La topología que se enruta a sí misma

Llega una petición. Antes de que hable cualquier modelo, la plataforma ya la ha colocado — dentro de la red correcta, la comunidad correcta, la sala correcta — usando únicamente geografía y significado. Esa colocación es enrutamiento, y en Everythink es una propiedad del espacio, no una ocurrencia tardía atornillada a un chatbot. El motor que hace esto lleva en producción desde 2016.

En 2026, ByteByteGo observó que los sistemas de agentes en producción dependen del modelo mucho menos de lo que sugieren sus demos — la mayor parte del comportamiento se ejecuta a través de código determinista, con el modelo invocado en unos pocos puntos de decisión (ByteByteGo, "Best Practices for Building AI Agents That Work in Production", julio de 2026). El enrutamiento es el más trascendente de esos puntos, y es justamente el que la industria sigue devolviéndole al modelo. Esta publicación trata sobre qué cambia cuando lo sacas de las manos del modelo y lo pones en la topología.

Conclusiones de The Honest Architect

• La topología, no el modelo, decide dónde aterriza una petición — Organization → Network → Community → Room, cada una un polígono real en el mapa (en producción desde 2016).
• La geografía se convierte en contexto de enrutamiento: World Monitor enruta por prefijos de geohash sin PostGIS, de modo que una consulta de viewport es una coincidencia de prefijo, no un join espacial.
• La configuración reemplaza al código: activar un módulo en una sala es un ajuste, no un sprint.

¿Por qué la topología es la capa de enrutamiento que ya tenías?

La topología enruta una petición antes de que algo responda, porque el camino de Organization a Network a Community a Room es en sí mismo la decisión de enrutamiento. Everythink modela cada organización como una topología geoespacial donde cada nivel es un polígono real en el mapa, y una petición se coloca en la sala correcta por geografía y significado antes de que se consulte a un modelo. El mecanismo es la jerarquía; el modelo es un participante tardío.

[UNIQUE INSIGHT] El replanteamiento de que el espacio es el enrutador: un chatbot responde; un sistema operativo de IA enruta. La mayoría de las pilas de agentes tratan el enrutamiento como un problema de clasificación que el modelo resuelve en tiempo de ejecución — clasifica la intención, elige un manejador, reza para que sea el correcto. Everythink trata el enrutamiento como una propiedad estructural ya resuelta cuando la petición llega, porque la petición lleva su ubicación en la topología. El modelo nunca tiene que preguntar "¿para qué sala es esto?" — la sala ya está seleccionada.

Esta es la distinción que ByteByteGo trazó entre workflows y agentes: en un workflow, los pasos y el camino se deciden en tiempo de diseño, antes de que el modelo vea la entrada, y la mayoría de los sistemas en producción construidos sobre LLMs hoy son workflows — predecibles, depurables y más baratos que agentes completos (ByteByteGo, "The Agent Loop: How AI Goes From Answering Questions to Doing Things", julio de 2026). El enrutamiento por topología es una decisión de workflow hecha permanente en datos. No reclasifica en cada llamada. No gasta un token decidiendo lo que un geohash ya dice.

El paso de enrutamiento no cuesta nada en tiempo de inferencia. Ninguna invocación de clasificador, ninguna latencia por un modelo de enrutamiento, ningún token gastado en "¿a dónde debería ir esto?" La topología es una búsqueda, y las búsquedas no alucinan. En un sistema donde una fiabilidad del 95 por ciento por paso se desploma a aproximadamente uno de cada tres éxitos a lo largo de veinte pasos encadenados (ByteByteGo, "Best Practices for Building AI Agents That Work in Production", julio de 2026), eliminar un paso de la cadena es la ganancia de fiabilidad más barata disponible.

¿Cómo se convierte la geografía en contexto sin una base de datos espacial?

La geografía se convierte en contexto haciendo del mapa una estructura de datos de primera clase, no una consulta contra una base de datos espacial. World Monitor de Everythink enruta por prefijos de geohash — codificaciones de cadena corta de latitud y longitud — de modo que una consulta de viewport es una coincidencia de prefijo contra una columna indexada, no un join espacial de PostGIS. Nada de PostGIS. Ninguna extensión GIS. Ninguna reconstrucción de índice espacial. La clave del tile es el geohash, y el prefijo es el polígono.

