IrisGo quiere aprender de tu pantalla y hacer el trabajo por ti

Andrew Ng no suele apostar sin criterio. Que su fondo de inversión haya puesto dinero en IrisGo —una startup que, según TechCrunch, se presenta como un «mayordomo de IA» para el escritorio— es una señal que merece atención, aunque el concepto suene a algo que ya hemos visto antes.

Lo que distingue a IrisGo del aluvión de asistentes de productividad es su mecanismo de aprendizaje: el agente observa en tiempo real lo que ocurre en la pantalla del usuario y, a partir de esa observación continuada, aprende a reproducir y automatizar esas mismas tareas. Sin configuración manual, sin flujos de trabajo explícitos. El co-fundador de la compañía lo resume así: el sistema simplemente mira y aprende.

Qué hace exactamente IrisGo

El producto opera como un proceso persistente en segundo plano. Captura contexto visual del escritorio —qué aplicaciones están abiertas, qué acciones realiza el usuario, en qué orden— y construye un modelo de comportamiento personalizado. Con el tiempo, puede anticipar pasos repetitivos y ejecutarlos autónomamente o proponer su automatización.

La propuesta no es nueva en su forma más general: herramientas como Zapier, Make o los propios flujos de automatización de sistemas operativos llevan años en este espacio. La diferencia que IrisGo intenta explotar es que no requiere que el usuario articule lo que quiere automatizar. El sistema infiere los patrones por sí mismo, lo que reduce considerablemente la barrera de entrada para personas sin perfil técnico.

Se desconoce por ahora qué modelo subyace al núcleo de Iris, qué datos se almacenan localmente frente a los que se envían a la nube, o qué controles de privacidad ofrece el producto. Estas son preguntas que el equipo tendrá que responder con precisión antes de que cualquier adopción empresarial sea realista.

Por qué importa el respaldo de Andrew Ng

Ng es una figura con credibilidad técnica real en el ámbito de la IA aplicada, no solo un inversor de marca. Su participación en proyectos como DeepLearning.AI o AI Fund le ha dado visibilidad sobre qué tipos de agentes funcionan en la práctica y cuáles se quedan en demostración. Que haya decidido respaldar IrisGo sugiere que la tecnología de observación de pantalla ha alcanzado un nivel de fiabilidad que hace plausible el producto, o al menos que el equipo fundador tiene algo concreto bajo el capó.

Eso no significa que el producto vaya a funcionar como se describe en la fase de lanzamiento. Los agentes que dependen de visión de escritorio tienen una historia larga de promesas y una ejecución a menudo frágil: pequeños cambios en la interfaz de una aplicación pueden romper flujos enteros. La robustez ante la variabilidad del entorno real es el problema no resuelto que cualquier sistema de este tipo tiene que demostrar a escala.

Para quién tiene sentido esto ahora mismo

En su estado actual —y asumiendo que el producto funciona razonablemente según la descripción— IrisGo tiene sentido para tres perfiles:

• Trabajadores del conocimiento con tareas muy repetitivas en aplicaciones estándar (hojas de cálculo, correo, CRMs) que no tienen recursos o tiempo para configurar automatizaciones convencionales.
• Equipos pequeños sin soporte técnico interno que necesitan ganar eficiencia sin contratar a alguien que mantenga flujos de Zapier o scripts de automatización.
• Empresas que experimentan con agentes de escritorio y quieren evaluar si la observación pasiva es un mecanismo viable antes de apostar por soluciones más complejas basadas en APIs o MCP servers.

Para entornos con requisitos estrictos de seguridad o cumplimiento normativo, un agente que observa la pantalla de forma continua va a generar preguntas legítimas que probablemente bloqueen su adopción en el corto plazo.

Opinión EP

IrisGo es un experimento interesante en la dirección correcta: reducir la fricción de configuración para que la automatización llegue a más gente. Pero «aprender observando» es un reto técnico que se complica rápido en entornos reales, y el respaldo de Ng no resuelve por sí solo las preguntas de privacidad y robustez que este tipo de agentes inevitablemente generan.