Todo el que construye algo conoce este momento. La demo funciona de maravilla, se la muestra a un amigo, ve cómo se le levantan las cejas y empieza a imaginar todo lo que podría llegar a ser. Luego llegan los datos reales, con sus valores faltantes, sus cinco formatos de fecha y sus diez mil filas que nadie ha revisado en dos años, y la demo se desmorona en silencio.
La IA ha hecho que la primera mitad de esa historia sea sorprendentemente fácil. Usted escribe lo que quiere en lenguaje sencillo, y herramientas como Claude Code, Codex y Cursor escriben software que funciona. Nos encantan. La segunda mitad, ejecutar ese software sobre datos reales y a escala real, sigue siendo donde muchas buenas ideas se quedan atascadas.
Lo aprendimos por las malas, con el mejor maestro que podíamos pedir: las imágenes satelitales. Nuestro primer producto, Fury, es un agente de IA que escribe y ejecuta su propio código para analizar imágenes de la Tierra. Hacerlo funcionar con datos tan enormes nos obligó a construir una base de datos sólida antes que cualquier otra cosa, y esa base es sobre la que está construida la nueva Klarety.
Si nunca ha oído hablar de Klarety, esta es la versión corta: usted describe la aplicación o el agente de IA que quiere, conecta sus propios datos, y lo construye y lo lanza, sin necesidad de programar. Y Klarety Geo, nuestra plataforma satelital y de mapas, no se va a ninguna parte. Puede abrirla hoy mismo.
Lo que los datos satelitales a gran escala le enseñan sobre construir con IA
Nuestra forma favorita de explicarlo es con una pregunta que parece fácil:
¿cuántos barcos cruzaron el estrecho de Ormuz el mes pasado?
Para responderla desde el espacio, primero hay que encontrar las imágenes correctas, y una tesela de Sentinel-2, una unidad estándar de imágenes satelitales, cubre unos 100 por 100 kilómetros. Las imágenes ópticas comunes fallan cuando las nubes tapan la vista, así que los analistas pasan al radar de Sentinel-1 (SAR), que ve a través de las nubes pero no se parece en nada a una fotografía. Cada fuente tiene su propia resolución, su propio calendario y su propio sistema de coordenadas, así que antes de que una IA pueda razonar sobre cualquiera de ellas, todo tiene que coincidir en el mismo mapa.
Esto son datos geoespaciales, es decir, datos ligados a lugares de la Tierra, y nunca nos cansamos de lo que pasa cuando funciona: alguien hace una pregunta en lenguaje sencillo sobre un lugar, y una IA va y encuentra la respuesta en imágenes tomadas desde el espacio. Puede ver el tipo de preguntas que maneja Geo en plantillas como densidad de embarcaciones con SAR en el estrecho de Ormuz, detección de cambios por deforestación en la Amazonía y seguimiento de la construcción de centros de datos.
Esto es lo que nos enseñó ese trabajo, y cambió la forma en que construimos todo. Cuando un análisis de IA sale mal, la causa suele estar antes de la IA: una imagen desactualizada, una capa desalineada, una tabla de la que nadie llevó el control. Piense en la IA como un cocinero rápido y talentoso. Si la despensa está mal surtida, un cocinero más rápido solo sirve el plato equivocado más pronto.
¿Qué es un agente de IA que programa y por qué necesita una base de datos?
Un agente de IA que programa toma una pregunta en lenguaje sencillo, escribe código para responderla, ejecuta ese código sobre datos reales, revisa el resultado y lo entrega. Un chatbot puede describir un análisis, pero un agente de verdad lo ejecuta.
Eso es lo que hace Fury con datos satelitales, y es lo que hacen Claude Code, Codex y Cursor en proyectos de software. Son herramientas excelentes, y construimos Klarety para que pueda usarlas dentro de ella.
Pero escribir el código es la mitad fácil. La mitad difícil es darle al agente datos en los que pueda confiar: cargados correctamente, limpios, con versiones para conservar cada estado anterior, y aislados para que un error no toque lo que está en producción. El código escrito por un agente puede equivocarse de las mismas formas que el escrito por una persona, así que el sistema que lo rodea tiene que hacer que los errores sean visibles y reversibles.
Por qué las herramientas de IA por separado todavía dejan un vacío a gran escala
Nada de esto es una crítica a una herramienta en particular. Hay muchas buenas que cubren un paso cada una: una escribe código, otra lo revisa, otra lo aloja, otra guarda sus archivos. El problema suele aparecer entre ellas, porque cada herramienta ve su propia copia de los datos y ninguna puede ver lo que cambiaron las demás. Es un poco como cuatro contratistas construyendo una casa con cuatro juegos de planos distintos.
A escala satelital ese vacío salía demasiado caro como para convivir con él, así que lo cerramos: un solo lugar donde viven los datos, y todo lo demás construido sobre esa misma copia. Creemos que lo mismo aplica a escalas más pequeñas, solo que de forma más silenciosa. Sinceramente, construir esa base es la parte de este trabajo que más disfrutamos.
