Es lunes, son las 9:40 y tienes cuatro pestañas abiertas en el navegador: un chatbot para preguntas, otro más porque no te fías del todo del primero, un editor con un agente de código y una app de notas con la investigación de la semana pasada. Cada una conoce una parte de tu trabajo y ninguna conoce el resto. Antes de comer ya has pegado el mismo párrafo de contexto en tres ventanas distintas.
Una sola app en lugar de cinco pestañas
osFoundry es un espacio de trabajo de IA de escritorio: una app donde chateas con modelos de IA, delegas trabajo en agentes y equipos de agentes, guardas notas y conocimiento consultable, ejecutas modelos abiertos en tu propio ordenador y creas pequeñas apps que tu equipo puede usar. Los modelos pueden venir de tres sitios: tu propia máquina, proveedores en la nube con tus propias claves de API o GPU en la nube alquiladas. La app se organiza en categorías y cada categoría contiene varias pantallas. Chat es donde hablas con los modelos (Maestro, Multi chat, Branchspace y otras). Workstation es donde los agentes hacen trabajos más largos (Code, Agent, Agent team, Loop, Terminal). Knowledge guarda lo que escribes y lo que la IA recuerda. Local Model sirve para buscar, instalar y probar modelos abiertos. Custom App es para herramientas internas y Discover, para investigar en la web y seguir noticias. Si has usado VS Code, lo más parecido es un editor con una barra de actividad en la que cada icono abre una herramienta distinta, solo que aquí las herramientas son superficies de IA y comparten los mismos proyectos, la misma memoria y los mismos modelos.
Cómo es una pantalla típica
La categoría Chat es por donde empieza casi todo el mundo, así que es un buen sitio para entender cómo están montadas las pantallas de osFoundry. Esto es Multi chat en modo Council, con datos de ejemplo: se hizo la misma pregunta a tres modelos y luego cada uno puntuó las respuestas de los demás.
- La fila de pestañas de arriba (Maestro, Model chat, Multi chat, Research, Wiki, Code) cambia entre las superficies del área Chat: el agente Maestro completo, un chat sencillo de pregunta y respuesta con fuentes citadas, varios modelos a la vez, investigación a fondo, documentación de código y agentes de programación.
- El selector Compare / Council decide cómo colaboran los modelos. Compare pone las respuestas una al lado de otra para que las juzgues tú. Council hace que respondan por separado, se clasifiquen entre sí a ciegas y después redacta una síntesis.
- Cada columna es un modelo con una etiqueta de proveedor: aquí Anthropic, Ollama (en local) y OpenAI. Puedes mezclar modelos en la nube y locales en la misma pantalla.
- El panel derecho muestra las fases de la ejecución (Answers, Ranking, Synthesis) y la tabla Peer review, para que veas quién puntuó qué en lugar de leer solo una respuesta final.
- El botón Run indica cuántas llamadas a modelos hará la ejecución antes de pulsarlo ("Run · 7 calls" en este caso). Si desactivas la clasificación entre pares, ese número baja.
Muchas pantallas de osFoundry siguen este patrón: una lista a la izquierda, el trabajo en el centro y un inspector a la derecha que muestra cómo se obtuvo un resultado.
La primera semana de un desarrollador independiente
Ken trabaja solo en una pequeña tienda online. Quiere una IA que conozca su código y le gustaría mantener parte del trabajo en su portátil.
El lunes abre Local Model y luego Explore. La pantalla analiza primero su máquina (16 GB de memoria en este ejemplo) y pone una etiqueta a cada modelo abierto: Fits, Tight o Too big. Instala un modelo con la etiqueta verde y le hace unas cuantas preguntas en Playground, que ejecuta el mismo prompt en dos modelos en paralelo y muestra lo rápido que cada uno empezó a responder.
El martes tiene que cambiar una función que da formato a los precios y no tiene claro qué depende de ella. Abre el proyecto en el IDE, hace clic derecho sobre la función y elige Show Code Graph.
El panel lista todos los puntos que la llaman, marca qué relaciones se han leído directamente del código y cuáles solo se han inferido, y resume el Impact of change: cuántos símbolos, archivos y tests podrían verse afectados. Hace clic en una llamada para saltar a esa línea y usa Send to chat para llevar el grafo a una conversación con Maestro.
El jueves ya está pasando tareas pequeñas a agentes de programación. En la pantalla ADE cada tarea tiene su propio worktree y la pestaña Changes muestra el diff. Hace clic en el margen junto a una línea con la que no está de acuerdo, escribe una nota y envía de una vez al agente todas las notas pendientes. Termina la semana con un modelo local en el que confía para preguntas rápidas y la costumbre de revisar el impacto antes de refactorizar.
La primera semana de la responsable de un equipo pequeño
Aiko dirige a cuatro personas y saca una versión cada dos semanas. Su problema no es escribir código, sino saber qué está haciendo cada uno, ya sea una persona o un agente.
