Migrar agentes de IA en formato JSON: de "GPT Builder" de OpenAI a "Opal", el experimento de Google DeepMind

La inteligencia artificial ha dejado de ser un concepto abstracto para convertirse en una herramienta concreta que transforma la manera en que investigamos, enseñamos y colaboramos. En este contexto, los agentes de IA se han consolidado como piezas clave para automatizar procesos complejos y ofrecer experiencias interactivas más humanas. Sin embargo, la forma en que estos agentes se diseñan y despliegan ha evolucionado rápidamente.

Este artículo relata el proceso de migrar agentes de IA definidos en JSON desde GPT Builder hacia Opal, manteniendo la misma lógica pero transformando la experiencia del usuario mediante interfaces más intuitivas. Se explican los pasos, las razones de la migración, los beneficios obtenidos y las implicaciones para la academia y la investigación. Además, se muestran fragmentos de JSON que ilustran con transparencia cómo se construyó el agente y cómo se traduce en acciones concretas.

La naturaleza de un agente en JSON

Un agente de IA definido en JSON no es simplemente un archivo de configuración. Es, en esencia,

un protocolo que describe cómo debe comportarse un sistema inteligente frente a entradas, procesos y salidas.

En este caso, el agente diseñado tenía como misión procesar documentos académicos y generar una matriz de revisión de literatura: DocuMap: GPT especializado en análisis documental. Generador Automatizado de Matrices de Revisión de Literatura

El propósito se refleja en la definición inicial del protocolo:

"protocol": {  
"language": "es",
  "document_processing": { ... }
}

Aquí se establece el idioma de trabajo y se abre el bloque de procesamiento de documentos. El agente no solo recibe instrucciones, sino que define reglas obligatorias, categorías de análisis y condiciones de interacción.

El conocimiento se plasma en las descripciones detalladas de cada categoría. Por ejemplo, el bloque de Resumen especifica cómo debe redactarse un abstract académico:

"Resumen": {
  "description": "Extraer el resumen o abstract del documento...",
  "word_count": "150-200 palabras",
  "mandatory": true
}

Las capacidades se materializan en acciones concretas como generar tablas, consolidar resultados y ofrecer decisiones interactivas al usuario:

"generate_tables": {
  "action": "Generar y mostrar en pantalla una matriz de revisión de la literatura...",
  "output_format": "table",
  "response_language": "es",
  "mandatory": true
}

Desglose del agente paso a paso: Migrar agentes de IA

El agente se estructura en una secuencia lógica de seis pasos. Cada uno se refleja en un fragmento JSON que define su comportamiento.

Flujo del agente de IA Documap:

Paso 1 . Carga de documentos

El agente inicia con la acción obligatoria de cargar documentos y procesarlos uno por uno. Esto asegura que el análisis se realice de manera ordenada y sin omitir detalles.

"load_documents": {
  "action": "Cargar los documentos para análisis es obligatorio antes de proceder...",
  "mandatory": true,
  "categories": [
    "Referencia APA",
    "Resumen",
    "Formulación del Problema",
    "Pregunta Problema",
    "Conceptos Clave",
    "Metodología",
    "Resultados",
    "Conclusiones"
  ]
}

Paso 2 . Generación de tablas

Tras el análisis, se produce una matriz de revisión de literatura en formato tabla. Incluye traducción de conceptos clave si el texto está en otro idioma.

"generate_tables": {
  "action": "Generar y mostrar en pantalla una matriz de revisión...",
  "output_format": "table",
  "response_language": "es",
  "mandatory": true
}

Paso 3. Estructura de categorías

Cada categoría tiene reglas específicas de redacción y extensión. Ejemplo de la Formulación del Problema:

"Formulación del Problema": {
  "description": "Para extraer la formulación del tema de un artículo científico...",
  "word_count": "200-300 palabras",
  "mandatory": true
}

Y de la Metodología:

"Metodología": {
  "description": "Para obtener una visión integral de la metodología...",
  "word_count": "140-200 palabras",
  "mandatory": true
}

Paso 4. Interacción con el usuario

El agente pregunta si se desean añadir más documentos o generar la matriz final, convirtiendo el flujo en una experiencia participativa.

