La mayoría de las funciones de IA mueren entre la demo y el producto. El prototipo responde de maravilla en una ventana de chat y luego se topa con el negocio real: no puede ver el pedido del cliente, no puede abrir el ticket, se inventa una política que no existe, el trabajo largo que empezó se cae a la mitad, y una tarde el proveedor del modelo sufre una caída que pasa a ser la suya. Los equipos pasan meses con los prompts y nunca llegan al problema, porque el problema nunca fue el prompt.
Este es el stack con el que el estudio lleva funciones de IA a producción para fundadores y equipos de producto: agentes que planifican, actúan y verifican; servidores MCP que dan a los asistentes un acceso seguro y tipado a los propios sistemas de la empresa; enrutamiento entre proveedores de modelos; flujos de trabajo duraderos para los trabajos que no se pueden perder; y salvaguardas con una persona en el circuito. La ventaja está en la plataforma que rodea al modelo, no en un modelo concreto. El resto de esta historia muestra cada pieza y lo que hace posible.
### Una prueba que puede usar ahora mismoEl servidor MCP público que hay detrás de este sitio es el ejemplo en funcionamiento. Conecte cualquier asistente de IA y pregúntele por el trabajo del estudio: lee los registros en vivo a través de veintisiete herramientas tipadas y responde con lo que dicen los datos. Quien llama de forma anónima recibe un conjunto pensado para preseleccionar; una clave gratuita desbloquea el resto. Los datos de contacto nunca salen de la base de datos, las fechas se devuelven con precisión de mes por diseño y nada sin publicar es visible.
Cambie el portafolio por su catálogo de productos, su historial de pedidos o sus registros de soporte y la forma es la misma: un asistente que responde a clientes y empleados con sus propios datos, mediante herramientas que usted definió, en lugar de adivinar a partir de un conjunto de entrenamiento.
### Un servidor MCP entre el asistente y sus sistemasUn servidor MCP se sitúa entre el asistente y su CRM, su base de datos, su sistema de tickets o su CMS, y expone unas pocas herramientas tipadas: entradas validadas, una lista permitida de los campos que cada una puede devolver y un registro de cada llamada. El asistente nunca toca una base de datos en bruto, y la integración se construye una sola vez para todos los asistentes que usa su equipo: soporte a partir de sus propios registros, ventas consultando una cuenta, herramientas internas a las que cualquier asistente puede llamar.
### Agentes que planifican, actúan y verificanUn agente es un asistente al que se le permite actuar, y la diferencia entre uno útil y uno peligroso está en el ciclo que lo rodea. Ante un encargo, escribe un plan que usted puede leer, lo ejecuta con herramientas, comprueba su propio resultado frente a pruebas o reglas de negocio e informa de lo que hizo y de lo que dejó sin tocar. Todo lo que cambia algo en el mundo real espera a una persona.
Para un equipo de producto, eso significa que el trabajo que antes esperaba en la cola de un ingeniero o de un operador avanza por sí solo: un cambio hecho, comprobado y entregado como pull request en borrador; una entrega devuelta localizada, la reclamación preparada dentro del plazo del transportista, el correo al cliente redactado y el seguimiento programado. El agente hace el trabajo pesado, la persona conserva la decisión.
### El modelo adecuado para cada tarea, sin ser rehén de un proveedorNingún modelo es el mejor ni el más barato en todo, y un producto atado a un solo proveedor hereda sus caídas, sus cambios de precio y sus regresiones silenciosas. El stack encamina cada llamada según una política: modelos pequeños y rápidos para clasificar y extraer, modelos más potentes para razonar y redactar, un proveedor elegido por residencia de datos y costo, y un respaldo cuando la primera opción falla o se vuelve lenta.
El estudio ha operado este enrutamiento en producción con AWS Bedrock, OpenAI y Anthropic en una plataforma de flujos de trabajo de IA centrada en agentes. Para su negocio, significa que la factura de IA sigue el valor de cada tarea y no el precio del modelo más caro, y que un incidente de un proveedor queda en una línea de log en lugar de un ticket de soporte.
### Trabajos largos que sobreviven a los fallosEl trabajo real con IA rara vez es una sola llamada. Enriquecer dos mil registros, conciliar un mes de facturas, incorporar a un cliente a través de seis sistemas: cada uno es una cadena de pasos que puede durar horas, y cada paso puede fallar. Los cron jobs y las colas pierden el hilo en cuanto se cae un worker, y una cadena fallida suele reiniciarse desde el primer paso, repitiendo trabajo y reenviando mensajes.
El stack ejecuta el trabajo de agentes de varios pasos como flujos de trabajo duraderos sobre Temporal. Cada paso completado queda registrado, un paso fallido se reintenta con espera progresiva, y un flujo que se cae en el paso siete se reanuda en el paso siete con su estado intacto. Para sus operaciones, eso convierte «el bot se colgó a mitad» en «el flujo se reanudó tras el reintento», que es la diferencia entre una demo de IA y un producto de IA.
### Salvaguardas, y una persona que puede decir que noLas lecturas se ejecutan al instante. Todo lo que escribe espera a una persona, normalmente a partir de un borrador que puede leer antes, y las acciones destructivas informan de lo que ocurriría hasta que se confirman. Cada llamada a una herramienta queda registrada, el acceso de administración del propietario está protegido por tres comprobaciones independientes y los datos de cada tenant están aislados en la capa de almacenamiento, no por convención. Nada de lo que hace un asistente sale sin revisar, y siempre queda un registro.
### Cómo se ve dentro de su negocioUn soporte que responde con sus propios registros en lugar de un guion, y que pasa al cliente a una persona en cuanto hay un reembolso o una excepción de por medio. Agentes de operaciones que presentan la reclamación, apremian al proveedor y programan el seguimiento, con cada mensaje saliente aprobado. Las herramientas internas que su equipo ya usa, expuestas como herramientas MCP para que cualquier asistente pueda llamarlas. Una memoria que conserva el contexto del trabajo anterior, delimitada para que el historial de un cliente nunca se pueda buscar desde el de otro.
Un proyecto empieza en pequeño y se amplía a medida que se gana la confianza: un sistema, herramientas de solo lectura, una política de aprobación que usted fija y un ámbito de memoria que le pertenece. El primer hito es un asistente funcionando con sus datos reales, no una presentación de diapositivas.
### Construido por el ingeniero que también opera la infraestructuraEste stack se puso a prueba a escala empresarial antes de convertirse en el del propio estudio: como líder de ingeniería en una plataforma de flujos de trabajo de IA centrada en agentes, con agentes autónomos, orquestación duradera e integración de LLM de varios proveedores en un SaaS multi-tenant que da servicio a más de mil tenants, sobre Kubernetes en producción. Ninguno de los problemas difíciles fue un problema de prompts. Fueron diseño de esquemas, garantías de aislamiento, seguridad de las herramientas, semántica de reintentos y observabilidad, la misma ingeniería que necesita cualquier sistema en producción.
El servidor MCP público y el acceso de administración que tiene detrás funcionan en infraestructura autogestionada, así que nada sale del edificio. Si quiere una IA que pueda leer sus datos, manejar sus herramientas y recordar su contexto, de forma segura, esta es la forma del trabajo. El servidor que hay detrás de este sitio tiene su propia historia: la plataforma Webanion.