento de proceso ganado a pulso en archivos compartibles y versionables. La pregunta estratégica para tu equipo es cuáles de tus flujos de trabajo merecen codificarse así.
3. El código abierto más los modelos locales están reconfigurando el coste. Ejecutar tú mismo modelos especializados de pesos abiertos, cachear la inteligencia de código y recortar el desperdicio de tokens empujan todos contra la idea de que «hacer IA» significa una factura de API en crecimiento perpetuo.
4. La comodidad viene con un riesgo de cadena de suministro. «Pega una URL para instalar» es poderoso y peligroso a partes iguales. El escaneo de habilidades y un proceso de revisión real dejan de ser opcionales en cuanto los agentes tocan algo que importa.
La conclusión no es adoptar mañana los trece: la mayoría de los equipos no deberían. Es que los bloques de construcción para flujos de IA autónomos y serios son ya abiertos, baratos y mejoran cada semana. La ventaja es para las organizaciones que eligen de forma deliberada: el entorno adecuado para su tolerancia al riesgo, las habilidades adecuadas para sus procesos reales y salvaguardas dimensionadas a lo que sus agentes pueden tocar. Esa selección deliberada y sin exageraciones es exactamente el trabajo que hacemos con nuestros clientes: convertir un ecosistema que se mueve rápido en un sistema en el que puedas confiar en producción.