"prompt_user": {
  "question": "¿Deseas añadir más documentos o generar la matriz final?",
  "options": {
    "añadir_documentos": "Permitir al usuario cargar más documentos...",
    "generar_matriz_principal": "Unificar la información de todos los documentos..."
  },
  "mandatory": true
}

Paso 5. Matriz final consolidada

Unifica toda la información en una tabla única, sin parafrasear ni resumir, garantizando la integridad de los datos.

"final_matrix": {
  "action": "Unificar toda la información de los documentos procesados...",
  "output_format": "table",
  "response_language": "es",
  "show_table": {
    "action": "Mostrar la matriz final en pantalla inmediatamente...",
    "mandatory": true
  }
}

Paso 6. Salida final

El agente muestra la matriz completa o concluye la sesión con un mensaje de cierre.

"output": {
  "complete_matrix": "Mostrar la matriz completa con cada documento en columnas separadas...",
  "no_additional_info": "Concluir la sesión y desearle suerte al usuario.",
  "mandatory": true
}

El marco conceptual A–B–C

La construcción de agentes puede entenderse a través de tres pilares: A (Propósito), B (Conocimiento) y C (Capacidades). revise El poder de los datos: orquestando agentes de IA para revolucionar la investigación En el caso del agente migrado:

• El propósito es analizar documentos y producir una matriz académica.

• El conocimiento se materializa en las reglas de extracción y redacción académica, detalladas en cada categoría del JSON.

• Las capacidades se expresan en las acciones concretas que el agente puede ejecutar: generar tablas, interactuar con el usuario y consolidar resultados.

Tabla comparativa:

Pilar	Definición	Ejemplo en JSON
A – Propósito	Misión del agente	"language": "es"
B – Conocimiento	Reglas de extracción	"Resumen": {...}
C – Capacidades	Acciones concretas	"generate_tables": {...}

Razones de la migración a Opal

La decisión de migrar agentes desde GPT Builder hacia Opal responde a varias razones estratégicas. La primera es mantener la lógica: el mismo archivo JSON funciona como núcleo del agente, lo que asegura continuidad y coherencia. La segunda es mejorar la interfaz: Opal traduce el flujo en nodos visuales y decisiones interactivas, ofreciendo una experiencia más intuitiva. La tercera es la accesibilidad: usuarios no técnicos pueden aprovechar agentes complejos sin necesidad de ver código. La cuarta es la escalabilidad: los agentes se reutilizan en distintos contextos académicos y colaborativos. La quinta es la transparencia: los resultados se muestran en tablas claras, aumentando la confianza y la usabilidad.

Enlace: https://opal.google/?flow=drive:/1mbxJlKkOKLVTMf7Gwg66dQ8xGnypmWN8&shared&mode=app

En resumen, la migración no es un simple cambio de plataforma, sino una transformación que convierte agentes técnicos en aplicaciones interactivas, accesibles y escalables.

Beneficios obtenidos

Los beneficios de esta migración se manifiestan en tres ámbitos principales. Para la academia, las matrices de revisión se generan más rápido, los procesos se estandarizan y se produce evidencia lista para auditorías. Para la investigación, la comparación de documentos es más eficiente, se integran metodologías diversas y se refuerza el rigor en la extracción de datos. Para la experiencia del usuario, la interfaz se vuelve más intuitiva, las decisiones se guían de manera clara y los resultados aparecen de forma inmediata en pantalla.

Estos beneficios demuestran que la migración mejora la tecnología y también impacta positivamente en la práctica académica y en la experiencia cotidiana de quienes interactúan con los agentes.

Conclusión

La migración de agentes de IA en JSON desde GPT Builder hacia Opal demuestra cómo es posible mantener la lógica técnica y al mismo tiempo mejorar la experiencia del usuario. Este proceso convierte agentes complejos en aplicaciones interactivas, accesibles y escalables, alineadas con la tendencia actual de orquestar agentes para investigación y educación.

El proyecto evidencia que un agente definido en JSON puede convertirse en una aplicación de IA interactiva en Opal, manteniendo rigor académico y mejorando la experiencia del usuario. Es un ejemplo práctico de cómo pasar de prompts técnicos a artefactos accesibles, capaces de transformar aulas, bibliotecas y espacios colaborativos en entornos de innovación interactiva.