De información dispersa a decisiones: cómo construí Frontier Grid

El problema era reconstruir lo que los documentos separaban

Al seguir proyectos aparecían anuncios, presentaciones, expedientes regulatorios y declaraciones de sus participantes. Cada documento respondía a una necesidad distinta. Un anuncio hablaba del tamaño final; un expediente regulatorio, de la capacidad solicitada o autorizada; un contrato, de ciertas obligaciones. Usar la misma unidad no convertía esas cifras en equivalentes.

La fecha también cambiaba de significado. Primera entrega, inicio de operaciones y terminación de todas las fases podían aparecer cerca, aunque describieran momentos diferentes. Antes de calcular un retraso o comparar dos proyectos había que reconstruir exactamente qué se estaba prometiendo y para cuándo.

Mi experiencia principal es el desarrollo de software. Reconocía una dificultad conocida: varios componentes pueden estar bien descritos y aun así fallar al conectarse. Aquí las interfaces incluían permisos, derechos de suministro, equipos, capital y responsables. La información necesaria para revisar esas conexiones estaba distribuida.

Empecé por cambiar la unidad de investigación. En vez de intentar entender toda una industria antes de actuar, acotaba una pregunta: si un proyecto podía cumplir una primera fase, qué condición faltaba por demostrar o qué documento permitiría tomar la siguiente decisión. Esa pregunta ayudaba a seleccionar las fuentes y a detener búsquedas que ya no aportaban.

Construir una memoria de trabajo que se pudiera revisar

Fui separando observaciones, candidatos a investigar y registros revisados. Una noticia podía abrir una pista; conservarla como hallazgo requería leer el documento, identificar el cambio y compararlo con lo que ya sabíamos. La misma empresa o el mismo proyecto debía mantener su identidad entre una revisión y la siguiente.

El registro necesitaba más que una URL y un resumen. Conservábamos la entidad, el activo, la fecha, el pasaje relevante, el alcance de la afirmación y el estado de la evidencia. Algo confirmado por una fuente, una inferencia propia, una incógnita y dos versiones en conflicto merecían tratamientos distintos.

El análisis de datos empezaba muchas veces en operaciones pequeñas: reconciliar unidades, separar capacidad final de capacidad inicial, comparar plazos y explicitar supuestos. Cuando una cifra faltaba, dejábamos el hueco. Completar una tabla con una estimación sin marcarla habría hecho más cómoda la lectura y menos fiable la decisión.

Desarrollé piezas para conservar esa estructura: registros y modelos de datos, investigación en un entorno separado antes de incorporar cambios, generación de artefactos y herramientas de consulta. Las fuentes podían alimentar un caso, una comparación o un brief. La revisión humana decidía qué se incorporaba al registro duradero.

Los modelos de AI ayudan a descubrir fuentes, leer material, proponer conexiones y preparar textos. El software aporta persistencia, estados y controles. El criterio sigue interviniendo al formular la pregunta, reconocer una comparación inválida o decidir que la evidencia todavía no permite avanzar. Cada parte necesita una forma distinta de revisión.

El resultado fue un conjunto de capacidades que se coordinan para conservar preguntas, evidencia y próximos pasos. Algunas conexiones están automatizadas; otras requieren intervención. Mantener visible esa diferencia evita atribuir a todo el sistema lo que solo funciona dentro de una de sus piezas.

Kilby: convertir una cifra anunciada en una pregunta comprobable

Para Project Kilby congelamos una pregunta: ¿podía la ruta de combustible y generación abastecer una primera fase del campus de Microsoft en el horizonte anunciado para 2028? El brief publicado tiene corte de evidencia al 28 de julio de 2026. Lo uso aquí para explicar el trabajo realizado; su clasificación no describe una comprobación nueva del proyecto.

