Nota del editor: Esta publicación forma parte de la serie de blogs Nemotron Labs, que explora cómo los últimos modelos abiertos, conjuntos de datos y técnicas de entrenamiento ayudan a las empresas a construir sistemas y aplicaciones de IA especializados en plataformas NVIDIA. Cada publicación destaca formas prácticas de utilizar una pila abierta para aportar valor real en producción — desde copilotos de investigación transparentes hasta agentes de IA escalables.
A principios de 2026, el proyecto de código abierto OpenClaw se había convertido en un fenómeno. En enero, su contador de estrellas en GitHub superó los 100.000 a medida que el interés de los desarrolladores se disparaba. Los paneles de la comunidad y los análisis de tráfico mostraron más de 2 millones de visitantes en una sola semana. En marzo, OpenClaw superó las 250.000 estrellas — sobrepasando a React para convertirse en el proyecto de software más destacado en GitHub en tan solo 60 días.
Creado por Peter Steinberger, OpenClaw es un asistente de IA autohospedado y persistente diseñado para ejecutarse localmente o en servidores privados. El proyecto atrajo la atención por su accesibilidad y autonomía sin límites: los usuarios podían desplegar un modelo de IA localmente sin depender de la infraestructura en la nube ni de interfaces de programación de aplicaciones (APIs) externas.
La mayoría de los agentes de IA actuales son activados por un prompt, completan una tarea definida y luego se detienen. Un agente autónomo de larga duración, o «claw», funciona de manera diferente. Estos agentes se ejecutan de forma persistente en segundo plano, completando tareas por su cuenta y apareciendo solo cuando se requiere una decisión humana. Operan con un latido: en intervalos regulares, verifican su lista de tareas, evalúan qué necesita acción, y actúan o esperan hasta el siguiente ciclo.
La rápida adopción de OpenClaw también generó debate. Los investigadores de seguridad plantearon preocupaciones sobre cómo las herramientas de IA autohospedadas gestionan datos sensibles, autenticación y actualizaciones de modelos. Otros cuestionaron si los despliegues locales podrían exponer a los usuarios a nuevos riesgos — desde instancias de servidor sin parches hasta contribuciones maliciosas en bifurcaciones de la comunidad. Mientras los colaboradores y mantenedores trabajaban para abordar estos problemas, el ascenso de OpenClaw impulsó una conversación más amplia en el ecosistema de IA sobre los equilibrios entre apertura, privacidad y seguridad.
Para ayudar a mejorar la seguridad y robustez del proyecto OpenClaw, NVIDIA está colaborando con Steinberger y la comunidad de desarrolladores de OpenClaw para abordar posibles vulnerabilidades, como se detalla en una reciente publicación en el blog de OpenClaw.
NVIDIA aporta código y orientación centrados en mejorar el aislamiento de modelos, gestionar mejor el acceso a datos locales y fortalecer los procesos de verificación de contribuciones de código de la comunidad. El objetivo es apoyar el impulso del proyecto contribuyendo con su experiencia en seguridad y sistemas de una manera abierta y transparente que fortalezca el trabajo de la comunidad y preserve la gobernanza independiente de OpenClaw.
Para ayudar a que los agentes de larga duración sean más seguros para las empresas, NVIDIA también introdujo NVIDIA NemoClaw, una implementación de referencia que usa un único comando para instalar OpenClaw, el runtime seguro NVIDIA OpenShell y los modelos abiertos NVIDIA Nemotron con configuraciones predeterminadas robustas para redes, acceso a datos y seguridad. NemoClaw sirve como un blueprint para que las organizaciones desplieguen claws de manera más segura.
La demanda de inferencia se multiplica con cada ola de IA
La IA ha avanzado a través de cuatro fases, y el tiempo entre cada una se está acortando. La IA predictiva tardó años en volverse mainstream. La IA generativa avanzó más rápido. La IA de razonamiento llegó más rápido aún. La IA autónoma — la ola que OpenClaw representa — está marcando un ritmo aún más acelerado.
Lo que se compone con cada ola es la demanda de inferencia. La IA generativa aumentó el uso de tokens respecto a la IA predictiva. La IA de razonamiento lo aumentó otras 100 veces. Los agentes autónomos, que se ejecutan continuamente y actúan en horizontes temporales largos, incrementan la demanda de inferencia en otras 1.000 veces respecto a la IA de razonamiento. Cada ola multiplica la computación requerida.
Este aumento en el uso de tokens está permitiendo a las organizaciones acelerar su productividad en órdenes de magnitud. Por ejemplo, los agentes de larga duración pueden ayudar a los investigadores a trabajar en un problema durante la noche, iterar en un diseño a través de miles de configuraciones, o monitorear sistemas y destacar solo las anomalías que requieren juicio humano — liberando los días laborales de los investigadores para tareas de mayor valor.
Elegir la herramienta: cuándo desplegar un ‘Claw’
Si bien la IA generativa se ha convertido en un elemento habitual para tareas bajo demanda, existen escenarios específicos donde el «latido» persistente de un claw ofrece ventajas distintivas. Determinar cuándo pasar de una IA estándar basada en prompts a un agente de larga duración a menudo se reduce a la naturaleza del flujo de trabajo:
- De «Bajo demanda» a «Siempre activo»: Si bien los modelos estándar son excelentes para consultas inmediatas activadas por humanos, los claws suelen ser más adecuados para tareas que requieren monitoreo continuo en segundo plano o verificaciones periódicas del sistema sin necesidad de un inicio manual.
