StatCraft, el SPSS libre en Rust que habla con agentes IA

¿Qué es StatCraft y por qué debería importarle a un founder?

StatCraft es un paquete de software estadístico gratuito y de código abierto escrito íntegramente en Rust seguro, que se presenta como una alternativa «clean-room» a IBM SPSS Statistics. El proyecto se anuncia como el trabajo de un solo desarrollador y está publicado en GitHub bajo licencia dual MIT / Apache 2.0.

La promesa técnica es inusualmente concreta: cero bloques unsafe, cero panic!, cero unwrap() ni expect(). En la práctica, eso significa que un dataset mal formado, una muestra vacía o una división por cero no deberían cerrar la aplicación: el motor devuelve errores tipados (Result<T, E>) en lugar de colapsar.

Para un founder, la relevancia no está en la estadística sino en el modelo de negocio que hay detrás. El análisis de datos serio —ensayos clínicos, investigación de mercado, validación de encuestas, docencia universitaria— sigue atado a suites propietarias con licencias por asiento y flujos difíciles de automatizar. StatCraft ataca ese hueco por dos lados: costo cero y una interfaz diseñada para que la maneje un agente de IA.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Qué incluye el paquete?

El proyecto cubre el núcleo de lo que un analista usa a diario en SPSS:

Estadística descriptiva: media, error estándar de la media, desviación estándar, varianza, mínimo, máximo, rango, suma, asimetría y curtosis con sus errores estándar, y N válido (listwise).
Frecuencias: conteos, porcentajes, porcentajes válidos y acumulados, desglose de valores perdidos discretos, percentiles y cuartiles.
Pruebas t: de una muestra, de muestras independientes (con prueba de Levene para igualdad de varianzas, t de Student y t de Welch) y de muestras relacionadas (con coeficientes de correlación de Pearson).
ANOVA de un factor: prueba F de Fisher, sumas de cuadrados entre y dentro de grupos, prueba de Levene de homogeneidad de varianzas y estadísticos descriptivos.

A eso se suma una Vista de variables con los 9 tipos canónicos de SPSS (numérico, coma, punto, científico, fecha, dólar, moneda personalizada, cadena y numérico restringido), etiquetas de valores discretos y por rango, valores perdidos configurables y nivel de medición (escala, ordinal, nominal).

En la capa de salida replica el Visor de resultados de SPSS con tablas dinámicas jerárquicas, árbol de navegación y exportación a TSV con un clic, pensada para pegar en Excel sin columnas distorsionadas ni conversiones de fecha no deseadas. Cada comando admite deshacer y rehacer, se serializa a sintaxis estándar .sps y puede ejecutarse sin interfaz gráfica.

El proyecto recomienda Rust 1.80 o superior y se compila con cargo run --package statcraft_app --release -j 1, con un límite de un solo hilo de compilación para no agotar la memoria de la máquina de desarrollo. La interfaz está desacoplada en catálogos de localización Fluent, con cambio de idioma en tiempo de ejecución.

¿Cómo se conecta un agente de IA a un software estadístico?

Aquí está la parte que diferencia a StatCraft de cualquier alternativa libre anterior. El Model Context Protocol (MCP) es el estándar que permite a un modelo de lenguaje conectarse a herramientas y fuentes de datos externas, en lugar de que cada equipo construya su propia integración.

StatCraft levanta un socket IPC local en 127.0.0.1:18493 y un servidor MCP que se activa con el flag --mcp. Desde ahí, agentes como Antigravity, Claude, ChatGPT, Ollama o modelos locales pueden inspeccionar los metadatos del dataset, ejecutar lotes de sintaxis, hacer cálculos matemáticos y volcar los resultados en el Visor de salida en tiempo real. El proyecto se presenta como el primer paquete estadístico con MCP nativo.

El argumento de venta es la división del trabajo: el modelo interpreta la pregunta en lenguaje natural y el motor en Rust hace la matemática. El proyecto afirma una precisión de 10^-6 verificada contra SciPy y los algoritmos de SPSS. Y como todo corre en local, los datos clínicos, corporativos o de investigación no salen de la estación de trabajo.

