Casos de uso

Lo que construimos, descrito como patrones. Los tres primeros son sistemas que hemos diseñado y operamos nosotros mismos. Los demás son ejemplos que muestran cómo las mismas piezas se adaptan a necesidades habituales de empresas y agencias.

Sistemas que hemos construido

Diseñados, construidos y en uso diario por nuestro propio equipo.

Un asistente de analítica multiagente sobre tu almacén de datos

Haz una pregunta de negocio en lenguaje natural y obtén una respuesta basada en tu almacén de datos, con la consulta que la generó y, cuando la pregunta lo merece, un panel o un informe.

Qué construimos

  • Un agente coordinador que divide la pregunta en pasos y delega en subagentes especializados en SQL, análisis y visualización.
  • Una capa semántica que describe tus tablas, métricas y definiciones de negocio, para que el agente use las mismas cifras que tu equipo.
  • Paneles generados e informes escritos que citan las consultas detrás de cada cifra.
  • Acceso de solo lectura al almacén de datos, límites de coste por consulta y un registro completo de lo que se preguntó y se ejecutó.

Cómo lo construimos

Hemos construido un sistema con esta forma para la inteligencia de negocio del día a día: un agente coordinador recibe la pregunta, un agente de datos escribe y comprueba el SQL sobre modelos documentados, un agente analista interpreta el resultado y un agente de informes lo convierte en un gráfico o en un texto breve. Los analistas revisan todo lo que llega a la dirección; las preguntas rutinarias ya no esperan a que tengan un hueco en la agenda.

Conectores MCP para datos de analítica y de rendimiento en buscadores

Permite que los asistentes de IA consulten directamente los datos de analítica web y de rendimiento en buscadores, para que el equipo de marketing pregunte “¿qué páginas de destino perdieron clics orgánicos el mes pasado?” en lugar de montar el informe a mano.

Qué construimos

  • Servidores Model Context Protocol que exponen los informes de analítica y de rendimiento en buscadores como herramientas bien descritas.
  • Valores por defecto sensatos para rangos de fechas, dimensiones y métricas, para que las preguntas en lenguaje natural se traduzcan en consultas correctas.
  • Credenciales de solo lectura por cuenta y límites que mantienen el uso dentro de las cuotas de las API.
  • Documentación que permite a tu equipo añadir informes nuevos sin tocar el núcleo.

Cómo lo construimos

Hemos construido conectores MCP de este tipo para plataformas de analítica web y de rendimiento en buscadores. Una vez conectado, un asistente puede comparar periodos, desglosar el tráfico por canal o por página y combinar ambas fuentes en una sola respuesta, mientras cada petición sigue siendo de solo lectura y se puede rastrear hasta la persona que la hizo.

Una plataforma de agentes con memoria a largo plazo y subagentes

Un entorno de trabajo en el que los agentes recuerdan el contexto entre sesiones, delegan en especialistas y usan tus herramientas, pensado para el trabajo diario de analítica e ingeniería y no para hacer demos.

Qué construimos

  • Memoria a largo plazo que guarda decisiones, preferencias y el estado de los proyectos, y recupera solo lo relevante para la tarea en curso.
  • Subagentes especializados en áreas como datos, documentación, borradores de comunicaciones o código, cada uno con sus propias herramientas y permisos.
  • Orquestación de herramientas de línea de comandos, API y sistemas internos, con pasos de aprobación para todo lo irreversible.
  • Registros de sesión y notas de traspaso, para que una persona u otro agente pueda retomar el trabajo.

Cómo lo construimos

Usamos una plataforma de este tipo en nuestro propio trabajo de analítica e ingeniería. Cada petición se dirige al especialista adecuado, que recupera la memoria relevante, usa las herramientas que tiene permitidas e informa del resultado; los borradores que llegarían a otras personas esperan una aprobación explícita. La misma arquitectura se puede adaptar a los sistemas y las reglas del equipo de un cliente.

Ejemplos para empresas

Cómo se aplican normalmente estos patrones a las operaciones de una empresa.

Un agente de soporte para una tienda online o un producto SaaS

Un agente que atiende a los clientes por chat y correo a partir de tu contenido de ayuda y de los datos en vivo de pedidos o cuentas, y pasa el caso a tu equipo con todo el contexto.