Nexus: una plataforma de datos para aplicaciones de IA, construida antes que todo lo demás
Ese lugar es Nexus, y es la pieza de Klarety de la que estamos más orgullosos. Usted trae archivos, bases de datos y exportaciones, unos treinta formatos de archivo desde hojas de cálculo hasta mapas, y Nexus los convierte en tablas limpias que puede consultar en lenguaje sencillo o en SQL, el lenguaje estándar para consultar datos. Cuando una fila no puede estar bien, Nexus la aparta y le explica por qué, en lugar de hacer fallar toda la carga.
Se conserva cada versión de cada tabla, como un botón de deshacer para sus datos. Puede ver quién cambió qué, una persona o la IA, y revertirlo. Las validaciones de calidad definen cómo se ven los datos buenos, y el linaje muestra de dónde vienen los datos de cada tabla.
Para los ingenieros presentes: las tablas se guardan en Apache Iceberg sobre Parquet, formatos abiertos que puede leer cualquier motor compatible con Iceberg, así que no queda atado a nadie. SQL muestra un costo estimado antes de ejecutarse, y el SDK de Python y la línea de comandos cubren todo lo que hace la aplicación web.
Encima está el grafo de conocimiento, un mapa que conecta clientes, pedidos, proveedores y documentos para que una sola pregunta llegue a todos ellos.
De Fury a Studio: un creador de aplicaciones con IA sobre una sola base de datos
En algún momento miramos lo que Fury podía hacer y nos hicimos una pregunta sencilla: ¿por qué solo las personas que trabajan con datos satelitales deberían poder vivir esto? Si un agente puede convertir una descripción en lenguaje sencillo en software que funciona sobre una montaña de datos, cualquiera con una idea y una hoja de cálculo merece lo mismo.
Había caminos más fáciles. Podríamos habernos quedado solo en lo geoespacial, pero entonces el agente solo respondería un tipo de pregunta. Podríamos haber construido otra herramienta de automatización de arrastrar y soltar, pero ahí cada paso solo puede hacer lo que la herramienta ofrece.
En cambio, usted describe lo que quiere y Studio lo construye, lo prueba y se lo explica. Si le gusta profundizar, Studio incluye un editor de código completo en el navegador con habilidades integradas. Los Agentes son automatizaciones que usted describe en lenguaje sencillo y que se ejecutan con un horario o cuando cambian sus datos, usando sus tablas y su grafo de conocimiento como contexto.
Nos importa mucho la seguridad, porque entregarle a una IA las llaves de datos reales debería sentirse tranquilo, no angustiante. Buddy revisa cada cambio que hace la IA y explica los problemas en lenguaje sencillo, como un segundo par de ojos. Cada ejecución ocurre en un sandbox, un área de prueba aislada, y todo lo que cambiaría datos en producción espera su aprobación. Despliegue mantiene una reversión con un clic. Para los ingenieros, cada cambio es un commit, y cada prueba se ejecuta sobre una copia privada de sus datos, nunca sobre la de producción.
Si prefiere usar sus propias herramientas, el AI harness trae Claude Code, Codex o Cursor al mismo espacio de trabajo con su propia cuenta.
Nada de esto hace que el código escrito por IA sea correcto por sí solo. Hace que los errores sean más fáciles de ver y más baratos de deshacer, que es la parte que sí podemos prometer.
Tres preguntas que debe hacerse antes de construir una aplicación de IA sobre sus datos
Preferimos que se las haga a cualquier herramienta, incluida la nuestra:
- ¿Puede ver de dónde vienen los datos de cada tabla y quién los cambió por última vez?
- Si la IA hace un mal cambio, ¿puede restaurar la versión anterior en un solo paso?
- ¿Qué puede hacer la IA sin preguntar, y qué tiene que esperar su aprobación?
Si alguna respuesta es "no estoy seguro", arregle eso primero. Estas son las tres preguntas alrededor de las que construimos Nexus y el sandbox.
Dónde encaja ahora Klarety Geo
Geo es donde empezó todo esto, y se queda donde está, en geo.klarety.ai. Si quiere ver lo que aprendimos por las malas, ábrala y pregunte por un lugar que conozca. Hay plantillas para empezar en análisis financiero, agricultura y minería, además de una página de precios, una página empresarial y otra para investigación académica.
La nueva Klarety es para todo lo demás que quiera construir sobre sus datos. Si tiene una idea y una hoja de cálculo desordenada, usted es exactamente para quien la construimos.
Preguntas frecuentes
Empezamos ayudando a las personas a entender el mundo. Ahora queremos ayudarlas a construir lo que viene. Si la nueva plataforma no se comporta como la describimos aquí, díganos a través de la página de contacto, porque nos gustaría saberlo.