¿Te acuerdas de cuando ETL se volvió dbt?

Alguien en una llamada de ventas te dice que su plataforma corre un pipeline agentic de RAG con integraciones MCP y una ventana de contexto grande. Tú asientes. Lo anotas para buscarlo después. Nunca lo buscas, y seis meses más tarde sigues asintiendo con las mismas seis palabras.

¿Te acuerdas de cuando ETL se volvió ELT, y después la T tuvo su propia herramienta y todo el mundo empezó a decir dbt? La IA está haciendo lo mismo ahora mismo: una idea conocida con marca nueva.

El trabajo siempre fueron tres pasos, y son justo lo que significan las letras:

• Extract (extraer) — sacar los datos de donde viven.
• Transform (transformar) — limpiarlos, reacomodarlos, hacer que concuerden entre sí.
• Load (cargar) — ponerlos donde puedas consultarlos.

Esos tres nunca cambiaron. El orden sí, un paso a la vez:

1. El almacenamiento era caro, así que transformabas antes de cargar. En un warehouse local pagabas por cada gigabyte que guardabas. Limpiabas y agregabas en un servidor aparte y cargabas solo el resultado — y esa lógica vivía dentro de una herramienta gráfica que nadie podía comparar, probar ni poner en control de versiones.
2. Los warehouses en la nube quitaron esa restricción. Redshift, BigQuery y Snowflake abarataron el almacenamiento y dejaron que el cómputo escalara por su cuenta, así que encoger los datos antes de guardarlos dejó de convenir. Carga en crudo y ordena después. La L y la T se cambiaron de lugar, y ELT son esas mismas letras en su orden nuevo.
3. Cuando la T empezó a correr dentro del warehouse, ya solo era SQL. El SQL en archivos es código, y el código pide control de versiones, pruebas, dependencias y revisión. Ese es el hueco que llenó dbt cuando Fishtown Analytics lo publicó en 2016, justo cuando Snowflake y BigQuery estaban despegando.
4. El puesto de trabajo siguió a la herramienta. "Analytics engineer" existe porque ese paso de en medio se convirtió en un oficio propio, de gente que escribe SQL en lugar de pipelines.

La IA no tuvo nada que ver. Todo ese arco ocurrió años antes de la ola actual. Los pongo lado a lado porque en las dos ocasiones fueron herramientas nuevas las que reacomodaron el vocabulario.

Eso es lo que pasa cada vez que se mueven las herramientas: durante un par de años, todo el mundo suena como si estuviera describiendo algo que nunca había existido.

Aquí van las seis palabras.

1. IA agentic

Traducción: ella decide los pasos, no tú. Planea, actúa, mira lo que regresó, y ajusta. El primo mayor es Zapier (una herramienta de automatización de flujos), Make o n8n, donde cada rama es una que dibujaste a mano.

Ejemplo: Claude Code, Devin, AutoGPT. La versión formal, de MIT Sloan citando investigación de John Horton y coautores:

autonomous software systems that perceive, reason, and act in digital environments to achieve goals on behalf of human principals, with capabilities for tool use, economic transactions, and strategic interaction.

(sistemas de software autónomos que perciben, razonan y actúan en entornos digitales para lograr objetivos en nombre de personas, con capacidad de usar herramientas, hacer transacciones económicas e interactuar estratégicamente.)

Cómo corre. Pídele a Claude Code que arregle una prueba que falla. No recibes una respuesta: busca en el repositorio, abre el archivo, lo edita, corre las pruebas, lee el error y vuelve a intentar. Nadie escribió ese orden. Cada paso se eligió con lo que devolvió el anterior.

El límite que vale la pena saber: todo lo que puede dar vueltas puede darlas para siempre. Por eso los sistemas le ponen un tope a las rondas.

Si quieres la versión chica de esto antes de la grande, escribí una guía: cómo configurar un agente de IA para vigilar tu tienda.

2. RAG

Traducción: revisa tus documentos reales antes de contestar. Busca primero en una base de conocimiento y responde con lo que encuentra, en lugar de responder de memoria. Un chatbot montado sobre un buscador: el primo mayor es el bot de preguntas frecuentes conectado a tus documentos de ayuda, la misma promesa con mucha mejor comprensión de lectura.

