Andrew Ng lanza OpenWorker: un agente de IA open source y local que entrega trabajo terminado en lugar de solo chatear

Andrew Ng, una de las figuras más influyentes de la IA, volvió a mover la conversación sobre agentes: el 23 de julio de 2026 lanzó OpenWorker, un agente de escritorio open source que promete algo distinto a los chatbots que ya conocemos. En vez de contestar en una ventana de chat, OpenWorker entrega el trabajo terminado. Para los equipos comerciales, de marketing y de servicio en Chile y Latinoamérica que vienen probando asistentes de IA, la noticia importa porque baja la barrera para automatizar tareas reales sin depender de un solo proveedor ni sacar los datos de la empresa.

¿Qué es OpenWorker y en qué se diferencia de un chatbot?

OpenWorker no te pide un prompt, te pide un resultado: un documento pulido, una respuesta de Slack con las cifras reales, un calendario actualizado o una bandeja de entrada triada. A partir de ese objetivo descompone la tarea en pasos, trabaja sobre tus archivos locales y aplicaciones conectadas, y se detiene a pedir confirmación antes de cualquier acción con consecuencias. El proyecto tiene licencia MIT, es gratis y su código está publicado en GitHub. La diferencia de fondo con un chatbot es simple: el chatbot te da texto para que tú ejecutes; OpenWorker ejecuta y te devuelve el entregable.

¿Cómo funciona por dentro y con qué modelos?

La arquitectura corre entera en tu equipo: una ventana nativa (Tauri 2 con interfaz React) sobre un servidor de agente local en Python que se apoya en aisuite, la librería de modelos agnóstica creada por el propio Ng. No hay un servicio de inferencia de OpenWorker: tú pegas tu clave de API o apuntas la app a un modelo local. El catálogo curado incluye más de 30 modelos con soporte de herramientas, entre ellos GPT-5.6 Sol de OpenAI, Claude Fable 5 y Opus 4.8 de Anthropic, Gemini de Google, y opciones como GLM, DeepSeek, Kimi, Qwen, Grok y Mistral. Con Ollama puedes correr modelos abiertos totalmente locales, sin clave y sin que los datos salgan de la máquina.

¿Es seguro dejar que un agente actúe en tus sistemas?

Ese es el punto más trabajado del proyecto. Cada acción se clasifica en cuatro tipos de riesgo: lectura, escritura local, ejecución de comandos y acciones externas (con efectos fuera de tu equipo). Sobre eso hay cinco modos de permiso, y el modo por defecto pregunta antes de escribir, ejecutar o tocar sistemas externos. Un detalle clave: el modo desatendido no sube el techo de autonomía, solo cambia dónde te llega la pregunta (queda en una bandeja y la sesión espera tu respuesta). Además, la personalidad del agente trata el contenido de webs, archivos, logs y mensajes entrantes como datos no confiables y no como instrucciones, una defensa explícita contra la inyección de prompts.

¿Qué conectores trae y para qué sirve en ventas?

OpenWorker llega con más de 30 conectores nativos, incluidos HubSpot, Slack, Gmail, Google Calendar, Notion, Jira, Linear, monday.com y Microsoft Outlook, además de acceso a la terminal y a tus archivos, y soporte de MCP. Para un equipo de ingresos en Latinoamérica, esa lista es casi un mapa de su día a día: actualizar registros del CRM, preparar briefs de cuenta antes de una reunión, ordenar la bandeja de entrada o redactar respuestas con los números correctos. La promesa no es «un chat más inteligente», sino un ayudante que cierra tareas de operación mientras tú mantienes el control con los permisos.

Análisis de Revenue Hub

La señal para un líder comercial no es que exista otro agente, sino que el patrón está cambiando de «chat que sugiere» a «agente que entrega». OpenWorker empuja tres ideas que conviene mirar: es local (tus datos y claves no salen del equipo), es agnóstico de modelo (eliges y cambias de proveedor sin quedar preso de uno) y trata los permisos como una capa de ingeniería, no como un botón. Ese trío ataca justo las tres objeciones que frenan la adopción de IA en las empresas de la región: privacidad, costo y control.

La decisión práctica no es «instalarlo mañana en producción», sino elegir un caso acotado y de bajo riesgo para pilotearlo con humano en el loop: triaje de bandeja, actualización de CRM o armado de briefs previos a reuniones. Mide el resultado por tarea cerrada, no por conversación, y define desde el día uno qué acciones el agente puede hacer solo y cuáles siempre requieren tu visto bueno. Quien tenga clara su gobernanza de permisos podrá capturar el ahorro sin exponerse; quien lo suelte sin reglas, se arriesga. Seguimos estos movimientos en nuestra sección de noticias de IA para ventas y en el blog.