[ORIGINAL DATA] La serie académica de 21 papers detrás de la plataforma formaliza esto: el identificador de un GeoSignal es un uuidv5(source, native_id) determinista, de modo que reingresar un feed ascendente actualiza el registro existente en lugar de producir un duplicado. Los IDs deterministas convierten el caché geográfico en un objetivo de upsert, y el prefijo de geohash convierte el caché en una tabla de enrutamiento. Un cliente se suscribe a un canal de broadcast por tile de geohash, recibiendo deltas solo para los tiles de su viewport — no una manguera global filtrada del lado del cliente.

Este es el mecanismo detrás de "la geografía es contexto". Una petición desde un viewport sobre Buenos Aires se resuelve en un conjunto de prefijos de geohash; esos prefijos seleccionan las salas, comunidades y redes cuyos polígonos se solapan; el solapamiento es la decisión de enrutamiento. El modelo, cuando habla, recibe una ventana de contexto ya acotada al lugar del que provino la petición.

World Monitor es una pasarela: un poller en segundo plano por fuente tira de un feed externo en un calendario fijo, lo normaliza a un GeoSignal, lo inserta con upsert en el caché duradero de Postgres, y entrega el delta a un publicador (Everythink, World Monitor / Atlas, ✅ Production). Los clientes leen el caché, nunca los upstreams, así que el volumen de llamadas ascendentes está acotado por el calendario de la plataforma — no por la cantidad de clientes. Las fuentes son datos: añadir un feed significa añadir un SourceDescriptor a un registro, nunca tocar el motor. Una fuente cuya clave no está definida se deshabilita sola, así que una clave faltante nunca rompe la plataforma.

¿Cómo se ve la configuración-que-reemplaza-código en producción?

La configuración reemplaza al código cuando el comportamiento de una sala es un conjunto de conmutadores en un registro de datos, no una rama en un release. En Everythink, una sala es un área funcional dentro de una comunidad, y cada sala activa sus módulos por configuración — social, marketplace, calendar, campaigns — de modo que el sistema se reconfigura sin un deploy. Activar un módulo es un ajuste, no un sprint.

[PERSONAL EXPERIENCE] El motor lleva en producción desde 2016. El núcleo conversacional — el HAI engine — lleva una década respondiendo con contexto de sala, y los módulos componibles comparten la misma topología. Una comunidad añade una sala de marketplace igual que añade una sala social: un registro, un polígono, los módulos habilitados. Sin fork, sin conflicto de merge. La forma de la plataforma es un documento, y editar el documento es el release.

Las etiquetas de honestidad importan aquí, porque configuración-sobre-código solo es creíble cuando declaras qué está construido. La Whitelabel Network — web, iOS y Android bajo una sola marca — es ✅ Production. Social, campaigns y World Monitor son ✅ Production. Matchmaking es ⚠️ Partial: útil, no terminado. Marketplace y calendar son ⚠️ Partial. El wallet por red, el community credit y la federación son 🔵 Roadmap — trabajo de diseño fechado para 2026, pre-revenue, no presentado como Production. No escalamos un estado para que parezca terminado. Eso es Theorem 3: una propiedad se garantiza exactamente cuando su mecanismo está implementado y medido.

La razón por la que la configuración escala es la misma por la que la topología enruta: los datos son el sistema. Un registro de sala lleva su comunidad padre, su red, su polígono y sus módulos habilitados. El motor conversacional lee el registro para acotar su contexto; World Monitor lee el polígono para acotar sus deltas. Nada en ese camino requiere que un modelo decida lo que el registro ya dice.

¿Dónde se sitúa el enrutamiento por topología frente a los protocolos de agentes?

El enrutamiento por topología se sitúa delante de los protocolos de agentes, igual que un registro se sitúa delante de una herramienta. En junio de 2026, Hugging Face y contribuidores de Microsoft, Google y GoDaddy publicaron la especificación Agentic Resource Discovery — una capa de descubrimiento frente a MCP, A2A y Skills que define cómo se catalogan, indexan y buscan agentes y herramientas a través de registros federados, para que un agente pueda encontrar capacidades en tiempo de ejecución en lugar de necesitarlas preinstaladas (Hugging Face, "Agentic Resource Discovery: Let agents search for tools, skills, and other agents", junio de 2026). El movimiento central de la especificación es sacar la selección del LLM: un registro indexa capacidades con identidad de publicador, consultas representativas y etiquetas, y un cliente busca antes de que el modelo invoque lo que la búsqueda devuelve.

