El landscape: ¿qué herramientas hay y para qué cada una?
Mapear el ecosistema actual — chatbots (ChatGPT, Claude, Gemini, Perplexity), coding agents (Claude Code, Cursor, Copilot), no-code automation (Zapier, Make) — y saber cuándo elegir cada uno.
🎧 Audio
📺 Experiencia interactiva
Hands-on con código, comandos y casos. Pausa cuando quieras y vuelve después.
Capítulo 1 · 5 cards
La sopa de letras: 40 nombres → 4 categorías
Vertical scroll · audio narrado · ~5 min · ESC para salir
Capítulo 2 · 5 cards
Categoría 1: Chatbots — los que responden
Vertical scroll · audio narrado · ~5 min · ESC para salir
Capítulo 3 · 5 cards
Categoría 2: Coding agents — programar 2-5x más rápido
Vertical scroll · audio narrado · ~5 min · ESC para salir
Capítulo 4 · 5 cards
Categoría 3: No-code automation — la más infrautilizada
Vertical scroll · audio narrado · ~5 min · ESC para salir
Capítulo 5 · 5 cards
Categoría 4 + MCPs: la pieza secreta del ecosistema
Vertical scroll · audio narrado · ~5 min · ESC para salir
📖 Ver también: narrativa completa (reading)
Lesson 2 — El landscape: ¿qué herramientas hay y para qué cada una?
Objetivo: Salir con un mapa mental claro de qué hay, qué hace cada herramienta, y cómo decidir cuál usar para tu caso.
El problema: la sopa de letras
Si llevas dos meses leyendo de IA, probablemente ya escuchaste estos nombres:
ChatGPT, Claude, Gemini, Perplexity, Claude Code, Cursor, Copilot, Zapier, Make, n8n, Custom GPTs, Claude Projects, Skills, MCPs, Operator, Agents API, AutoGPT, Lovable, Replit Agent, Devin…
Suena abrumador. La buena noticia: solo hay cuatro categorías reales. Una vez que las distingues, todos los nombres encajan.
Vamos por categorías. Después juntamos.
Categoría 1: Chatbots (los que responden)
Qué son: modelos de lenguaje que conversan contigo. Tú escribes, ellos contestan.
Los principales en 2026:
- ChatGPT (OpenAI) — el más conocido, mayor adopción mainstream
- Claude (Anthropic) — favorito entre devs y profesionales por escritura natural y razonamiento más cuidado
- Gemini (Google) — fuerte en multimodal (imagen, video, voz) y conectado al ecosistema Google
- Perplexity — chatbot híbrido con búsqueda web en vivo, ideal para investigar
Para qué sirven: redactar, resumir, explicar, hacer brainstorm, traducir, programar pegado-y-copiado.
Cómo se usan: chat directo, sin instalar nada, navegador o app.
Lo que no son: no actúan en tu mundo. Tú haces el trabajo de implementar lo que sugieren.
Categoría 2: Agentes para programar (coding agents)
Qué son: chatbots con superpoderes para escribir y ejecutar código. Pueden leer tu repositorio, modificar archivos, correr tests, hacer commits.
Los principales:
- Claude Code — el agente de Anthropic en terminal. Lo más cercano a un colega senior que se sienta a tu lado a programar contigo
- Cursor — editor de código con IA integrada (basado en VS Code). Más visual, menos terminal
- GitHub Copilot — autocompletado con IA dentro de VS Code/IntelliJ. Más limitado, más sutil
- Replit Agent / Lovable / Bolt — agentes que construyen apps completas desde una descripción
Para qué sirven: programar 2-5x más rápido, debuggear, refactorizar, escribir tests, entender código que no es tuyo.
Cómo se usan: instalación local. Requieren saber al menos qué es una terminal o un editor de código.
Lo que no son: no son para tu correo, tu calendario, tus apps de negocio. Son específicos para código.
Categoría 3: Automatización no-code (los conectores)
Qué son: plataformas visuales donde conectas apps con flechas. "Cuando llega un correo de Pérez → guarda el adjunto en Drive → manda mensaje a Slack". Antes de la IA generativa eran de reglas fijas. Hoy puedes meterle bloques de IA.
Los principales:
- Zapier — el original, miles de integraciones, fácil para no-tech
- Make (antes Integromat) — más potente, mejor para flujos complejos
- n8n — open source, para los que quieren hostear ellos
- Power Automate (Microsoft) — bueno si vives en el ecosistema Microsoft 365
Para qué sirven: automatizar tareas repetitivas entre apps que ya usas — Gmail, Sheets, Notion, Slack, tu CRM.
Cómo se usan: interfaz visual, arrastras bloques, conectas con tus cuentas. Sin código.
Lo que no son: no razonan tan bien como un agente puro de IA. Son excelentes para flujos lineales con reglas claras, no para tareas que requieren juicio.
Categoría 4: Plataformas para construir agentes propios
Qué son: herramientas que te dejan armar TU agente, con tus instrucciones, tus datos, tus permisos.
Los principales:
- Custom GPTs (OpenAI) — versión "lite" para configurar GPTs especializados sin código
- Claude Projects (Anthropic) — similar, con archivos persistentes y contexto compartido
- Claude Skills — workflows encapsulados, más técnicos, dentro de Claude Code
- MCPs (Model Context Protocol) — el estándar abierto para conectar herramientas a un agente. Esto es importante: cualquiera puede construir un MCP para su app, y Claude (u otros) lo usa
- Operator (OpenAI) — agente que controla un navegador y hace tareas web por ti
- Agents SDK (Anthropic) — para devs que construyen agentes de cero
Para qué sirven: convertir un chatbot genérico en un asistente especializado para tu trabajo, tu cliente, tu negocio.
