Autor · dirección editorial
François Chollet
François Chollet, investigador en IA, creador de Keras y del benchmark ARC-AGI, cofundador de Ndea y del ARC Prize. Trabajó en Google (2015-2024), autor de «Deep Learning with Python», incluido en el TIME100 AI en 2024.
Su papel en el sitio
François Chollet dirige la línea editorial de Info Agent IA: fija el enfoque (medir en lugar de anunciar, fechar y citar cada cifra) y el método de evaluación de agentes, herramientas, servidores MCP y modelos. Las fichas se elaboran a partir de datos públicos recogidos automáticamente, según ese método, y después se revisan. Leer el método.
Trayectoria
- 2012 Título de ingeniero por la ENSTA Paris. (fuente : Wikipedia)
- 2015 Publica Keras, biblioteca de aprendizaje profundo de código abierto, y entra en Google. (fuente : GitHub keras-team/keras)
- 2017 Publica «Xception: Deep Learning with Depthwise Separable Convolutions» (CVPR) y la 1.ª edición de «Deep Learning with Python» (Manning). (fuente : CVPR 2017)
- 2019 Publica «On the Measure of Intelligence», que propone una definición de la inteligencia basada en la eficiencia para adquirir habilidades e introduce el benchmark ARC (Abstraction and Reasoning Corpus). (fuente : arXiv 1911.01547)
- 2021 2.ª edición de «Deep Learning with Python»; recibe el Global Swiss AI Award en diciembre. (fuente : Manning)
- 2024 Lanza con Mike Knoop el ARC Prize, una competición de un millón de dólares para resolver ARC-AGI. (fuente : arcprize.org)
- 2024 Elegido por TIME entre las 100 personas más influyentes de la IA (TIME100 AI, septiembre). (fuente : TIME)
- 2024 Deja Google en noviembre, tras más de nueve años. (fuente : Google Developers Blog)
- 2025 Cofunda con Mike Knoop Ndea, laboratorio de investigación sobre IA general basado en la síntesis de programas; el ARC Prize se convierte en una fundación sin ánimo de lucro. (fuente : ndea.com)
Publicaciones y proyectos
- On the Measure of Intelligence · arXiv, 2019
- Deep Learning with Python (2nd ed.) · Manning, 2021
- Xception: Deep Learning with Depthwise Separable Convolutions · CVPR, 2017
- Keras · GitHub, 2015
Sus contenidos en el sitio
- Adaptación en tiempo de prueba: principios y resultados
- Conectar un agente de IA a Telegram, WhatsApp, Slack o Discord: métodos y riesgos
- Agentes de voz: funcionamiento, plataformas, latencia, costos y casos de uso
- Implementar agentes de IA en la empresa: usos, selección, piloto, gobernanza y evaluación
- Agentes que usan un ordenador (computer use): funcionamiento, opciones, fiabilidad y seguridad
- AI Act: lista de verificación de cumplimiento para empresas que utilizan agentes y herramientas de IA
- Alojar un agente de IA en un VPS: servidor, instalación, seguridad, copias de seguridad y costos
- ARC-AGI: la prueba, sus versiones y los resultados publicados
- ARC Prize: la competición, sus reglas, ediciones, resultados y lo que han aportado
- Medir los avances hacia la AGI: benchmarks, límites, saturación y contaminación
- Codex CLI, guía de referencia: instalación, modos de aprobación, entorno aislado, AGENTS.md y costes
- Claude Code, guía de referencia: instalación, suscripciones y API, comandos, CLAUDE.md, MCP, subagentes y buenas prácticas
- « How We Get To AGI »: la conferencia de François Chollet, capítulo a capítulo
- CrewAI, guía de referencia: equipos de agentes, tareas, herramientas, flows y despliegue
- Cuantización y formato GGUF: principios, niveles (Q4, Q8…), pérdida de calidad y elección
- Cursor, guía de referencia: editor de código con IA, modos, reglas, precios y límites
- Elegir un modelo de lenguaje para su uso: criterios, benchmarks, precios, contexto y licencia
- Elegir un servidor MCP: criterios de confianza, mantenimiento, permisos y alojamiento local o remoto
- Cómo empezar con un agente IA: elección, instalación, primeros usos y controles
- Evaluar un agente IA: conjuntos de pruebas, métricas, benchmarks públicos y seguimiento en producción
- Fine-tuning o RAG: cómo elegir, costos, datos necesarios y ejemplos
- La generalización, núcleo de la inteligencia según François Chollet: definiciones, ejemplos y medición
- Hermes Agent, guía de referencia: instalación, memoria y habilidades, modelos, costos y límites
- Historia de la idea de AGI: de Turing a los laboratorios actuales
- Cómo redactar las instrucciones de un agente IA: prompt de sistema, archivos AGENTS.md y CLAUDE.md y ejemplos
- Investigación profunda con IA: herramientas, método y verificación de fuentes
- LangGraph, guía de referencia: grafos de estado, memoria, herramientas y despliegue
- Los límites del aprendizaje profundo: qué hacen mal los modelos, según François Chollet y otros investigadores