¿Qué dice el mercado sobre SPSS y las alternativas?

El contexto ayuda a dimensionar la apuesta. Según el análisis de popularidad de software de datos de Robert A. Muenchen en R4Stats, SPSS fue el paquete más citado en artículos académicos durante más de 20 años, pero su dominio tocó techo en 2009 y desde entonces está en declive pronunciado. En avisos de empleo que pedían específicamente el perfil de «statistician», con datos recolectados en octubre de 2022, SAS aparecía en 1.040 avisos, R en 1.012, Stata en 176 y SPSS en 146.

IBM sigue cubriendo el flanco académico con paquetes específicos para estudiantes y docentes, los Grad Pack y Faculty Pack, según su propia página de producto. Es decir: el terreno que StatCraft ataca no está vacío, pero sí tiene un flanco claro —usuarios que necesitan la potencia de un motor estadístico serio sin pagar licencia comercial ni aprender R o Python.

Del lado de los agentes, el protocolo que StatCraft adopta ya no es experimental. Según la encuesta State of Model Context Protocol in Software 2026 de Stacklok, citada por Radware en su anuncio de octubre de 2026, casi la mitad de las empresas de software encuestadas reportaron usar MCP en producción, y un 19% reportó uso amplio en producción. TechCrunch documentó en julio de 2026 una actualización del protocolo para manejar sesiones sin estado y facilitar despliegues a escala, en un contexto donde la startup Arcade levantó US$60 millones en junio de 2026 apostando justamente a la infraestructura para agentes.

El contrapeso: Ars Technica reportó en octubre de 2026 vulnerabilidades de inyección de prompts entre agentes que explotan la confianza entre servidores MCP, incluyendo casos reconocidos por Google y otras cuatro organizaciones. Conectar un agente a un motor local es cómodo, pero abre una superficie de ataque que hay que gobernar.

¿Qué significa esto para tu startup?

1. Revisa tu gasto en software estadístico antes de renovar. Si tu equipo paga licencias por asiento para análisis descriptivos, pruebas t o ANOVA, StatCraft cubre ese núcleo sin costo. Compilarlo requiere Rust 1.80 o superior, y el propio proyecto recomienda hacerlo con un solo hilo para no agotar la memoria de la máquina.

2. Automatiza reportes recurrentes con un agente conectado al puerto local. En lugar de que un analista repita la misma secuencia de diálogos cada semana, un agente puede ejecutar la sintaxis, recuperar las tablas y devolver un resumen en lenguaje natural. El registro de sintaxis queda como rastro de auditoría, algo que en un contexto regulado vale más que la comodidad.

3. Trata el puente MCP como infraestructura sensible. Si vas a exponer un servidor MCP, aíslalo, limita qué comandos acepta y audita qué agentes lo consultan. Los ataques documentados por Ars Technica no explotan al modelo: explotan la confianza entre agentes.

4. Mira el patrón, no solo el producto. StatCraft es un caso de una jugada replicable: tomar un software vertical veterano y caro, reescribir su núcleo con un lenguaje seguro y exponerlo a agentes vía MCP. El mismo movimiento es aplicable a contabilidad, CAD, ERP o herramientas de laboratorio. Si tu startup compite en un vertical con software incumbente de más de 15 años, ese es el hueco.

Conclusión

StatCraft no va a reemplazar a SPSS en un departamento de bioestadística mañana: le faltan ecosistema, validación regulatoria y una comunidad que todavía no existe. Pero como señal es difícil de ignorar. Un solo desarrollador demostró que el núcleo analítico de una suite estadística comercial se puede reescribir en Rust seguro, con precisión verificada y con un puente nativo para agentes de IA, en un momento en que casi la mitad de las empresas de software ya usa MCP en producción.

Para un founder, la lección práctica es doble: hay categorías enteras de software propietario donde el foso competitivo se está volviendo reescritura más agentes, y hay una ventana para probar esas herramientas sin pedir presupuesto. La pregunta ya no es si un agente puede operar tu software, sino si tu software está listo para que un agente lo opere.