Qué construimos

  • Respuestas basadas en tu centro de ayuda, tus políticas y la documentación del producto, con fuentes.
  • Acceso de lectura al estado de pedidos, suscripciones o cuentas, para que el agente pueda responder bien a “¿dónde está mi pedido?”.
  • Reglas de escalado para reembolsos, quejas, temas delicados y respuestas de baja confianza.
  • Una revisión semanal de las conversaciones sin resolver que alimenta la base de conocimiento.

Ejemplo de proyecto

Un proyecto típico para un pequeño negocio online: el agente resuelve consultas sobre el estado de los pedidos, las entregas, la política de devoluciones y las cuentas; todo lo que implique dinero, una queja o una petición poco clara pasa a una persona con un resumen y los datos que el agente ya consultó. El equipo ve todas las conversaciones y puede tomar el control en cualquier momento.

Entrada de documentos y correos para un equipo de operaciones

Las facturas, pedidos y solicitudes entrantes se leen, clasifican, extraen y enrutan automáticamente, con una cola de revisión para todo lo dudoso.

Qué construimos

  • Clasificación de una bandeja compartida por tipo de solicitud, con prioridad y el responsable adecuado.
  • Extracción de campos de PDF y adjuntos hacia tu ERP o tu sistema contable.
  • Reglas de validación, por ejemplo, cotejar proveedor e importes con las órdenes de compra.
  • Una pantalla de revisión en la que una persona confirma los casos marcados en segundos, en lugar de volver a teclearlos.

Ejemplo de proyecto

Un proyecto típico para un equipo de back office: cada mensaje que llega a la dirección compartida se clasifica en menos de un minuto, las facturas se extraen y se cotejan con los pedidos abiertos, y solo las discrepancias o los documentos de baja confianza llegan a una persona. Todo lo demás se archiva y queda registrado.

Ejemplos para agencias

Cómo se aplican normalmente estos patrones a una agencia que trabaja con muchos clientes.

Automatización de informes de clientes para una agencia de marketing

Informes mensuales y semanales de clientes generados automáticamente a partir de las plataformas publicitarias y la analítica, con un comentario escrito que el responsable de cuenta revisa.

Qué construimos

  • Extracción de datos de las plataformas publicitarias y la analítica de cada cliente a un único modelo coherente.
  • Plantillas de informe por tipo de cliente, con definiciones acordadas de inversión, conversiones y retorno.
  • Un comentario redactado que explica qué cambió y por qué, para que el responsable de cuenta lo edite y lo apruebe.
  • Alertas cuando la medición de un cliente falla o la inversión sale de los rangos esperados.

Ejemplo de proyecto

Un proyecto típico para una agencia: el primer día hábil del mes, todos los informes de clientes están listos en borrador, las cifras son coherentes entre cuentas y los responsables de cuenta dedican su tiempo al comentario y a la conversación con el cliente, en lugar de a exportar hojas de cálculo.

Revisiones de salud de la medición en los sitios de los clientes

Un agente que comprueba la medición de conversiones y el comportamiento del consentimiento en muchos sitios de clientes, e informa de los problemas antes de que aparezcan como un hueco en los datos.

Qué construimos

  • Comprobaciones programadas que cargan las páginas clave y confirman que las conversiones, los eventos y las señales de consentimiento se disparan según lo previsto.
  • Comparación de las conversiones medidas con las cifras de las plataformas y de los sistemas internos para detectar desviaciones silenciosas.
  • Un resumen en lenguaje natural por cliente de qué falló, desde cuándo y cuál es la causa probable.
  • Un registro compartido para que la agencia pueda mostrar a sus clientes exactamente cuándo se detectó y se corrigió cada problema.

Ejemplo de proyecto

Un proyecto típico para una agencia que gestiona decenas de sitios: en lugar de descubrir a final de mes que el evento de compra estaba roto, el equipo recibe un mensaje breve la mañana siguiente a una publicación del sitio, con las páginas afectadas y el cambio que probablemente lo causó.

Los ejemplos son ilustrativos. Muestran el tipo de sistema que diseñaríamos para esa situación, no un trabajo entregado a un cliente concreto.

Cuéntanos qué le está quitando tiempo a tu equipo.

Basta con un mensaje breve. Te respondemos con una opinión honesta sobre lo que la IA puede y no puede hacer con ese problema.

Empecemos a hablar