ARD resuelve el descubrimiento. La topología resuelve la colocación. Son complementarios, y la industria converge en la misma separación que Everythink lleva ejecutando una década: no le pidas al modelo que haga lo que los datos pueden decidir. ByteByteGo lo planteó con claridad: MCP maneja el acceso a herramientas y A2A maneja la comunicación entre agentes, y los dos son complementarios (ByteByteGo, "MCP vs A2A vs ACP: How AI Agents Actually Talk to Each Other", julio de 2026). Everythink añade una tercera capa por debajo de ambos: la topología que decide dentro de qué red, comunidad y sala opera la herramienta o el agente — antes de que se invoque MCP o A2A.

La distinción no es académica. Una herramienta invocada sin colocación es una herramienta invocada sin contexto. Un modelo que descubre el servidor MCP correcto pero no sabe en qué sala está responderá de forma genérica — una regresión en un sistema colocado. La topología da a la herramienta y al modelo el contexto que de otro modo tendrían que inferir, e inferir el contexto es el paso probabilístico que compone error a lo largo de una cadena.

¿Cuándo falla el enrutamiento por modelo sin topología?

El enrutamiento por modelo falla sin topología cuando la señal que necesita es invisible en el momento de enrutar. En julio de 2026, IBM Research argumentó que lo que parece un problema de selección de modelo se convierte rápidamente en un problema de optimización de sistemas, y esa dificultad suele ser invisible en el momento de enrutar — una petición como "resúmeme este contrato" parece simple pero podría disparar recuperación, verificaciones de compliance, uso de herramientas y múltiples rondas de refinamiento (IBM Research, "Model Routing Is Simple. Until It Isn't.", julio de 2026). Los enrutadores, concluyeron, están constantemente haciendo malabares con coste, calidad, latencia, compliance y fiabilidad al mismo tiempo.

La topología no resuelve el enrutamiento de modelos. Retira una clase de entradas del problema del enrutador. Cuando la sala ya está seleccionada, el enrutador no infiere jurisdicción, audiencia ni alcance a partir del texto del prompt — la topología lo lleva. El contrato pertenece a una comunidad y a una sala; las verificaciones de compliance son las configuradas para esa sala; las herramientas disponibles son las habilitadas allí. El trabajo del enrutador se reduce de "inferir todo a partir de una cadena" a "elegir un modelo para una tarea colocada".

Los números de IBM hacen concreto el argumento de coste. A lo largo de 417 tareas en el AppWorld Test Challenge, Sonnet costó $0.19 por tarea mientras que GPT-4.1 costó $0.37 por tarea — casi el doble — porque el comportamiento del caché, no el precio de etiqueta, determinó el coste (IBM Research, "Model Routing Is Simple. Until It Isn't.", julio de 2026). Una topología que acota la ventana de contexto antes de llamar al modelo también acota el prefijo cacheable — la variable que hizo oscilar el coste. La topología de Everythink no enruta modelos, pero hace el trabajo que hace que el enrutamiento de modelos sea tratable: fija el contexto sobre el que el enrutador optimiza.

¿Cómo funciona esto en producción hoy, con honestidad?

Funciona como está etiquetado, no como sugiere una demo. El motor conversacional HAI es ✅ Production y lleva respondiendo con contexto de sala desde 2016. La Whitelabel Network — una marca, una identidad a través de web, iOS y Android — es ✅ Production. Social, campaigns y la pasarela World Monitor / Atlas son ✅ Production. Matchmaking y marketplace son ⚠️ Partial — útiles, no terminados. El wallet por red, el community credit y la federación son 🔵 Roadmap, pre-revenue, sujetos a la revisión Howey antes de cualquier lanzamiento. Nada en la capa de wallet o token está en vivo.

La honestidad es el mecanismo, no una postura. Theorem 3 afirma que una propiedad se garantiza exactamente cuando su mecanismo está implementado y medido. Una capacidad gana Production solo cuando el mecanismo detrás de ella está tanto construido como medido activamente — de lo contrario es Partial o Roadmap. Aplicamos la regla a la topología: el enrutamiento está medido porque las búsquedas de geohash están instrumentadas, las colocaciones de sala se registran, y los upserts del caché se cuentan.

