Últimamente estoy obsesionado con los agentes de AI. Los uso todos los días para organizar el trabajo con mi equipo.
Y usándolos me empecé a hacer una pregunta. ¿Qué hace que un agente valga más con el tiempo? ¿Qué hace que alguien lo elija y se quede?
Pensando en esto, volví a una idea que repito hace años. Las empresas tecnológicas más valiosas, como Google, Amazon, Mercado Libre o Airbnb, tienen algo en común. Todas construyeron efectos de red.
De ahí salió la pregunta que me tiene ocupado estas semanas. ¿Los agentes de AI pueden tener efectos de red? Y si pueden, ¿cómo se verían?
No tengo una respuesta cerrada. Lo que sí noté es que la respuesta cambia mucho según el tipo de efecto de red que mires.
Y en este artículo quiero bajar a tierra cómo pienso que van a funcionar.
Antes de arrancar, un repaso rápido
Hace ya unos años escribí Construye empresas con efectos de red.
En este artículo explico que un producto tiene efecto de red cuando cada usuario nuevo lo hace más valioso para todos los demás.
Pero no todo efecto de red funciona igual. Yo los separo en tres tipos.
Directos. El producto vale más cuantas más personas como vos lo usan. Es el caso de Mural, que sirve más cuantos más compañeros colaboran en el mismo tablero.
De datos. El producto mejora con los datos que genera el uso de todos. Es el caso de TikTok, que recomienda mejor cuanto más contenido mira la gente.
Cruzados. El valor para un tipo de usuario crece cuando se suman usuarios de otro tipo. Es el caso de Rappi, donde más restaurantes atraen más usuarios, y más usuarios atraen más restaurantes.
Ahora veamos cómo funcionarían los agentes en cada tipo de efecto de red.
#1: Los efectos de red directos
Cómo funcionan
Un efecto de red directo existe cuando el producto vale más a medida que más personas como vos lo usan.
El ejemplo de siempre es WhatsApp. Si nadie más lo tiene, no sirve para nada. Lo que hace valioso al producto es que ahí están tus amigos, tu familia y tus compañeros de trabajo.
O pensemos en otro ejemplo como Figma. Antes, los diseñadores trabajaban solos en Photoshop o Illustrator y se mandaban archivos por mail. Figma hizo que el diseño fuera multijugador. Primero sumó diseñadores, después product managers que comentaban en tiempo real. Cada persona nueva del equipo hacía que el producto valiera más para el resto.
Ese es el punto. El valor no está en la herramienta, está en las conexiones entre las personas que la usan.
Qué pasa con los agentes
Hoy un agente es un producto de un solo jugador. Le pedís algo y te responde.
Que yo use Claude y vos uses ChatGPT no le cambia nada a ninguno de los dos. Y si mi agente necesita coordinar una reunión con el tuyo, se pueden hablar por mail, por calendario o por API.
Es como el mail. Yo uso Gmail, vos usás Outlook, y nos escribimos igual.
OpenAI ya intentó romper esto. En noviembre de 2025 lanzó los chats grupales en ChatGPT para hasta 20 personas, pensados para planear viajes o trabajar en equipo con la AI en el medio. Es un paso hacia el multijugador.
Pero el problema de esto es que esos chats no usan tu memoria personal y no generan memorias nuevas. O sea, el agente no aprende nada del grupo. Pueden sumarse 20 personas y el agente sigue sabiendo lo mismo que el primer día.
Ahí está la diferencia entre un producto multijugador y un efecto de red. Para que exista el efecto, el agente tiene que acumular el contexto del grupo y usarlo para todos.
Pensá en un equipo de desarrollo trabajando con el mismo agente sobre el mismo codebase. Cada dev le suma decisiones, convenciones y contexto. Cuantos más devs lo usan, más sabe el agente, y mejor le funciona a cada uno. Y cuanto más mejora, más difícil es que alguien del equipo se vaya a otra herramienta.
Mi conclusión es que los efectos directos en agentes no aparecen solos. Hay que diseñarlos, igual que hizo Figma. Si tu agente vive en un espacio compartido y aprende de todos los que están ahí, tenés la base para construir uno. Si no, sigue una herramienta fácil de cambiar por otra.
Diseñar ese espacio compartido es tanto un problema de growth como de producto. Qué acciones del usuario alimentan al agente, cómo se suma el resto del equipo, qué hace que el loop arranque.
Eso es lo que trabajamos en Xtreme Growth AI, nuestro programa táctico de growth aplicado con AI.
Son 3 semanas en donde te enseñamos cómo aplicar AI en tu negocio. Desde adquisición y activación hasta retención, monetización y experimentación.
Y los sábados tenemos MASTERCLASSES con líderes de la región que hoy usan AI para crecer.
Arranca el 2 de noviembre y lo cupos son limitados.
#2: Los efectos de red de datos
Cómo funcionan
Un efecto de red de datos existe cuando el producto mejora a medida que junta más datos de uso.
Netflix es el ejemplo clásico. Cada vez que alguien busca, mira o abandona una serie, Netflix aprende. Con esos datos mejora las recomendaciones, la gente mira más contenido, y eso genera más datos. Google hace lo mismo con cada búsqueda.
Lo importante es que los datos de todos mejoran el producto para cada uno. Lo que mirás vos me ayuda a mí a encontrar qué mirar.
Qué pasa con los agentes
Acá veo la mayor confusión del mercado.
Cuando ChatGPT o Claude se acuerdan de tus proyectos, de cómo escribís y de qué te importa, mucha gente lo llama efecto de red de datos. No lo es. Tu memoria mejora tu experiencia, no la mía.
El efecto de red de datos existe en agentes, pero es otra cosa. Cursor es el mejor ejemplo que conozco. Cada vez que un dev acepta o rechaza una sugerencia de código, Cursor recibe una señal. Con esas señales entrenó un modelo nuevo que hace 21% menos sugerencias y tiene una tasa de aceptación 28% más alta. Cada dev que usa Cursor mejora las sugerencias de todos los demás.
El problema de esto es que los modelos ya vienen entrenados con casi todo lo que hay en internet. Para temas generales, cada dato extra suma poco.
Pero hay una excepción, y me parece una de las oportunidades más grandes que hay hoy.
Un agente enfocado en un nicho muy específico, donde la información no está en internet. Ahí el modelo llega sabiendo poco. Y cada dato que aporta la comunidad vale muchísimo.
Imaginá un agente para productores de yerba mate en Misiones.
Un productor saca una foto de una hoja con manchas. El agente le dice qué tiene y cómo tratarla. Dos semanas después le pregunta si el tratamiento funcionó, y el productor responde.
Con 20 productores, el agente sabe lo mismo que un manual. Con 500, sabe qué tratamiento funcionó la semana pasada en el campo de al lado, con el clima que hubo. Y puede detectar que empezó un brote en una zona y avisarles a los vecinos antes de que les llegue.
ChatGPT no tiene esa información. Nadie la tiene. Solo existe porque la comunidad la genera usando el producto.
Para que esto funcione tienen que pasar tres cosas.
Los datos tienen que ser propietarios. Si terminan publicados en un foro abierto, el próximo modelo los absorbe y la ventaja desaparece.
La información tiene que pasar por el agente. Los productores no hablan entre ellos. El agente convierte lo que aporta cada uno en mejores respuestas para todos.
Compartir tiene que convenir. En este caso es natural, porque una plaga no respeta alambrados. Si el campo del vecino está controlado, el mío está más protegido.
Este agente nunca va a tener millones de usuarios. El mercado son los productores de yerba de una región. Pero ningún competidor, por más grande que sea, puede copiar lo que ese agente sabe.
