El lab de Sebastián Ocampo
Sistemas de IA: agentes, equipos y resultados
Casos documentados de sistemas y agentes de IA aplicados a funciones reales de negocio (marketing hoy, finanzas y operaciones en camino): qué se construyó, qué costó, qué produjo y cómo se gobierna. Sin teoría prestada: operación real.
La mayoría del contenido sobre IA en la empresa lo escriben personas que venden herramientas o que nunca han operado una. Este lab es lo contrario: cada caso publicado aquí sale de un sistema que yo mismo diseño y opero, con sus números reales. El formato es fijo y no negociable: qué problema había, qué sistema se construyó, qué costó (dinero y horas), qué produjo y qué reglas lo gobiernan.
El lab avanza por verticales. El primero es marketing, con el sistema completo de esta casa documentado como caso de estudio: y8y, una publicación trilingüe operada por una sola persona con agentes de IA. Los siguientes verticales (finanzas y operaciones) se publicarán aquí con el mismo formato cuando sus casos superen la misma vara: números reales o nada.
Trabajo en español, francés e inglés, con foco en Suiza y los mercados europeos donde un sistema bien gobernado justifica ticket alto: allí la gobernanza no es un anexo, es el requisito de entrada. Si quieres discutir tu caso, el camino corto es el perfil.
Casos de estudio
- 2026-07-25 Caso: un estudio de mercado con seis agentes de IA en paralelo, un día de captura y una auditoría dato a dato Seis agentes de IA trabajando en paralelo, cada uno sobre un segmento del mercado, capturaron en un solo día 83 ofertas reales de dirección de IA en Suiza y Europa y las convirtieron en un dataset estructurado de 22 campos por oferta, con la URL de origen en cada fila. El sistema que lo hizo fiable no fue el modelo sino el contrato: campos textuales copiados literalmente, celdas vacías cuando el dato no era visible, definiciones de cada estadística congeladas en un archivo, y una auditoría independiente que recontó cada cifra antes de usarla y encontró dos errores que bloqueaban la publicación. Este caso documenta el sistema completo, sus decisiones, su cuenta honesta y sus fallos.
- 2026-07-25 Caso: la gobernanza que firma. Cómo una operación con agentes de IA decide qué llega a publicarse Gobernar agentes de IA no es escribir un manual: es convertir cada regla en un mecanismo que puede rechazar trabajo. En esta operación real, las reglas editoriales viven como 34 tests automáticos que bloquean la publicación (estructura validada de cada pieza, una consulta por página, cero huérfanos, estilo verificable), el trabajo de los agentes pasa por esas puertas antes de que una persona lo revise y lo firme con su nombre, y los fallos se publican en un registro visible que realimenta las reglas. El principio es transferible a cualquier empresa: si tu política de IA no puede rechazar una pieza de trabajo por sí sola, no es gobernanza, es una sugerencia.
- 2026-07-20 Una persona, tres idiomas, 300 URLs: el sistema editorial de y8y con agentes de IA y8y.ai es una publicación trilingüe de robótica operada por una sola persona con agentes de IA: más de 300 URLs indexables en español, francés e inglés, con verificación de fuentes, esquema estructurado y distribución automatizada, sobre una infraestructura de coste mensual cero (hosting estático). El sistema completo (grafo de contenido en JSON, validación automática, playbook editorial y gobernanza humana del veredicto final) se documenta en este caso.
Blueprints operativos
- 2026-07-26 Blueprint: identificar y priorizar casos de uso de IA (inventario, matriz de decisión y pilotos que se miden) Para identificar casos de uso de IA en una empresa se hace un inventario de tareas (no de tecnologías) preguntando a cada área qué trabajo es repetitivo, caro o con cuello de botella, se puntúa cada candidato en una matriz de tres criterios (valor anual en horas o euros, riesgo de datos y de error, y viabilidad con las herramientas actuales), y se lanzan como máximo dos pilotos con línea base medida y fecha de decisión, donde escalar o matar son los dos únicos resultados válidos. Este blueprint trae la matriz con su rúbrica de puntuación, el charter de piloto de una página, tres ejemplos trabajados y las cinco reglas de decisión, tal como los usamos en nuestra propia operación.