Ejemplo: Notion AI. Le haces una pregunta, lee las páginas de tu propio espacio de trabajo, y la respuesta te llega con enlaces a las páginas que usó. Perplexity hace esto contra la web abierta. Microsoft Copilot lo hace contra los archivos de tu empresa.

Dos maneras de darle un documento a una IA, y solo una es RAG. Digamos que tienes un manual de la empresa que quieres que un asistente conozca:

	Pegarlo completo	Buscarlo
Qué recibe el modelo	El documento entero, en cada corrida	Los dos o tres pasajes más cercanos
Compara por	Bytes idénticos	El significado de la pregunta
Quién decide	Nadie: siempre está ahí	El agente, en cada pregunta
Qué cambia	Tu cuenta	La respuesta
¿Es RAG?	No	Sí

Las dos ahorran trabajo, que es justo por lo que se confunden. No son el mismo mecanismo.

Pegarlo completo

El documento entero entra en cada prompt en cada corrida, así que el modelo nunca busca nada. Pagas por procesar ese texto una vez en lugar de una vez por llamada, gracias al prompt caching.

Marcas un pedazo del prompt como cacheable, el proveedor guarda la versión ya procesada, y cualquier petición posterior que empiece con esos mismos bytes exactos lee la copia guardada. Más o menos una décima parte del precio normal de entrada, por un campo extra:

system = [{
    "type": "text",
    "text": manual + instrucciones_del_rol,
    "cache_control": {"type": "ephemeral"},
}]

Tres cosas deciden si te ahorra algo.

El match empieza desde el principio del prompt. Tu marca fija dónde termina el pedazo cacheado. La comparación siempre arranca en el primer byte, así que cualquier cosa que se mueva antes de tu marca rompe todo lo que va debajo. Deja primero las partes estables y al final las que cambian.

Los sospechosos de siempre: un datetime.now() en tu system prompt, un ID de sesión, una lista de herramientas armada por usuario. Cada uno apaga el caché en silencio.

Hay un tamaño mínimo. Por debajo de él no se cachea nada y ningún error te avisa. El umbral es por modelo y se mueve entre versiones, así que búscalo para el que estés usando.

Confía, pero verifica. Cada respuesta reporta usage.cache_read_input_tokens: el número de tokens que se sirvieron desde el caché. Manda la misma petición dos veces. Si sigue en cero la segunda vez, algo en tu prefijo está cambiando entre llamadas.

Buscarlo

Ese mismo manual se parte en pedazos y se guarda de forma que se pueda encontrar por significado. Haces una pregunta y recibes los pocos pasajes más cercanos, no el archivo entero. Este es el camino, sin el manejo de errores:

vector = (await provider.embed([query]))[0]        # 1. pregunta -> números
hits = await store.search_chunks(vector, limit=5)  # 2. vecinos más cercanos
return "\n".join(                                  # 3. texto + qué tan cerca quedó
    f"- ({h['similarity']:.2f}) {h['content'][:300]}" for h in hits
) or "No matches."                                 # 4. dilo cuando no hay nada

Tres detalles de ahí vale la pena copiarlos.

Guarda el puntaje. similarity es qué tan cerca quedó el pasaje de la pregunta, de 0 a 1. Pásaselo al modelo junto con el texto. Sin él, un match de 0.9 y uno de 0.2 se ven igual, y el agente trata una corazonada débil como algo que la empresa dejó escrito.

Di cuando no encontraste nada. Ese or "No matches." del final pesa más de lo que mide. Devuelve una cadena vacía y el modelo llena el silencio con su propia memoria, que es exactamente la falla que la recuperación venía a evitar.

Dile al modelo cuándo llamarla. Una descripción que solo dice qué hace la herramienta se usa menos que una que nombra el momento de usarla: "usa esto antes de responder cualquier cosa sobre precios" funciona mejor que "busca en los documentos de precios".

Y después cuenta cada cuándo se dispara. Pídele ese número a quien te venda algo "con RAG": la frase cubre tanto un sistema que revisa en cada respuesta como uno que revisó una vez, el día de la instalación.

Cómo funciona la parte de buscar por significado es el término 4.

3. Ventana de contexto

Traducción: cuánto puede tener en la cabeza a la vez, medido en tokens. Entre más grande la ventana, más alcanza a sostener antes de que el principio se le empiece a caer por atrás.

El primo mayor es el límite de caracteres de un campo de formulario, salvo que aquí tus instrucciones, tus documentos, la conversación hasta ahora y la respuesta que está por escribir comparten ese único límite.

