Cuando un equipo de investigación se plantea una capa de aprendizaje, normalmente ya ha elegido su IA. Los científicos tienen el asistente al que recurren, los ingenieros de plataforma han construido agentes y pipelines en torno a modelos concretos, y formar los hábitos que los acompañan costó esfuerzo. Una capa que pidiera a todos pasarse a una herramienta nueva empezaría gastando la buena disposición que necesita.
MS Duplex está diseñado para conectarse a la configuración que ya tienes. Esta guía cubre las vías de acceso, los dos tipos de conexión y cómo elegir entre ellos, las decisiones que tomar antes de conectar, qué cambia después en el día a día de tu equipo y qué sigue siendo tuyo.
Las vías de acceso
Hay dos familias de conexión, y muchas organizaciones usarán ambas.
- Tus asistentes. Claude, Codex, Cursor y otros agentes que hablan MCP se conectan directamente. MCP, el Model Context Protocol, es el estándar abierto para dar herramientas a los agentes de IA, así que un agente que lo hable puede acceder a MS Duplex. Tus científicos e ingenieros conservan la IA que conocen.
- Tus propios agentes y pipelines. Los agentes de investigación y los flujos de trabajo que ha construido tu equipo se conectan a través de la API de MS Duplex y el SDK de Python, con el mismo aprendizaje detrás de cada uno.
Detrás de cada conexión está la misma experiencia. Supongamos que una científica o un ingeniero trabaja en Cursor, un colega trabaja en Claude y el equipo de plataforma ejecuta un pipeline de cribado recurrente con el SDK de Python. Una corrección que la primera científica hace en su asistente está disponible para el agente del colega y para el pipeline, en la medida en que lo permitan tus reglas, y un resultado que confirma el pipeline está disponible para ambos asistentes. Importa menos qué agente hizo el trabajo que lo que el trabajo confirmó.
Tus agentes siguen accediendo a tus simuladores, código de análisis, bases de datos e instrumentos a través de sus propias conexiones, y conectar MS Duplex deja esas conexiones como están. MS Duplex aprende de cómo funcionó cada herramienta en cada tipo de problema y lleva esa experiencia a la siguiente elección de herramienta, ajuste o método.