- Gestión de bucles de alta iteración: Para problemas complejos, como probar miles de combinaciones químicas o simular pruebas de estrés de infraestructura, un claw puede gestionar el gran volumen de iteraciones que de otro modo podrían estar limitadas por la intervención humana.
- De sugerencias a acciones: En muchos flujos de trabajo, la IA estándar se utiliza para proporcionar información o borradores. Se considera un claw cuando el objetivo es que la IA pase a la fase de ejecución — interactuando con APIs, actualizando bases de datos o gestionando archivos en un horizonte temporal largo.
- Optimización de recursos: Para tareas de razonamiento masivas y con gran uso de tokens, desplegar un claw local en hardware dedicado como el supercomputador de IA personal NVIDIA DGX Spark permite costos más predecibles y privacidad de datos en comparación con las llamadas frecuentes a las API de la nube.
¿Cómo están usando las organizaciones los agentes autónomos de larga duración?
Las aplicaciones prácticas de los agentes autónomos de larga duración abarcan todas las funciones y sectores.
En los servicios financieros, los agentes monitorean continuamente los sistemas de trading y los feeds regulatorios, señalando eventos materiales antes de la revisión matutina. En el descubrimiento de fármacos, los agentes recorren la nueva literatura científica, extrayendo hallazgos relevantes y actualizando bases de datos internas en tiempo real sin intervención de investigadores — un proceso que anteriormente llevaba semanas.
En ingeniería y manufactura, los agentes aceleran el análisis de problemas probando miles de combinaciones de parámetros, clasificando resultados y señalando las configuraciones que vale la pena examinar — y todo esto puede suceder durante la noche.
En las operaciones de TI, los agentes diagnostican incidentes de infraestructura, aplican soluciones conocidas y escalan solo los problemas novedosos — comprimiendo el tiempo promedio de resolución de horas a minutos. En ServiceNow, los especialistas en IA que utilizan los modelos Apriel y NVIDIA Nemotron pueden resolver el 90% de los tickets de forma autónoma.
¿Cómo pueden las empresas desplegar agentes autónomos de manera responsable?
Los agentes autónomos son prácticos. Pueden enviar comunicaciones, escribir archivos, llamar a APIs y actualizar sistemas en vivo. Cuando un agente produce una acción incorrecta, hay consecuencias reales. Establecer el marco de responsabilidad correcto desde el inicio es esencial, y las organizaciones que despliegan agentes autónomos en producción deben tratar la gobernanza como un requisito de primer orden.
Las organizaciones necesitan ver lo que hacen sus agentes, inspeccionar su razonamiento en cada paso, auditar sus acciones e intervenir cuando sea necesario.
Las organizaciones que despliegan agentes autónomos de manera responsable se centran en tres prioridades:
- Un framework abierto y auditable: NemoClaw está construido sobre la base de código con licencia MIT de OpenClaw, lo que significa que las organizaciones son propietarias del arnés completo del agente. Pueden leer, bifurcar y modificar cada capa de cómo se construyen y despliegan sus agentes. Esa transparencia permite a los equipos entender y controlar el sistema a nivel de código. Ejecutar modelos de código abierto como NVIDIA Nemotron localmente mantiene las cargas de trabajo sensibles, incluidos registros de pacientes, documentos legales, transacciones financieras e investigaciones propietarias, dentro del entorno propio de la organización, garantizando que los datos de trazado permanezcan bajo control organizacional.
- Asegurar el entorno de runtime: NemoClaw ejecuta agentes dentro de OpenShell, un entorno aislado que define con precisión lo que el agente puede y no puede hacer, estableciendo límites de permisos claros desde el inicio.
- Cómputo local: Los supercomputadores NVIDIA DGX Spark ofrecen rendimiento de GPU de clase data center en un factor de forma de escritorio diseñado para inferencia local continua y siempre activa, con hosting de modelos local y datos que permanecen dentro del entorno de la organización. Los sistemas NVIDIA DGX Station escalan esa capacidad para equipos que ejecutan múltiples agentes simultáneamente en cargas de trabajo complejas y sostenidas.
Las organizaciones que definen lo que hacen los agentes autónomos en la práctica están acumulando algo valioso: meses de aprendizaje operativo en vivo, marcos de gobernanza desarrollados a través de cargas de trabajo reales y agentes que han absorbido el contexto institucional que los hace genuinamente útiles. Esta base solo se profundizará con el tiempo.
Comienza con NVIDIA NemoClaw
Accede a un tutorial paso a paso sobre cómo construir un agente de IA más seguro con NemoClaw en NVIDIA DGX Spark. Explora cómo NemoClaw puede desplegar asistentes de IA más seguros y siempre activos con un solo comando.
Experimenta con NemoClaw, disponible en GitHub, y únete a la comunidad de desarrolladores en Discord que está construyendo con NemoClaw usando NVIDIA Nemotron 3 Super y Telegram en DGX Spark.
Mantente al día sobre la IA agéntica, NVIDIA Nemotron y más suscribiéndote a las noticias de IA de NVIDIA, uniéndote a la comunidad y siguiendo NVIDIA AI en LinkedIn, Instagram, X y Facebook.
Explora tutoriales en video a tu propio ritmo y transmisiones en vivo.