Ejemplo: ya te topaste con ella si alguna vez una conversación larga empezó a olvidar lo que le dijiste al principio. Eso es el inicio de la conversación cayéndose por atrás de la ventana.

Aquí no van cifras, a propósito. La ventana de cada modelo cambia en ciclos de meses, así que un número impreso en una guía ya está equivocado para cuando tú lo lees: pregunta por el número actual cuando de verdad importe.

Dónde muerde. Algo más arriba recorta tu texto para que quepa, y ninguna de las dos formas de fallar levanta un error:

• La cola desaparece. Un corte a ciegas se lleva lo que pase del límite, así que el modelo responde con seguridad sobre un documento que solo recibió a medias.
• Nada te avisa. Sin advertencia, sin marca. Todas las corridas se ven bien.

Si tú eres quien construye lo que recorta, corta a propósito y di qué cortaste: una nota al final nombrando lo que se cayó convierte un error invisible en un hueco visible.

4. Base de datos vectorial y embeddings

Traducción: un índice de búsqueda por significado en lugar de por palabras exactas. El texto se convierte en números, y las ideas parecidas quedan cerca unas de otras, así que buscar una encuentra las demás. El primo moderno de Elasticsearch.

Ejemplo: Pinecone es el servicio alojado que la gente nombra. pgvector es la extensión gratuita que convierte a Postgres en una.

Cómo funciona. Un modelo de embeddings convierte cada pedazo de texto en una lista de números: de unos cientos a unos miles. Los significados parecidos quedan cerca unos de otros en ese espacio, así que "cómo cancelo" y "quiero un reembolso" caen juntos aunque no compartan ni una palabra.

Buscar es convertir la pregunta de la misma forma y pedir sus vecinos más cercanos.

Una decisión de configuración importa más que las otras: la columna tiene que coincidir con el modelo. Un embebedor que produce 1,024 números necesita una columna vector(1024), y cambiar de modelo después significa volver a procesar todo lo que ya guardaste.

5. MCP

Traducción: conecta un agente de IA con tus herramientas sin tener que programar una integración para cada una. Un estándar abierto, publicado por Anthropic, en lugar de código de integración hecho a mano. Un adaptador de puertos para herramientas de IA.

Ejemplo: cada conector que le has agregado a Claude es uno. Notion, Gmail, una base de datos, tus propios archivos: cada una de esas conexiones es un servidor MCP parado entre el modelo y la aplicación.

Cómo agregarías uno. Toma el último. El servidor de archivos deja a Claude leer y escribir archivos en tu máquina, y agregarlo son unas cuantas líneas de JSON en la configuración de tu cliente:

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/Users/tu-usuario/Desktop",
        "/Users/tu-usuario/Downloads"
      ]
    }
  }
}

Tres cosas de ahí son la idea completa.

Esas rutas del final son el modelo de permisos. Desktop y Downloads son las únicas carpetas que ese servidor puede tocar. No hay otra pantalla de configuración ni permisos que palomear: su alcance es lo que escribiste en args.

El servidor corre como tú. Puede hacer cualquier cosa que tú podrías hacer desde una terminal en esas carpetas, así que dale la ruta más estrecha con la que el trabajo siga funcionando. Un servidor apuntado a tu carpeta de usuario tiene toda tu carpeta de usuario.

El cliente pregunta antes de actuar. Claude Desktop pide aprobación en cada operación de archivos, que es la diferencia entre un error que alcanzas a detener y uno que descubres después.

6. Alucinación

Traducción: el modelo se inventa algo. Predice palabras probables en lugar de consultar hechos, así que una respuesta equivocada llega con la misma voz segura que una correcta. El primo mayor es un colega que recuerda mal un número en una junta con toda seguridad. Lo que cambió es la velocidad y el volumen.

Ejemplo: el caso que todos citan es Mata contra Avianca. Se presentó un escrito que citaba seis decisiones judiciales que no existían: nombres, citas, párrafos entrecomillados, todo inventado. Steven Schwartz había hecho la investigación con ChatGPT. Cuando le cuestionaron las citas, volvió a preguntarle a ChatGPT si los casos eran reales, y ChatGPT dijo que sí. Peter LoDuca firmó y presentó el escrito.