- Automatizar con IA en Make y Zapier: funciones, agentes, límites y precios
- LLM en local, guía de referencia: programas, modelos según el equipo, rendimiento y usos
- Modelos de razonamiento: cómo funcionan, qué mejoran y qué límites muestran
- n8n e IA: guía de referencia sobre nodos, agentes, memoria, alojamiento y costos
- OpenClaw, guía de referencia: instalación, configuración, modelos, skills, mensajería, seguridad y costos
- Cómo redactar la política de uso de IA de su empresa: contenido, ejemplos de normas e implantación
- Entender los precios de las API de LLM: tokens, entrada y salida, caché, procesamiento por lotes y presupuesto
- Primeros pasos con la API de un LLM: clave, primera llamada, parámetros, costos y buenas prácticas
- Cómo proteger un agente de IA: permisos, secretos, entorno aislado, aprobación humana y registros
- RAG, guía de referencia: funcionamiento, fragmentación, embeddings, base vectorial, evaluación y errores habituales
- Reducir el costo de un agente de IA: modelo, caché, contexto, enrutamiento y presupuestos
- Los riesgos de la AGI: qué dicen los investigadores, sin alarmismo
- Síntesis de programas: principios, historia y vía hacia la AGI
- Sistemas multiagente: cuándo conviene usar varios agentes, arquitecturas, costos y riesgos
- ¿Cuándo llegará la AGI? Previsiones publicadas, métodos y motivos de sus diferencias
- Skills de los agentes de IA: funcionamiento, instalación, creación y verificación
- Supervisar un agente de IA en producción: registros, trazas, alertas y herramientas de observabilidad
- Trabajar bien con un agente de código: dividir tareas, revisar, probar y controlar los costos
- Agente de IA de código abierto o propietario: cómo decidir
- Mistral AI: modelos, precios y agentes
- Agente de IA o chatbot: ¿en qué se diferencian?
- Benchmark LLM: cómo interpretar las clasificaciones de modelos
- Crear su propio servidor MCP en 30 minutos
- Ejecutar un LLM en local: hardware, software y límites
- Resumen semanal de IA: versiones, anuncios y cifras
- Ejecutar un agente de IA en un entorno aislado
- Agentes de IA y RGPD: ¿qué datos salen y adónde van?
- Los agentes de IA en octubre de 2026: panorama actual
- MCP y skills maliciosas: revise antes de instalar
- Síntesis de programas: la vía de Ndea hacia la AGI
- «How We Get To AGI»: las ideas clave de la conferencia de François Chollet
- Inyección de prompts: cómo se puede atacar a un agente de IA
- ¿Los LLM razonan realmente?
- « On the Measure of Intelligence » explicado de forma sencilla
- Seguridad de los agentes de IA: 10 riesgos y cómo protegerse
- Automatizar el correo con un agente de IA
- ARC-AGI explicado: el test que mide la inteligencia de la IA
- MCP, A2A y tool calling: los protocolos de los agentes explicados
- Crear un agente IA con n8n sin programar
- ¿Qué es la AGI? Definición, medición y estado de la investigación
- Agentes IA y empleo: qué dicen realmente los datos
- Agentes de IA en atención al cliente: un balance honesto
- Instalar un servidor MCP en Claude, ChatGPT o Cursor
- AI Act: qué cambia para los agentes de IA
- Servidor MCP: qué es y qué servidores conviene conocer
- Agentes de IA autónomos: ¿hasta dónde dejarlos actuar?
- ¿Cuánto cuesta realmente un agente de IA al mes?
- Agentes IA en empresas: 12 casos de uso con cifras para pymes
- Memoria de los agentes de IA: cómo recuerdan y por qué olvidan
- Frameworks de agentes IA: LangGraph, CrewAI, AutoGen… ¿cuál aprender?
- Crear vídeos con IA: qué funciona hoy
- Crear su primer agente de IA: 5 métodos, desde opciones sin código hasta programación
- Generar imágenes con IA: herramientas, precios y límites
- ChatGPT agent: qué puede hacer realmente
- Cómo usar NotebookLM: guía completa
- Agentes de navegación: cuando la IA usa la web por usted
- Alternativas gratuitas a ChatGPT: qué ofrecen realmente
- Agentes de programación: cómo trabajan Claude Code, Codex y Cursor
- Las mejores herramientas de IA gratuitas según su necesidad
- Hermes Agent: instalación, costos y límites
- ¿Modelos de código abierto o cerrados para sus agentes?
- Instalar OpenClaw paso a paso (Windows, Mac, Linux)
- El LLM más barato para cada uso
- ¿Qué GPU elegir para ejecutar un LLM?
- IA agéntica: lo que los agentes pueden hacer en 2026
- Agente de IA: definición, funcionamiento y ejemplos prácticos
- Ollama paso a paso: instalar y usar un modelo en local
Neutralidad. Ningún enlace de afiliación. Ningún editor paga por ser evaluado, puntuado o clasificado. Las evaluaciones las dirige François Chollet, neutrales y factuales, y cada dato está fechado y con su fuente. Cómo puntuamos