Empieza por Message, el chat del equipo. Los canales y los mensajes directos funcionan como en Slack, con una diferencia: los agentes de IA son miembros de los canales. Alguien menciona a un agente con @ en #release, y su respuesta y su ejecución vuelven al canal, donde todos pueden verlas.
Después configura un Agent team en Workstation. Un agente líder coordina a miembros especializados, y la pantalla separa en pestañas Team mail, Handoffs, Sub-agents y Proposals, así que puede auditar quién pasó qué a quién. Para las comprobaciones que se repiten en cada versión, convierte ese equipo en un Loop: un disparador (por ejemplo, las mañanas de lunes a viernes), límites de rondas y reintentos, y criterios de éxito. El Loop se ejecuta por rondas hasta que se cumplen los criterios y lleva un registro de cuáles se cumplieron en cada ronda.
Cuando varios agentes trabajan sobre el mismo repositorio, usa Code. Cada agente tiene su propia rama y su propio worktree, y nada se fusiona solo. Selecciona dos ejecuciones terminadas, pulsa Preview combined merge y ve qué archivos chocan antes de que nada toque la rama principal.
Para revisar línea a línea usa las mismas notas que Ken: una nota fijada al código, que se envía al agente con el archivo, la línea y el código adjuntos. Al final de la semana tiene un canal donde aparece el trabajo de los agentes, una comprobación de versión que se ejecuta sola y un paso de revisión que ocurre antes de las fusiones, no después.
La primera semana de una investigadora y redactora
Lena escribe informes largos sobre políticas laborales. Necesita fuentes que pueda comprobar y ya se ha llevado algún disgusto con respuestas de IA muy seguras de sí mismas.
Para las preguntas en las que la respuesta de un solo modelo no basta, usa Multi chat en modo Council, la pantalla que vimos antes. Cuando dos revisores puntúan bajo una respuesta, sabe que le toca investigar más.
Para preguntas más grandes abre Agents, pulsa New session y elige el Deep Research Team ya preparado. El líder divide la pregunta en partes y asigna cada una a un miembro, como un Data Researcher o un Search Specialist.
Un revisor aparte comprueba cada paso antes de que le llegue a ella, y un paso sin fuente se devuelve y se vuelve a ejecutar. La respuesta final llega como una tabla con una fuente en cada fila, más una breve nota sobre dónde discrepan las fuentes y qué quedó sin cubrir (datos de ejemplo en la captura).
La redacción en sí ocurre en Knowledge. En Paper resalta una frase de su borrador y le asocia un espacio de reflexión, con pestañas como Academic search, Browser o una sesión de Maestro que trata solo ese pasaje. Los archivos de apoyo y los comentarios viven en una Note. En Discover guarda búsquedas en Browser y sigue canales por palabra clave en News, así que lo que lee para un informe sigue ahí para el siguiente.
Cómo se pasan el trabajo las distintas áreas
Las categorías no son productos separados; se van pasando el trabajo. Local Model es la capa de abajo: un modelo que instalas desde Explore aparece en los selectores de modelo de Maestro, Multi chat y las sesiones de agentes.
Knowledge alimenta a Chat: Memory muestra lo que Maestro sabe de tu trabajo e Indexed Folders te deja elegir en qué carpetas pueden buscar los agentes. Las sesiones de agentes, las ejecuciones de Agent team y los Loops informan en los canales de Message. Workstation (la pantalla con ese nombre) te permite abrir un canal, una nota, un archivo y una sesión de agente uno al lado de otro en un mismo diseño. Cuando algo que has construido con agentes debe convertirse en una herramienta para el equipo, pasa a Custom App, donde una Room reúne las apps de un equipo junto a su propio chat de Maestro. Las claves y los proveedores de todo esto están en Configuration. La visión general de la plataforma lista todas las pantallas si quieres el mapa completo.
Preguntas habituales de la primera semana
¿Tengo que usar todo esto?
No. La mayoría empieza por un área, normalmente Maestro en Chat o Explore en Local Model, y añade otras cuando una tarea lo pide. Las categorías comparten proyectos y memoria, así que nada de lo que hagas al principio tendrás que rehacerlo después.
¿Mis datos salen de mi ordenador?
No cuando usas modelos locales; se ejecutan en tu dispositivo. Los modelos en la nube que conectas con tus propias claves de API ven lo que les envías, y ese uso lo factura el proveedor. La página sobre local-first explica cómo se separan las dos cosas.
¿Es solo para desarrolladores?
No. Code, IDE y Terminal son herramientas para desarrolladores, pero Message, Paper, Note, Research, Multi chat y Discover también están pensadas para redactores, analistas y responsables de equipo.
¿Cuánto cuesta?
La app de escritorio se descarga gratis y ejecutar modelos locales no tiene ningún cargo de uso por parte de osFoundry. Puedes conseguirla en la página de descarga.