El 22 de junio de 2023, el juez P. Kevin Castel, del Distrito Sur de Nueva York, multó a ambos abogados y a su despacho con $5,000, y ordenó que se le escribiera a su cliente y a cada juez real cuyo nombre había quedado pegado a una opinión fabricada.

Dos cosas de ahí aplican mucho más allá de un tribunal.

La comprobación tiene que venir de fuera del modelo. Cuando le cuestionaron las citas, Schwartz volvió a preguntarle a ChatGPT si los casos eran reales, y ChatGPT le dijo que sí. Un modelo al que le pides calificar su propio trabajo casi siempre se va a dar la razón.

Que suene bien escrito no es señal de confianza. Las opiniones falsas traían nombres, números de expediente y párrafos entrecomillados. Nada en la redacción las marcaba como inventadas, porque nada en la forma de producir el texto separa un dato recordado de uno que simplemente suena verosímil.

Así que la versión práctica: para cualquier cosa que importaría si estuviera mal, pide la fuente y ábrela. La recuperación (el término 2) acorta la distancia poniendo documentos reales enfrente del modelo, y la acorta sin cerrarla: un pasaje se puede recuperar bien y aun así resumirse mal.

Qué preguntarle a un proveedor

Con tres preguntas incómodas llegas a casi todo, y ninguna de ellas exige que hayas construido nada de esto.

¿Cuáles de estas cosas corren ustedes, y cada cuándo? "Con RAG" cubre tanto un sistema que lee tus archivos en cada respuesta como uno que los leyó el día de la instalación. Catorce consultas en una semana es una respuesta real.

¿Qué pasa cuando la búsqueda vuelve vacía o cortada? Escucha si hay una negativa. Mi chequeo de duplicados ahora trata "no pude leer la cola" como señal de alto, porque durante dos corridas trató ese mismo silencio como luz verde.

Muéstrame una vez en que se equivocó sonando segura, y qué cambiaste. Cualquiera que haya operado esto más de un mes tiene una historia. Si te dicen que no ha pasado, o eres su primer cliente o nadie está revisando.

Resumen rápido

• Agentic significa que elige los pasos. Claude Code y Devin son los famosos; la mía enrutó una pregunta a un ingeniero que yo nunca nombré, en cuatro minutos.
• RAG significa que lee tus archivos antes de contestar: Perplexity, Notion AI, Copilot. Pregunta cada cuándo ocurre esa lectura.
• Ventana de contexto es cuánto cabe a la vez. Pregunta qué se descarta cuando algo no cabe, y cómo te enterarías. La mía descartó la sección llamada "Needs Daisy".
• Embeddings y bases vectoriales buscan por significado. Pinecone y pgvector. La base de datos es la parte fácil.
• MCP es un estándar abierto para conectar la IA con tus herramientas. Limita a qué puede llegar, y deja fijo en el código lo que no debe adivinar.
• Alucinación es inventar con voz segura, y le costó $5,000 a un despacho de abogados. Da por hecho que te va a pasar, y construye la barrida que encuentra las copias.

Empieza aquí

Si ya sigues el vocabulario pero todavía no sabes cuál de estas cosas necesita tu negocio, ese es el hueco real, y es un lugar normal donde estar.

En daisyguti.ai/work-with-me hay una evaluación de IA que mapea dónde está tu negocio antes de cualquier llamada. Toma unos minutos y te da una lectura clara de qué delegar primero. Daisy es ingeniera con más de 20 años de experiencia y construye estos sistemas para dueños de negocios pequeños, así que la evaluación refleja cómo funcionan los negocios reales.

Fuentes

1. MIT Sloan, "Agentic AI, explained" - https://mitsloan.mit.edu/ideas-made-to-matter/agentic-ai-explained
2. Mata contra Avianca, Inc., No. 1:22-cv-01461, resolución de sanciones (Distrito Sur de Nueva York, 22 de junio de 2023) - https://law.justia.com/cases/federal/district-courts/new-york/nysdce/1:2022cv01461/575368/54/
3. Model Context Protocol, documentación oficial - https://modelcontextprotocol.io
4. pgvector, búsqueda vectorial de código abierto para Postgres - https://github.com/pgvector/pgvector
5. Anthropic, documentación de prompt caching - https://platform.claude.com/docs/en/build-with-claude/prompt-caching
6. Historia de dbt Labs (fundada como Fishtown Analytics; dbt publicado en 2016) - https://research.contrary.com/company/dbt-labs