Agent 2 no es un simple retoque de interfaz: replantea cómo gestiona el asistente la escala y la ambigüedad. En lugar de limitarse a ejecutar instrucciones de una sola vez, aborda las solicitudes de funciones complejas como tareas de varios pasos: primero hace preguntas aclaratorias y luego propone un plan de implementación secuenciado que debes aprobar. Estos puntos de control reducen los cambios fallidos y dejan un registro claro de las decisiones para quienes crean la aplicación. Además, el agente comprueba si hay errores después de realizar cambios y valida los resultados con el detector de problemas del editor y capturas de pantalla. Para los equipos, esto significa menos regresiones inesperadas y un ciclo de retroalimentación más rápido desde la idea hasta un cambio seguro.

MCP (Model Connector Protocol) es la novedad más destacada: añade Bubble como conector en Claude o ChatGPT y permite que esos modelos inspeccionen la estructura de una aplicación y creen páginas, elementos y flujos de trabajo en directo. No se trata de exportar código estático, sino de ampliar el modelo visual de tu proyecto de Bubble. En la práctica, esto permite importar un prototipo creado mediante programación por intuición, perfeccionar la interfaz de forma iterativa con un LLM en un chat o pedirle a un LLM que añada una página de informes o de administración. Las primeras demostraciones muestran mejoras de velocidad de principio a fin: lo que antes requería pasar el trabajo a un desarrollador puede resolverse en un flujo individual. Pero esto depende de tener controles de acceso y mecanismos claros para deshacer los cambios.

El enfoque por etapas de Agent 2 —hacer preguntas aclaratorias, redactar un plan explícito y solicitar aprobación— reduce la carga mental de quienes crean la aplicación y establece puntos de revisión naturales. Por ejemplo, para añadir un panel de usuario con autenticación, preguntará por las fuentes de datos, los permisos y los casos límite; después, dividirá el trabajo en páginas, elementos reutilizables y flujos de trabajo. Puedes aprobar los pasos generales y dejar que el agente se encargue de los ajustes de interfaz de bajo riesgo. Para los responsables de producto y los auditores, estos puntos de control son recursos útiles: facilitan evaluar el alcance, el despliegue y las estrategias de reversión.

Las plataformas de programación por intuición y los generadores de código que producen resultados de una sola vez son rápidos para crear prototipos, pero suelen generar artefactos difíciles de mantener para quienes no son desarrolladores. La combinación de MCP y el editor visual de Bubble pretende ofrecer un destino fácil de mantener: en vez de exportar código sin procesar, se importa el comportamiento a un modelo visual que los equipos de producto pueden editar. Así, Bubble podría convertirse en un «backend duradero» para los resultados de distintos asistentes de IA. La contrapartida es la gobernanza: para que Bubble sea una capa de ejecución segura y multiagente, necesita un control de versiones sólido, permisos para los agentes y señales de costes más claras.

Estas nuevas capacidades conllevan riesgos operativos: bucles accidentales que llaman a API externas, falta de claridad sobre quién es responsable cuando colaboran agencias o agentes de terceros y costes inesperados a medida que se amplían los flujos de trabajo automatizados. Las medidas actuales de Bubble —puntos de control de Agent, el detector de problemas y la opción de contratar un plan empresarial para cargas de trabajo mayores— son útiles, pero no bastan. Hasta que estén ampliamente disponibles la creación de ramas, un control de versiones más sólido y permisos detallados para los agentes, los equipos deberían tratar el acceso a MCP como las credenciales de una base de datos de producción: limitar los permisos, usar proyectos de pruebas para las creaciones impulsadas por agentes y exigir aprobaciones explícitas antes de los despliegues.