L’auge dels models de codificació basats en intel·ligència artificial ha transformat la manera com els desenvolupadors aborden la creació de programari. No obstant això, hi ha una bretxa conceptual entre generar codi plausible i completar una tasca real d’enginyeria de programari. Un model pot produir un diff que sembla correcte, però li manca la infraestructura necessària per a la memòria del projecte, els límits d’execució, la verificació, la recuperació després d’errors, els permisos i el lliurament final. Aquesta és la problemàtica que aborda Agent OS, un sistema operatiu de projectes d’IA local-first que actua com un arnès al voltant dels models de codificació. Aquest enfocament, recentment alliberat com a projecte de codi obert, separa clarament dues responsabilitats: l’agent principal, que actua com a cervell, i l’agent de codificació, que funciona com a mans. El primer s’encarrega de la planificació de la conversa, la memòria del projecte, l’assemblatge del context, l’orquestració i les decisions de delegació, però no pot editar el codi del repositori ni executar comandes del sistema. El segon opera dins d’un espai de treball aïllat, on inspecciona fitxers, edita codi i executa comandes acotades, sense poder modificar la memòria del projecte ni accedir a altres espais de treball. Ambdós es comuniquen mitjançant resums i artefactes estructurats, no mitjançant control compartit sense restriccions.
Una de les innovacions més rellevants d’Agent OS és que no accepta l’afirmació del propi model sobre la finalització d’una tasca. Per considerar que un treball està complet, exigeix una verificació real: l’execució d’una comanda de compilació o prova. Això pot incloure llançar l’aplicació, recórrer fluxos predefinits al navegador, capturar captures de pantalla i evidència d’execució, realitzar una revisió visual, classificar fallades i proposar o executar una reparació limitada. La recuperació és deliberadament acotada; l’objectiu no és una autonomia il·limitada, sinó un progrés controlat amb evidència i una pista d’auditoria. Les accions externes —com commits a Git, pull requests, desplegaments, migracions de bases de dades o operacions en mode test de Stripe— requereixen contractes explícits de previsualització i confirmació. L’agent pot preparar l’operació, però no pot mutar silenciosament un sistema extern perquè va inferir que l’usuari probablement ho desitjava.
Per posar a prova aquesta arquitectura, l’equip desenvolupador va utilitzar Agent OS per construir i desplegar Pulseboard, un SaaS full-stack, des d’un repositori buit. El procés va incloure fallades reals de compilació, execució, navegador, visualització, desplegament i base de dades. Aquestes fallades es van convertir en proves de si el sistema podia recollir evidència, exposar el problema i recuperar-se, en lloc de simplement produir un missatge d’èxit confiat. La versió pública inicial inclou estat del projecte basat en sistema de fitxers local i SQLite, memòria estructurada en Markdown, suport per a Claude, GPT, Gemini, DeepSeek, Kimi i GLM, execució de codificació en entorn aïllat, equips d’agents paral·lels en espais de treball separats, verificació mitjançant comandes, navegador i anàlisi visual, recuperació acotada tipada, connectors per a GitHub, Vercel, Supabase i Stripe en mode test, llicència Apache-2.0, integració contínua amb GitHub i 832 proves de backend, així com una instal·lació amb un sol comandament a Windows.
No obstant això, es tracta d’una versió primerenca. La configuració per a Windows és la més provada; els usuaris de macOS i Linux han de seguir les instruccions d’instal·lació manual. Es requereix almenys una clau d’API d’algun proveïdor de models suportat. L’enfocament local-first garanteix que la memòria del projecte, els espais de treball, les credencials i els registres d’execució romanguin sota el control de l’usuari, però no implica que tots els models suportats s’executin localment. Des d’una perspectiva tècnica i empresarial, Agent OS representa un pas significatiu cap a agents d’IA fiables que puguin integrar-se en fluxos de treball de desenvolupament de programari. Empreses com Q2BSTUDIO, especialitzades en el desenvolupament d’aplicacions a mida, poden trobar en aquesta arquitectura un component valuós per automatitzar parts del cicle de vida del programari mantenint un control rigorós. La separació entre l’agent principal i l’agent de codificació, juntament amb els mecanismes de verificació i recuperació acotada, s’alinea amb les necessitats de ciberseguretat, ja que evita accessos no autoritzats a sistemes externs i garanteix que qualsevol operació sigui confirmada per un humà.
A més, la capacitat de desplegar agents en entorns cloud com AWS o Azure, o de monitoritzar-ne el rendiment mitjançant eines de BI com Power BI, obre possibilitats per escalar aquestes solucions de forma segura. Q2BSTUDIO ofereix serveis en intel·ligència artificial, ciberseguretat, cloud (AWS/Azure) i business intelligence, que poden complementar l’adopció d’Agent OS en projectes empresarials. Per exemple, un equip podria integrar Agent OS en un pipeline de desenvolupament perquè els agents de codificació proposin pedaços que després siguin revisats automàticament mitjançant proves visuals i de navegador, reduint el risc d’errors no detectats. La memòria estructurada del projecte permet mantenir un historial de decisions i context, facilitant la col·laboració entre humans i màquines. En definitiva, Agent OS no és la solució definitiva, però sí un arnès que apropa el somni dels agents autònoms a una realitat controlable i audible. La invitació a la comunitat és provar-lo, contribuir i compartir feedback sobre la separació de responsabilitats, l’experiència d’instal·lació, els límits de la recuperació automàtica i quins components interns haurien de convertir-se en biblioteques independents. Amb el suport d’empreses com Q2BSTUDIO, que entenen la importància d’integrar la IA en el desenvolupament de programari a mida amb un enfocament en ciberseguretat i cloud, aquesta tecnologia té el potencial de transformar la manera com construïm programari.