- 2026-07-25 Blueprint: contratar un Chief AI Officer (lo que el mercado pide, lo que calla y lo que esa persona debe montar) Antes de contratar un Chief AI Officer, decide qué figura necesitas de verdad: en un corpus propio de 79 ofertas recientes de dirección de IA en Suiza y Europa, ninguna usa ese título; el mercado contrata Head of AI y líderes de transformación, el 43% les asigna gobernanza y 13 de 79 les piden construir el equipo desde cero. Este blueprint traduce esas ofertas a decisiones: qué figura contratar según tu tamaño y sector, qué pedirle por escrito (y qué exigen sin escribirlo), el sistema operativo de IA que debe montar en 90 días, el equipo que llega después y los KPIs realistas del año uno.
- 2026-07-24 Blueprint: reconstruir tu operación de contenido con agentes de IA (equipo, costes, riesgos y adopción) Un equipo de contenido operado con agentes de IA tiene tres partidas reales: suscripciones y consumo de API de los modelos (de decenas a varios cientos de euros al mes según volumen y modelo), la plataforma (desde casi cero en un sitio estático hasta cuotas de CMS, plugins y APIs de publicación), y la partida dominante, la supervisión humana que revisa y firma cada pieza. La producción por pieza baja a céntimos o pocos euros en tokens frente a decenas o cientos por pieza humana, pero el total honesto solo sale de sumar las tres partidas: este blueprint incluye una calculadora interactiva con precios publicados de Claude y OpenAI para que hagas tu número, no el nuestro.
Respuestas rápidas
- ¿Cómo se mide el ROI de la IA en marketing? El ROI de la IA en marketing se mide como (beneficio incremental menos coste total) dividido por coste total, donde el coste total incluye lo que casi todos olvidan: no solo las suscripciones, sino las horas de supervisión, revisión y corrección humanas. El beneficio incremental se mide contra una línea base previa (qué costaba o cuánto producía la tarea antes), nunca contra cero. Si no existe línea base ni contador de horas de revisión, el ROI que se presente es una opinión.
- ¿Cuánto cuesta implantar IA en una pyme? Implantar IA en una pyme tiene tres partidas reales: suscripciones y consumo de API de los modelos (desde unas decenas hasta varios cientos de euros al mes según volumen), la plataforma o integraciones (desde casi cero usando herramientas generalistas hasta cuotas de software específico), y la partida dominante que casi nadie presupuesta, las horas de supervisión humana que revisan lo que la IA produce. Un piloto serio de dos semanas sobre una sola tarea puede costar solo la suscripción que ya pagas más las horas de una persona; lo que cuesta miles al mes no es empezar, es escalar sin haber medido.
- ¿Cuánto gana un Head of AI en Suiza? Las únicas bandas salariales publicadas por empleadores suizos en nuestro corpus de ofertas reales de dirección de IA (julio de 2026) son CHF 130.000-150.000 brutos al año (base más bonus) y CHF 160.000-200.000 al año, esta segunda vista en un espejo de portal y no en la página del empleador. Son puntos de referencia de ofertas concretas, no medianas de mercado: solo 2 de las 21 ofertas suizas analizadas publican banda salarial, así que el mercado real se negocia casi siempre a puerta cerrada.
- ¿Cuánto tarda implantar IA en una empresa? Los plazos honestos, medidos en operaciones reales: un piloto serio sobre una sola tarea tarda de 2 a 8 semanas (dos de montaje con herramientas generalistas y el resto de medición contra línea base); el sistema operativo completo de IA de una empresa (inventario, política de uso, dos pilotos medidos, comité y KPIs) tarda unos 90 días; y convertir eso en ventaja sostenida es un ritmo trimestral permanente de repuntuar casos y decidir, no un proyecto con fecha de fin. Desconfía de dos extremos: el proveedor que promete transformación en una semana y el que presupuesta un año antes de enseñar nada medible.
- ¿Está mi empresa lista para la IA? Tu empresa está lista para la IA si puede responder sí a cuatro preguntas: ¿tenéis tareas repetitivas de alto volumen escritas con tres números al lado (horas que cuestan hoy, volumen mensual y dueño)? ¿Los datos de esas tareas son digitales y accesibles, no papel ni cabezas? ¿Hay una persona con mandato y tiempo real para llevarlo (media semana durante dos trimestres, no los viernes)? ¿Y hay un patrocinador de dirección dispuesto a que un piloto se mate si los números no salen? Si falla la primera, no tienes un problema de IA sino de método, y se corrige en dos semanas de inventario; si fallan las otras, la IA esperará a que se corrijan.