La primera tarea fue separar tres cifras. Microsoft describía aproximadamente 2 GW de capacidad del campus durante cinco a siete años. El proyecto comercial de generación se describía con unos 2,67 GW por fases. El expediente del permiso contemplaba aproximadamente 2,869 GW. Un gigavatio es una unidad de potencia; estas cifras describían alcances diferentes.

La diferencia afectaba a toda la investigación. Interpretar los 2 GW como demanda completa en la primera fecha habría creado un requerimiento distinto del anunciado. Había que definir el primer bloque que realmente debía operar y revisar sus condiciones, manteniendo separado el crecimiento posterior.

Después traducimos potencia a una necesidad de combustible. El modelo permitía variar el consumo de la planta y el margen adicional. Con los supuestos publicados —8 MMBtu por MWh, 1,03 MMBtu por Mcf y un margen del 10%—, un suministro firme hipotético de 300 millones de pies cúbicos diarios soportaría aproximadamente 1,46 GW. Las unidades detallan la conversión; la pregunta práctica es cuánto puede funcionar con el combustible que se consiga.

Ese resultado era un escenario calculado. No demostraba que alguien hubiera contratado ese volumen, que una tubería pudiera transportarlo o que llegara con la presión necesaria. El modelo ayudaba a dimensionar una fase; los contratos y la infraestructura tenían que demostrar que esa fase podía recibir el combustible.

La investigación siguió esa cadena: proveedor y ruta, derechos de transporte, presión, conexión final, equipos, permisos y puesta en servicio. Estar cerca de una región con abundante gas ayudaba a explicar la plausibilidad física. Para una conclusión sobre el proyecto faltaban comprobaciones específicas que la documentación pública revisada no resolvía.

El resultado fue Investigate. El paquete incluía un brief, cálculos con supuestos, un mapa de dependencias y una solicitud concreta de documentos: ruta seleccionada, derechos firmes, estudio de presión, calendario de conexión, entregas de equipos y primera fase del cliente. Esos elementos permitían continuar una diligencia con preguntas precisas. No tenemos evidencia de que el sponsor utilizara el trabajo o cambiara una decisión por él.

Dar continuidad al trabajo entre una revisión y la siguiente

Un análisis como Kilby deja asuntos abiertos. Al día siguiente puede aparecer un permiso, un contrato o una declaración que cambie solo una parte. Volver a investigar desde cero consume atención y puede borrar diferencias que ya habíamos aclarado. La continuidad pasó a ser otro problema de producto.

Vera es el agente y el entorno de trabajo que hemos desarrollado en CLX, una máquina dedicada. Su Runner conserva estado y artefactos, ejecuta encargos acotados y puede revisar fuentes o seguir una respuesta dentro del alcance delegado. Así parte del trabajo puede continuar entre sesiones sin depender de que yo recuerde cada pendiente.

Lo útil es poder asignarle un caso con una pregunta, fuentes iniciales y una decisión pendiente. El informe debe conservar hallazgos, incertidumbres y siguiente paso. Una consulta enviada tiene que distinguirse de una respuesta recibida; un borrador preparado, de una acción completada. Esas diferencias también quedan en el software.

La integración sigue siendo parcial. El flujo social de Vera no lee automáticamente nuestra agenda de ChatGPT ni todos los artículos actuales. Los cambios de dirección necesitan incorporarse a su contexto. Tener un agente activo no significa que todas las piezas compartan siempre la misma versión de lo que sabemos.

La organización de la atención también cambió. Los seguimientos observan cambios con frecuencia; los sábados concentramos decisiones sobre qué investigar, esperar o retirar. Publicar quedó como una salida posible. Un día sin hallazgo suficiente puede terminar sin post y una semana sin cambio material puede conservar un caso en espera.

Lo que aprendí al construirlo y usarlo

La primera lección fue empezar por la decisión. Tener muchas fuentes resulta poco útil si no sabemos qué diferencia cambiaría nuestro siguiente paso. En Kilby, definir la primera fase evitó mezclar el tamaño final del campus con el requerimiento inicial de combustible. También hizo más concreta la solicitud de información.

