Airtable está aplicando su filosofía de diseño de datos primero a los agentes de IA con el debut de Superagent el martes. Es un agente de investigación independiente que despliega equipos de agentes de IA especializados que trabajan en paralelo para completar tareas de investigación.
La innovación técnica radica en cómo el orquestador de Superagent mantiene el contexto. Los sistemas de agentes anteriores utilizaban un enrutamiento de modelos easy donde un intermediario filtraba información entre modelos. El orquestador de Airtable mantiene una visibilidad complete de todo el proceso de ejecución: el plan inicial, los pasos de ejecución y los resultados de los subagentes. Esto crea lo que el cofundador Howie Liu llama “un viaje coherente” en el que el orquestador tomó todas las decisiones a lo largo del camino. “En última instancia, todo se scale back a cómo aprovechar la capacidad autorreflexiva del modelo”, dijo Liu a VentureBeat. Liu cofundó Airtable hace más de una docena de años con una base de datos relacional basada en la nube como núcleo.
Airtable construyó su negocio a partir de una apuesta singular: el software program debería adaptarse a la forma en que trabajan las personas, y no al revés. Esa filosofía impulsó el crecimiento de más de 500.000 organizaciones, incluido el 80 % de las Fortune 100, que utilizaron su plataforma para crear aplicaciones personalizadas adaptadas a sus flujos de trabajo.
La tecnología de superagente es una evolución de las capacidades desarrolladas originalmente por DeepSky (anteriormente conocida como Gradient), que Airtable adquirió en octubre de 2025.
De datos estructurados a agentes de formato libre
Liu enmarca Airtable y Superagent como factores de forma complementarios que juntos abordan diferentes necesidades empresariales. Airtable proporciona la base estructurada y el superagente se encarga de las tareas de investigación no estructuradas.
“Obviamente comenzamos con una capa de datos. Está llamada Airtable: es una tabla de datos”, dijo Liu.
La plataforma evolucionó como un andamio alrededor de esa base de datos central con capacidades de flujo de trabajo, automatizaciones e interfaces que escalan a far de usuarios. “Creo que Superagent es un issue de forma muy complementario, que está muy desestructurado”, dijo Liu. “Estos agentes son, por naturaleza, de forma muy libre”.
La decisión de crear capacidades de forma libre refleja los aprendizajes de la industria sobre el uso de modelos cada vez más capaces. Liu dijo que a medida que los modelos se han vuelto más inteligentes, la mejor manera de usarlos es tener menos restricciones sobre su funcionamiento.
Cómo funciona el sistema multiagente de Superagent
Cuando un usuario envía una consulta, el orquestador crea un plan seen que divide la investigación compleja en flujos de trabajo paralelos. Entonces, por ejemplo, si está investigando una empresa para invertir, lo dividirá en diferentes partes de esa tarea, como investigar el equipo, investigar el historial de financiación, investigar el panorama competitivo. Cada flujo de trabajo se delega a un agente especializado que se ejecuta de forma independiente. Estos agentes trabajan en paralelo, su trabajo coordinado por el sistema, cada uno aportando su parte al todo.
Si bien Airtable describe a Superagent como un sistema de múltiples agentes, se basa en un orquestador central que planifica, envía y monitorea subtareas, un modelo más controlado que los agentes totalmente autónomos.
El orquestador de Airtable mantiene una visibilidad complete de todo el proceso de ejecución: el plan inicial, los pasos de ejecución y los resultados de los subagentes. Esto crea lo que Liu llama “un viaje coherente” en el que el orquestador tomó todas las decisiones a lo largo del camino. El enfoque de subagente agrega resultados limpios sin contaminar el contexto del orquestador principal. Superagent utiliza múltiples modelos de frontera para diferentes subtareas, incluidos OpenAI, Anthropic y Google.
Esto resuelve dos problemas: gestiona las ventanas de contexto agregando resultados limpios sin contaminación y permite la adaptación durante la ejecución.
“Tal vez intentó realizar una tarea de investigación de cierta manera que no funcionó, no pudo encontrar la información correcta y luego decidió intentar otra cosa”, dijo Liu. “Sabe que lo intentó primero y no funcionó. Así que no volverá a cometer el mismo error”.
Por qué la semántica de datos determina el rendimiento del agente
Desde la perspectiva del constructor, Liu sostiene que el rendimiento del agente depende más de la calidad de la estructura de datos que de la selección del modelo o la ingeniería rápida. Basó esto en la experiencia de Airtable en la creación de una herramienta interna de análisis de datos para descubrir qué funciona.
El experimento de la herramienta interna reveló que la preparación de datos consumía más esfuerzo que la configuración del agente.
“Descubrimos que la parte más difícil de hacer bien no period en realidad el uso del agente, sino que la mayor parte de la salsa especial tenía más que ver con masajear la semántica de los datos”, dijo Liu. “Los agentes realmente se benefician de una buena semántica de datos”.
El trabajo de preparación de datos se centró en tres áreas: reestructurar los datos para que los agentes pudieran encontrar las tablas y campos correctos, aclarar lo que representan esos campos y garantizar que los agentes pudieran usarlos de manera confiable en consultas y análisis.
Lo que las empresas necesitan saber
Para las organizaciones que evalúan sistemas multiagente o crean implementaciones personalizadas, la experiencia de Liu apunta a varias prioridades técnicas.
La arquitectura de datos precede a la implementación del agente. El experimento interno demostró que las empresas deberían esperar que la preparación de datos consuma más recursos que la configuración del agente. Las organizaciones con datos no estructurados o documentación de esquemas deficiente tendrán dificultades con la confiabilidad y precisión de los agentes, independientemente de la sofisticación del modelo.
La gestión del contexto es elementary. Simplemente unir diferentes LLM para crear un flujo de trabajo agente no es suficiente. Es necesario que exista un orquestador de contexto adecuado que pueda mantener el estado y la información con una vista de todo el flujo de trabajo.
Las bases de datos relacionales son importantes. La arquitectura de bases de datos relacionales proporciona una semántica más limpia para la navegación de los agentes que los almacenes de documentos o los repositorios no estructurados. Las organizaciones que estandarizan NoSQL por razones de rendimiento deberían considerar mantener vistas o esquemas relacionales para el consumo de agentes.
La orquestación requiere capacidades de planificación. Así como una base de datos relacional tiene un planificador de consultas para optimizar los resultados, los flujos de trabajo agentes necesitan una capa de orquestación que planifique y gestione los resultados.
“Así que el remate y la versión corta es que mucho de esto se scale back a tener una capa de orquestación de planificación y ejecución realmente buena para el agente, y ser capaz de aprovechar plenamente los modelos para lo que son buenos”, dijo Liu.