- ¿Por qué fracasan los proyectos de IA? Los proyectos de IA fracasan casi siempre por cinco causas que no son técnicas: se elige la tarea equivocada (una demo vistosa en vez de una tarea con volumen y dueño), no se mide la línea base antes de empezar (así que nadie puede demostrar mejora), el piloto no tiene fecha de decisión (y envejece en un cajón), nadie supervisa el sistema tras el lanzamiento (la calidad se degrada en silencio cuando cambian los datos o el entorno), y los fallos se esconden en lugar de registrarse (así que se repiten). La investigación independiente apunta en la misma dirección: los fracasos vienen de malentender el problema y los datos mucho más que del modelo.
- ¿Por qué la IA que funcionaba deja de funcionar? Porque un sistema de IA no es software de reglas: el software tradicional hace hoy exactamente lo que hacía ayer, y cuando se rompe, se rompe a la vista. Un sistema que aprende de datos depende de tres cosas que cambian sin avisar (los datos que le llegan, el modelo que lo sirve y el entorno donde opera), y cuando alguna cambia, la calidad no se desploma: se desliza. Se llama deriva, y es invisible salvo que la estés midiendo. El antídoto tiene cuatro piezas: una métrica de calidad medida desde el día uno, un umbral que dispara revisión cuando la métrica cae, versiones para poder volver al estado anterior en minutos, y una fecha trimestral para repuntuar si el sistema sigue mereciendo estar en producción.
- ¿Qué es la certificación CAIM? CAIM (Certified Artificial Intelligence Manager) es la certificación de gestión de inteligencia artificial emitida por PECB, un organismo certificador alineado con normas ISO. Acredita la competencia para dirigir proyectos de IA en una organización: alinearlos con los objetivos de negocio, interpretar sus resultados y garantizar el cumplimiento de la regulación y las políticas internas. Se obtiene superando un examen tras una formación de gestión de IA, y su foco es la dirección y la gobernanza, no la programación.
- ¿Qué es la gobernanza de IA en marketing? La gobernanza de IA en marketing es el conjunto de reglas escritas que definen qué puede hacer un sistema de IA sin aprobación humana, qué requiere revisión, qué está prohibido y quién responde por cada salida publicada. En la práctica mínima son cuatro documentos: una lista de tareas delegables por nivel de riesgo, un flujo de revisión antes de publicar, un registro de fuentes y datos que la IA puede usar, y un responsable con nombre por sistema.
- ¿Qué es un agente de IA en marketing? Un agente de IA en marketing es un sistema que ejecuta una tarea completa de principio a fin (investigar un mercado, producir un informe, preparar una campaña) usando herramientas y tomando pasos intermedios por su cuenta, a diferencia de un chatbot, que solo responde mensajes. La definición práctica tiene tres piezas: un objetivo medible, acceso a herramientas (buscar, leer, escribir, publicar) y límites escritos sobre lo que puede decidir sin una persona.
- ¿Qué es un caso de uso de IA? Un caso de uso de IA es una tarea concreta del negocio, con dueño, volumen mensual y coste actual medible, que la inteligencia artificial puede hacer o acelerar: por ejemplo, "clasificar los 900 correos de soporte del mes, que hoy consumen 45 horas del equipo de atención". No es una tecnología ("poner un chatbot") ni una intención ("usar IA en marketing"): si no puede escribirse como verbo, objeto, volumen y dueño en una línea, todavía no es un caso de uso, es una idea.
- ¿Qué es un Chief AI Officer fraccional? Un Chief AI Officer fraccional es un directivo de IA externo que trabaja para tu empresa unas horas o días por semana en lugar de ocupar una nómina completa: monta el sistema (política de uso, casos de uso priorizados, pilotos con línea base, KPIs) y forma a alguien de dentro para operarlo. Tiene sentido en pymes sin volumen para un puesto completo; en nuestro corpus de 79 ofertas europeas de dirección de IA, 21 son de consultoras o roles de asesoría, señal de que este mercado ya funciona. La cláusula que debes exigir: documentación operativa y una persona interna formada, para que el conocimiento no se marche con el asesor.
- ¿Qué es un piloto de IA? Un piloto de IA es una prueba acotada (4 a 8 semanas, una sola tarea) que mide si un sistema de inteligencia artificial mejora esa tarea frente a una línea base medida antes de empezar, con una métrica pactada, un umbral de éxito y una fecha fija en la que se decide escalar o matar. Lo que no tiene línea base, métrica y fecha de decisión no es un piloto: es una demo prolongada, y las demos prolongadas son la forma más cara de no decidir.