La segunda fue conservar las diferencias entre estados. Presentar una solicitud, obtener autorización, contratar equipos y operar son eventos distintos. Esa disciplina sirve tanto al analizar infraestructura como al desarrollar la automatización: preparar un correo tampoco demuestra que se haya enviado, y registrarlo como enviado no demuestra interés comercial.

La tercera fue dejar que los errores cambien el proceso. El flujo editorial llegó a exigir una decisión comercial en cada observación. Eso produjo textos demasiado comprimidos y contractuales. Lo ajustamos para permitir conexiones útiles y señales tempranas, conservando el respaldo factual. La exigencia para publicar una observación no tiene que ser idéntica a la de recomendar comprometer capital.

También aprendí a separar lo que comprueban los tests de lo que requiere uso y criterio. Podemos probar persistencia, duplicados, reintentos y límites de ejecución. Determinar si una interpretación es importante, si falta una dependencia decisiva o si el resultado sirve al lector requiere otra revisión. Más controles de software no resuelven automáticamente esas preguntas.

Lo que sigue abierto

La capacidad de investigar está más demostrada que su demanda comercial. Hemos producido casos, artículos y herramientas; seguimos validando qué comprador necesita esa síntesis externa y cuándo pagaría por ella. Contactar a alguien o recibir atención pública no resuelve esa pregunta. Una solicitud concreta y el uso del resultado darían evidencia de otra calidad.

Tampoco trabajo dentro de la industria energética ni vivo en uno de sus centros de actividad. Mi experiencia técnica ayuda a estructurar problemas, pero tengo menos acceso cotidiano a conocimiento operativo, relaciones y conversaciones informales. Un profesional puede reconocer de inmediato una práctica que los documentos no explican. El trabajo necesita ese contraste.

Hay un límite importante al investigar con fuentes públicas: la condición menos documentada puede estar resuelta en privado. Identificar qué necesita comprobar el investigador no demuestra por sí solo qué está bloqueando al proyecto. En Kilby, los documentos privados solicitados podían cambiar la clasificación; su ausencia en el expediente revisado debía mantenerse como incertidumbre.

No hemos medido de forma defendible horas ahorradas, mejora de precisión ni retorno económico del sistema completo. Tampoco está todo integrado. Son asuntos de evaluación y desarrollo pendientes. Publicar este caso permite mostrar cómo se hizo el trabajo y qué produjo, dejando visibles las preguntas que aún requieren usuarios, datos o acceso distintos.

Qué parte de este trabajo puede servir en otro negocio

La parte transferible empieza cuando un equipo vuelve periódicamente a una decisión y necesita reconstruir contexto para tomarla. Puede estar comparando proveedores, evaluando una ubicación o siguiendo condiciones de un contrato. La dificultad aparece cuando los documentos, las conversaciones y las actualizaciones no conservan juntos lo que ya se comprobó.

Un trabajo con un cliente empezaría por elegir una de esas decisiones y revisar cómo la toma hoy. Qué información utiliza, dónde la guarda, quién la verifica y qué ocurre cuando cambia. Eso permite decidir qué conviene conectar, qué necesita un modelo de datos y dónde una persona debe seguir revisando.

El primer resultado puede ser pequeño y utilizable: un expediente de evidencia para una pregunta, una comparación con supuestos explícitos o un seguimiento que conserve estado y próxima acción. La AI puede ayudar a leer y preparar propuestas. El sistema debe permitir volver a la fuente y corregir la interpretación cuando aparezca información nueva.

A partir de ahí se puede probar si el resultado ayuda al equipo a completar su revisión, detectar una condición relevante o saber qué preguntar después. Esas observaciones orientarían la siguiente integración. En FG, desarrollar el sistema y usarlo sobre casos concretos fue lo que permitió descubrir tanto sus posibilidades como el trabajo que todavía faltaba.