Conexión estándar o gobernada
Cada agente se conecta de una de dos maneras. La diferencia está en cuánto de su trabajo pasa por MS Duplex antes de que ocurra.
Conexión estándar
Tu agente llama a MS Duplex para recuperar la experiencia relevante, seguir el plan y registrar los resultados que permitas. Es la forma más rápida de empezar. El agente se apoya en lo que tu equipo ha confirmado, tus reglas y preferencias son visibles en su razonamiento, y los resultados que decidas registrar se convierten en experiencia para la siguiente ejecución.
Conexión gobernada
En los entornos compatibles con hooks, los pasos que selecciones pasan por MS Duplex, de modo que tus reglas se aplican antes de que empiece una simulación o ejecución costosa. Ahí, un paso que incumple una regla se detiene antes de ejecutarse, y los pasos que marques para aprobación, como una simulación cara o un cambio en datos compartidos, esperan a una persona. Cada aprobación queda registrada con quién aprobó qué.
Una opción razonable por defecto es empezar con una conexión estándar y añadir una gobernada donde un paso equivocado salga caro. A un equipo cuyo agente se dedica sobre todo a revisar análisis puede bastarle la conexión estándar. Un equipo cuyo agente lanza ejecuciones costosas con un presupuesto compartido, o edita datos de los que dependen otros, es el caso para el que se hizo la conexión gobernada. Ambas pueden funcionar en una misma organización, y un piloto usa la conexión gobernada donde encaja.
Decisiones que tomar antes de conectar
Conectar es sobre todo cuestión de elecciones, y las elecciones tienen más que ver con tu investigación que con el software. Acuérdalas con las personas que lo van a usar.
- Elige el trabajoEscoge flujos de trabajo recurrentes en los que se repitan las decisiones y una ejecución errónea o innecesaria salga cara, como recomendar ajustes para la siguiente ejecución, ordenar candidatos, planificar ejecuciones o revisar análisis. Es ahí donde más se reutiliza una lección.
- Elige los agentesDecide qué asistentes y pipelines se conectan para ese trabajo, y qué personas los usan. Distintos grupos pueden usar distintas IA, todas apoyándose en la misma experiencia.
- Elige la conexiónUna conexión estándar para la mayoría de los agentes al principio, y una gobernada, en los entornos compatibles, para los agentes cuyos pasos quieras comprobar antes de que se ejecuten.
- Decide qué cuenta como confirmadoMS Duplex aprende de los resultados y las correcciones que decides registrar. Acuerda cuáles son: una prueba superada, una medición, una conclusión aprobada, la corrección de un experto con su motivo.
- Fija reglas, preferencias y aprobacionesRegistra lo que tu equipo exige por separado de lo que preferiría hacer, y selecciona los pasos que esperan a una persona. Una regla añadida más tarde se aplica desde la siguiente solicitud, sin nada que reentrenar.
- Acuerda la configuración con tu equipo de seguridadDónde se ejecuta MS Duplex y cómo se tratan tus datos se acuerda con tus responsables de seguridad y de datos desde la primera conversación.
Lo que tu equipo hace de forma distinta: muy poco
Después de conectarse, tus científicos e ingenieros siguen trabajando en el asistente que ya usan, con los mismos modelos y las mismas herramientas. Planifican, ejecutan, analizan y proponen el siguiente paso como antes. La mayor parte de lo que cambia ocurre a su lado, en lo que la IA aporta a cada solicitud.
Unos pocos hábitos marcan la diferencia, y cada uno es una pequeña ampliación de lo que ya hacen los equipos de investigación cuidadosos:
- Confirma resultados donde la confirmación cuenta. Una prueba superada, una medición o una conclusión aprobada se convierte en experiencia de la que parte la siguiente ejecución.
- Corrige al agente con un motivo. Una corrección que explica por qué se guarda con ese motivo y las condiciones en las que se aplica, de modo que llega al siguiente caso coincidente.
- Revisa de vez en cuando lo que se ha aprendido. Cada lección conserva su fuente, y cualquier miembro del equipo puede inspeccionarla, corregirla, eliminarla o restaurarla.
Lo que nota el equipo es sobre todo lo que deja de pasar. Una nueva sesión parte del estado actual del trabajo: el objetivo, las decisiones, los métodos aprobados y el progreso, así que nadie vuelve a explicarle el proyecto a la IA. El agente de un compañero, con otro modelo, retoma el trabajo donde lo dejó el tuyo. Lo que funcionó pasa a ser lo primero que prueban los agentes, y lo que falló deja de proponerse. La corrección de un experto se aprende una vez y se aplica donde encaje, así que los expertos dejan de repetirse.
Supongamos que un equipo conecta sus asistentes y un pipeline de cribado. Al principio, un experto corrige la clasificación del agente porque un método de puntuación falla más allá de un límite operativo conocido, y registra por qué. En la siguiente sesión, el agente comprueba ese límite antes de clasificar. Cuando el pipeline se encuentra con un caso relacionado, MS Duplex recupera la corrección con su fuente y muestra qué condición difiere. Nadie cambió su forma de trabajar. Los agentes cambiaron lo que comprueban.
Lo que sigue siendo tuyo
Conectar una capa de aprendizaje a tu IA plantea una pregunta legítima sobre la propiedad. La respuesta abarca tres cosas.
- Tus modelos. MS Duplex aprende junto al modelo, dejando sus pesos tal como están. Cambia de modelo, de cliente o de proveedor, y la experiencia que construyó tu equipo se queda con tu equipo. Usa un modelo para los análisis difíciles y otro para el trabajo recurrente, ambos apoyándose en la misma experiencia.
- Tus herramientas. Tus simuladores, código de análisis, bases de datos e instrumentos siguen como están: tus agentes acceden a ellos a través de sus propias conexiones, y se usan con más eficacia a medida que MS Duplex aprende para qué sirve cada uno.
- Tus datos y tu experiencia. Los resultados confirmados, las correcciones, las decisiones, los métodos y los planes se acumulan en un almacén que es propiedad de tu organización. Las capas personal, de equipo y de organización deciden quién ve qué, las personas y los agentes solo acceden a lo que permite su ámbito, y nada de ello se comparte con otra empresa.
Cada elemento conserva su fuente, en un historial firmado de lo que se aprendió, se usó y se aprobó que tu equipo puede revisar y exportar. Otro investigador puede reconstruir una decisión a partir de ese registro, y cualquier lección concreta puede corregirse o eliminarse mientras todo lo demás sigue como estaba.


Preguntas frecuentes
¿Tienen que cambiar de herramientas de IA nuestros científicos e ingenieros?
No. Claude, Codex, Cursor y otros agentes que hablan MCP se conectan directamente, y tus propios agentes y pipelines se conectan a través de la API y el SDK de Python. Tus científicos e ingenieros siguen usando la IA que ya usan.
¿Qué diferencia hay entre una conexión estándar y una gobernada?
Con una conexión estándar, tu agente llama a MS Duplex para recuperar la experiencia relevante, seguir el plan y registrar los resultados que permitas. Con una conexión gobernada, en los entornos compatibles con hooks, los pasos que selecciones pasan por MS Duplex, de modo que un paso que incumple una regla se detiene antes de ejecutarse y los pasos que marques esperan la aprobación.
¿MS Duplex aprende de todo lo que hacen nuestros agentes?
Aprende de los resultados y las correcciones de expertos que tu equipo decide registrar. Cada lección conserva su fuente y las condiciones en las que se cumple, y tu equipo puede corregir o eliminar cualquiera de ellas por separado.
¿Podemos conectar más de un modelo?
Sí. Tu equipo puede usar más de un modelo y agente a la vez, todos apoyándose en la misma experiencia, y lo que confirma uno está disponible para los demás según tus reglas. Cuando cambia el modelo, la experiencia lo acompaña.


Construido por MatterSpace
MatterSpace construye MS Duplex para científicos, investigadores e ingenieros de cualquier campo, para que la IA que ya usan aprenda de cada resultado que confirman.