- ¿Qué hace un Chief AI Officer? Un Chief AI Officer es el responsable de que la empresa use la IA con valor medible y riesgo controlado, y su trabajo real tiene cuatro capas: gobernanza (política de uso, registro de riesgos, cumplimiento de marcos como el AI Act europeo o la nLPD suiza), casos de uso (inventariar, priorizar, pilotar con línea base y decidir qué se escala), plataforma y datos (modelos, herramientas, accesos y seguridad) y adopción (formación, campeones internos y KPIs reportados a dirección). En la práctica el mercado europeo casi nunca usa ese título: contrata la misma función como Head of AI o líder de transformación de IA.
Cómo se documenta un caso en este lab
Cada caso responde cinco preguntas en este orden. El problema: qué tarea de marketing era cara, lenta o imposible a mano. El sistema: qué agentes y flujos se montaron, con qué herramientas y qué papel humano. La cuenta: coste total (suscripciones, infraestructura y horas de supervisión) contra producción medible. El resultado: qué cambió en los indicadores que importan, con fecha. La gobernanza: qué puede decidir la IA sola, qué requiere revisión humana y qué está prohibido.
El orden importa porque es el inverso del marketing de herramientas: allí se empieza por la demo y nunca se llega a la cuenta de resultados. Aquí la cuenta es la segunda pregunta, y si un sistema no la supera, el caso lo dice.
Los verticales: la misma disciplina, distinta cuenta de resultados
Marketing es el vertical de entrada porque su producción es medible en público (contenido, posicionamiento, distribución) y su riesgo es acotado. Finanzas es el siguiente: automatización de reporting, conciliación y análisis, donde el coste de un error sube y la gobernanza pasa de recomendable a obligatoria. Operaciones cierra el ciclo: los flujos internos (soporte, documentación, control de calidad) donde los agentes trabajan más horas con menos gloria.
El orden no es casual: es el orden de riesgo creciente. Cada vertical hereda las reglas de gobernanza del anterior y añade las suyas; en mercados regulados como Suiza y la Unión Europea, esa trazabilidad (qué decidió la IA, qué revisó una persona, con qué datos) es exactamente lo que un comité de compras exige antes de firmar.
Skills gratis para agentes de IA
Los métodos de este lab, empaquetados como skills instalables (formato SKILL.md, licencia MIT) para Claude Code, Claude.ai y cualquier agente que lea el estándar. Cada una es útil por sí sola y enlaza a su blueprint largo con ejemplos y fallos. Instrucciones de instalación en el índice de skills.
| Skill | Qué hace |
|---|---|
| honest-case-study | Escribe casos de estudio en los seis tiempos de esta casa: problema, sistema, cuenta honesta, resultado medido, lo que falló y gobernanza. |
| ai-use-case-matrix | Convierte una lista de deseos de IA en dos pilotos medidos: inventario, matriz de tres criterios y charter con fecha de decisión. |
| research-integrity-contract | Hace citable la investigación con agentes: literal o vacío, URL por fila, definiciones congeladas y recuento independiente. |
| honest-ai-cost-account | Calcula el coste real de un flujo de IA con las tres partidas: tokens, plataforma y la supervisión que casi todos omiten. |
Preguntas frecuentes
- ¿Necesito un equipo técnico para montar agentes de IA en marketing?
- Para empezar, no: los primeros sistemas rentables suelen ser flujos de investigación, borradores y control de calidad sobre herramientas existentes, montados por el propio equipo de marketing. Sí necesitas una persona que piense en sistemas (entradas, salidas, revisión, métricas) en lugar de en trucos de prompts. El salto a agentes con acceso a datos y publicación automática ya exige criterio técnico y reglas de gobernanza escritas.
- ¿Qué tareas de marketing conviene automatizar primero con IA?
- Las que cumplen tres condiciones: se repiten cada semana, tienen un formato de salida claro y su error es barato de detectar. En la práctica: investigación de competencia y de palabras clave, primeras versiones de contenido, control de calidad contra una guía de estilo, localización a otros idiomas y reporting. Lo último que se automatiza es lo que toca dinero o reputación sin red: publicación directa, respuestas a clientes y compra de medios.
- ¿La IA va a sustituir a los equipos de marketing?
- Va a cambiar su forma antes que su existencia. Lo que desaparece es el trabajo de producción pura (versiones, formatos, traducciones, informes); lo que se revaloriza es el criterio: qué historia contar, qué medir, qué no delegar. Los casos de este lab muestran equipos más pequeños operando sistemas más grandes, con la persona en el papel de editor y dueña de la cuenta de resultados, no de tecleadora.