Cómo se usan: desde "selecciona archivos, escribe instrucciones" hasta código real, según la herramienta.
Lo que no son: no son productos terminados. Son las piezas con las que armas tu propio agente.
La regla práctica de "cuándo usar qué"
Aquí está el cheatsheet mental:
| Si tu tarea es… | Empieza con… |
|---|---|
| Pensar, redactar, resumir, brainstorm | Chatbot (Claude, ChatGPT, Gemini) |
| Investigar con fuentes citadas | Perplexity o Claude/ChatGPT con búsqueda |
| Programar, refactorizar, debuggear | Claude Code o Cursor |
| Conectar apps que ya usas | Zapier, Make o Power Automate |
| Construir un asistente especializado para tu trabajo | Custom GPTs o Claude Projects |
| Tarea muy específica que se repite todos los días | Combinar Claude Projects + un MCP custom |
Lo que no sabías: la mayoría de los "agentes de IA" que ves en LinkedIn son combinaciones de estas categorías. Alguien que dice "monté un agente que…", probablemente conectó Claude/ChatGPT con Zapier o un MCP. Casi nunca es algo construido desde cero.
Por qué los MCPs son la pieza importante
Si solo te llevas un nombre nuevo de esta lesson, que sea MCP.
MCP significa Model Context Protocol. Es un estándar abierto —cualquier empresa puede usarlo— para conectar herramientas a un agente.
Antes de los MCPs, conectar Claude a, digamos, Notion, requería que Anthropic hiciera la integración. Ahora Notion puede publicar su propio MCP, y Claude lo usa como si fuera nativo.
¿Por qué importa? Porque el catálogo crece sin que Anthropic tenga que hacer cada conector. Hay MCPs para Stripe, Linear, Supabase, Google Drive, Slack, GitHub, casi todo lo que ya usas. Y si no existe el MCP para tu herramienta favorita, alguien probablemente está construyendo uno (o tú podrías).
La línea que te llevas: MCPs son los enchufes universales de los agentes. Cuando un agente parece "saber todo lo de tu negocio", probablemente le conectaron 3-4 MCPs.
La trampa de "el mejor"
No hay "el mejor agente" o "el mejor modelo". Hay el que mejor encaja con tu tarea.
- ChatGPT y Claude son comparables en calidad. Claude tiende a escribir mejor; ChatGPT tiene más integraciones mainstream.
- Cursor es excelente si te gusta editor visual; Claude Code si te gusta terminal.
- Zapier es más fácil; Make es más potente.
Las "comparativas de quién gana" en YouTube envejecen en semanas. Lo que no envejece: las categorías y para qué sirve cada una.
Lo que te llevas
- Cuatro categorías: chatbots, coding agents, no-code automation, plataformas para construir
- Los nombres son muchos pero caen en estos cuatro buckets
- MCPs son el estándar para conectar herramientas a agentes — el catálogo crece sin que cada empresa haga integraciones
- No hay "el mejor". Hay el que encaja con tu tarea
Lo que viene en Lesson 3
Los casos reales: 4-5 personas usando agentes para transformar su trabajo. Vamos a ver qué herramienta usaron, cómo la armaron, y qué resultado obtuvieron. Sin teoría — solo casos.
✍️ Quiz
El landscape de IA en 2026 cabe en cuántas categorías reales:
🏋️ Exercise
Ejercicio Lesson 2 — Tu mapa personal del landscape
Tiempo estimado: 20 min Entregable: archivo
mi-mapa-landscape.md
Lo que vas a hacer
Hoy viste el landscape en 4 categorías. La pregunta es: ¿cómo se aplica a TI? No qué es ChatGPT en general — qué herramienta encajaría con tus tareas reales esta semana.
Estructura del entregable
# Mi mapa personal del landscape — fecha [hoy]
## Mis 3 tareas más comunes esta semana
(Lista 3 cosas concretas que vas a hacer esta semana — no genéricas, específicas)
1. ...
2. ...
3. ...
## ¿De qué categoría es cada una?
| Tarea | Categoría 1, 2, 3 o 4 | Por qué |
|---|---|---|
| ... | ... | ... |
## Si tuviera que elegir UNA herramienta concreta para cada una
| Tarea | Herramienta específica | Por qué esa y no otra |
|---|---|---|
| ... | ... | ... |
## Mi posible primer experimento
De las 3 tareas, ¿con cuál sería el experimento más fácil de hacer esta semana? (no la más impactante — la más fácil)
**Tarea:** ...
**Herramienta:** ...
**Por qué es la más fácil:** ...
## La pregunta que tengo
(Anota una pregunta que te quedó dando vueltas. La vamos a resolver en futuras lessons o investigando.)
Criterios
- Especificidad (40%): ¿las 3 tareas son específicas (no "hacer mi trabajo")?
- Mapeo correcto (30%): ¿la categoría asignada es la apropiada según el cheatsheet?
- Realismo (30%): ¿el "primer experimento" es genuinamente fácil de empezar esta semana?
Pasa con 70%.
Por qué importa
Lo que separa a quien aprovecha la IA de quien no es mapear sus propias tareas, no consumir más cursos. Este ejercicio te entrena en ese hábito.