Esta es la versión de honestidad radical que le importa a un arquitecto: no un tono, sino una prueba. En la topología, el mecanismo existe y está midiendo. En el wallet, no. Un comprador revisa el razonamiento, no los adjetivos.

Preguntas frecuentes

¿En qué se diferencia el enrutamiento por topología de un modelo que clasifica la intención?

Un modelo que clasifica la intención es un paso probabilístico que se ejecuta en cada petición y puede equivocarse. El enrutamiento por topología es una búsqueda determinista contra un registro de datos que lleva la ubicación de la petición en la jerarquía. El error compuesto hace que una cadena del 95 por ciento por paso caiga a aproximadamente uno de cada tres éxitos a lo largo de veinte pasos (ByteByteGo, "Best Practices for Building AI Agents That Work in Production", julio de 2026). Eliminar el paso es más barato que mejorarlo.

¿World Monitor de Everythink requiere PostGIS?

No. World Monitor enruta por prefijos de geohash — codificaciones de cadena corta de latitud y longitud — de modo que una consulta de viewport es una coincidencia de prefijo contra una columna indexada. La plataforma usa una instancia de Postgres con pgvector incluido, pero ninguna extensión PostGIS. La clave del tile es el geohash, y el prefijo es el polígono. Esto mantiene la capa de enrutamiento portátil y las consultas baratas.

¿Cuál es el estado de honestidad del wallet y el community credit?

🔵 Roadmap. El wallet de tokens por red y el community credit son trabajo de diseño fechado para 2026, pre-revenue, y no están implementados. Nada en esa capa está en vivo, y nada aquí es asesoramiento financiero, de inversión ni legal. Cualquier mecanismo de tokens o créditos sigue sujeto a los marcos financieros y de valores aplicables, incluido el análisis Howey, y no se lanzará antes de que esa revisión esté completa.

¿Cómo interactúa la topología con MCP y A2A?

La topología se sitúa por debajo de ambos. MCP maneja el acceso a herramientas; A2A maneja la comunicación entre agentes, y los dos son complementarios en producción (ByteByteGo, "MCP vs A2A vs ACP: How AI Agents Actually Talk to Each Other", julio de 2026). La topología de Everythink decide dentro de qué red, comunidad y sala opera la herramienta o el agente antes de que se invoque cualquiera de los protocolos, de modo que la herramienta recibe un contexto colocado en lugar de inferirlo a partir del prompt.

¿Puede una sala cambiar sus módulos sin un deploy?

Sí. Una sala activa sus módulos por configuración — social, marketplace, calendar, campaigns. Activar un módulo es un ajuste en un registro de datos, no un release de código. La plataforma se reconfigura sin redesplegar, que es el mecanismo detrás de la afirmación de configuración-sobre-código.

---

La topología de Everythink ha enrutado peticiones por geografía y significado durante una década, y la industria ahora separa el descubrimiento de la ejecución por la misma razón: el modelo no debería decidir lo que los datos ya dicen. Si quieres ver enrutar a la topología — red a comunidad a sala, en una plataforma en producción desde 2016 — lee los papers o reserva una demo.

Sources

• Hugging Face, "Agentic Resource Discovery: Let agents search for tools, skills, and other agents", retrieved 2026-08-23, https://huggingface.co/blog/agentic-resource-discovery-launch
• ByteByteGo, "Best Practices for Building AI Agents That Work in Production", retrieved 2026-08-23, https://blog.bytebytego.com/p/best-practices-for-building-ai-agents
• ByteByteGo, "MCP vs A2A vs ACP: How AI Agents Actually Talk to Each Other", retrieved 2026-08-23, https://blog.bytebytego.com/p/mcp-vs-a2a-vs-acp-how-ai-agents-actually
• ByteByteGo, "The Agent Loop: How AI Goes From Answering Questions to Doing Things", retrieved 2026-08-23, https://blog.bytebytego.com/p/the-agent-loop-how-ai-goes-from-answering
• IBM Research, "Model Routing Is Simple. Until It Isn't.", retrieved 2026-08-23, https://huggingface.co/blog/ibm-research/model-routing-is-simple-until-it-isnt