Un usuario con cierta disciplina (y prisa) ha dejado una imagen que resume hacia dónde se está moviendo el software: un dashboard hecho a medida en aproximadamente 1 hora para seguir un experimento personal de 8 semanas de cardio en zona 2 y HIIT, con un objetivo concreto: reducir su frecuencia cardiaca en reposo de 50 a 45 latidos por minuto.
La historia sería anecdótica si no fuera por el “cómo”. Según relató el propio autor, el panel se construyó con ayuda de Claude, que tuvo que integrar datos de una cinta de correr conectada y montar una interfaz web con calendario y progreso semanal. En la captura se ve el enfoque de experimento: objetivo total de 1.630 min de zona 2, semanas planificadas, y el estado de la primera semana con 83 min acumulados y alertas de lo que falta para cumplir (incluida la sesión de HIIT). Ese tipo de control granular, normalmente, se resuelve con hojas de cálculo o con apps genéricas que obligan a “encajar” el plan del usuario en un molde prefabricado.
Un ejemplo pequeño que apunta a un cambio grande
En términos de Inteligencia Artificial aplicada, el interés no es el cardio. Es el cambio de paradigma: cuando el software es barato de crear, deja de tener sentido que exista una app para cada caso ultra específico. El propio autor lo expresó de forma directa: no debería haber —ni tendría por qué haber— una app en una tienda para “seguimiento de experimento de cardio de 8 semanas”, porque es una herramienta tan particular y temporal que lo lógico sería improvisarla “al vuelo”.
Esa tesis conecta con la idea de software altamente bespoke (hecho para una persona, un objetivo y un periodo), algo que antes era prohibitivo por costes de desarrollo y mantenimiento. Hoy, con asistentes de programación agénticos, se vuelve plausible: el software pasa de ser un producto estático a convertirse en una respuesta.
Claude Code y la programación agéntica: del autocompletado a “hacer el trabajo”
Lo llamativo de este tipo de casos no es que un modelo “escriba código”, sino que actúe como un agente: entiende el objetivo, modifica archivos, ejecuta comandos y ajusta errores con iteraciones. Ese es precisamente el enfoque que Anthropic describe para Claude Code, su herramienta de programación agéntica orientada a trabajar en terminal/IDE y operar sobre un repositorio real (leer código, editar ficheros, ejecutar tareas y automatizar flujos).
En el ejemplo del dashboard de cardio, el autor reconoce que no todo fue suave: aparecieron fallos típicos de prototipado rápido (unidades métricas vs. imperiales, y desajustes en el calendario). El matiz aquí es importante: la IA acelera el primer 80%, pero el humano sigue siendo clave para detectar desviaciones y pedir correcciones con criterio. En la práctica, eso ya es un salto enorme: donde antes había un proyecto de muchas horas, ahora hay un prototipo funcional en una mañana.
MCP: el “USB-C” para conectar agentes con herramientas y datos
El punto técnico más interesante del relato no es la interfaz, sino el cuello de botella: para extraer datos del dispositivo (en este caso, una cinta conectada), el agente habría tenido que “pelear” con la integración. Y ahí entra en escena el Model Context Protocol (MCP).
Anthropic presentó MCP como un estándar abierto para conectar asistentes de IA con los sistemas donde vive el dato (repositorios, herramientas de negocio, entornos de desarrollo, etc.), con una idea central: reducir integraciones artesanales y permitir que un agente “enchufe” capacidades de forma estandarizada.
La metáfora que usa la propia documentación es reveladora: MCP como un USB-C para aplicaciones de IA, donde en lugar de reinventar conectores para cada servicio, se construyen servidores MCP que exponen herramientas/datos, y clientes (los agentes) que los consumen.
Traducido al caso: si el fabricante del hardware (o el proveedor del servicio cloud del dispositivo) ofreciera un MCP “oficial” con endpoints bien definidos, un agente no tendría que “deducir” nada ni invertir tiempo en ingeniería inversa. Sería una integración directa, gobernable y más segura.
La industria del “sensor” aún no es AI-native
El autor del hilo lanzaba una crítica que resuena en 2026: la mayoría de productos siguen diseñándose para humanos, con documentación web, clics, pantallas y recorridos manuales. Pero si el futuro es agéntico, el mercado necesita productos “AI-native”: sensores y actuadores con APIs y CLIs pensadas para ser usadas por agentes, no solo por personas.
MCP encaja justo en ese giro: no obliga a que todo el mundo adopte el mismo stack, pero sí propone un idioma común para que los agentes interactúen con herramientas y datos sin fricción. Además, el estándar ya está generando ecosistema y documentación pública alrededor de servidores y clientes.
Del app store a la “orquestación”: microapps efímeras y pegamento de LLM
La conclusión a la que llega esta historia —y que interesa a un medio de noticias de IA— es que la tienda de apps como catálogo de soluciones discretas empieza a quedarse corta para el “long tail” de necesidades. En su lugar, aparece un modelo de:
- Servicios (sensores, datos, herramientas) expuestos de forma “agent-friendly” (APIs/CLIs/MCP).
- Agentes que entienden contexto y objetivos.
- Pegamento: el LLM que integra todo en microapps temporales, personalizadas y reemplazables.
La oportunidad es evidente: menos tiempo de preparación, más tiempo de decisión. Pero también hay un aviso: para que el salto sea de 1 hora a 1 minuto, no basta con modelos mejores. Hace falta infraestructura de integración, protocolos, permisos, observabilidad y control de datos. En resumen: una web y una industria diseñadas para agentes, no para menús.
Lo que viene para deporte y bienestar
En fitness, la consecuencia podría ser inmediata: programas y dashboards que cambian cada pocas semanas según el objetivo (bajar RHR, mejorar VO₂max, preparar carrera, optimizar recuperación), sin depender de que exista una app “perfecta”. Para el usuario, eso significa personalización real. Para la industria, significa que la diferencia competitiva se desplazará hacia:
- calidad y apertura de datos,
- integraciones seguras,
- y ergonomía para agentes (no solo para humanos).
Lo que hoy parece un dashboard casero puede acabar siendo el anticipo de un patrón: software personal, generado y orquestado por IA, que aparece cuando hace falta y desaparece cuando deja de aportar valor.
