# Algorilla Desarrollamos software. Diseñamos sistemas. Algorilla es un estudio de producto. Desarrollamos software y diseñamos los sistemas sobre los que operan las empresas, y Canopy es nuestro producto insignia y la prueba máxima de ese trabajo: un centro de control y un motor gobernado que conecta tus herramientas, hace cumplir tus reglas mientras operan y se vuelve más preciso entre más lo usas. Los productos y servicios de abajo salen todos del mismo estudio. Hecho por Algorilla. Impulsado por Canopy. Operamos nuestra propia empresa sobre Canopy. Todos los días. ### Primary Cta #### Comienza con una auditoría ### Secondary Cta #### Lee nuestros Insights La mayoría de las plataformas están hechas para que los humanos conversen con la IA. Canopy, el producto principal de Algorilla, está hecho para que la IA trabaje dentro de él, con límites claros. Piensa en él como el control de tráfico aéreo de tu operación: tus herramientas, tus datos y tus flujos de trabajo pasan por un solo motor gobernado. Cada acción se verifica contra tus reglas antes de ejecutarse. Cada resultado se recuerda y se compara con lo que vino antes. Eso es el harness. Sin él, hasta la mejor IA comete errores que ningún humano detecta, aun cuando cuestan dinero real. Con él, tu sistema se vuelve más preciso entre más tiempo opera. /es/insights capabilities ### Canopy ### Features shield #### Gobierna cada acción. Buenos datos con malas reglas igual producen malos resultados. Canopy hace cumplir tus reglas antes de que algo se ejecute. Cada acción se verifica. Cada desviación se detecta antes de que se propague. Sin excepciones. connect #### Hecho para agentes, no solo para humanos. Un agente sin buen contexto va a adivinar, y adivinar lleva a errores que se cuelan. Canopy está hecho para la Experiencia del Agente (AX): cualquier herramienta, cualquier IA, cualquier protocolo, todo por un solo motor. Define cómo debe hacerse el trabajo una vez. Ejecútalo igual siempre: desde Slack, la web, la línea de comandos o la API. Sin reconstruir. pulse #### Trabaja mientras tú no. La mayor parte del trabajo se rompe cuando se rompe el contexto: un detalle perdido entre sesiones, un traspaso que no llegó. Canopy no olvida. Cada tarea, cada flujo, cada patrón queda recordado. Cuando regresas, te dice qué cambió, qué surgió y qué te necesita; nada empieza desde cero. layers #### Convierte datos en inteligencia. Los malos datos hacen mala IA, y la mala IA te cuesta. Canopy estudia cada llamada a una API, cada ejecución de flujo y cada conversación. Revisa qué significa cada una, la compara con todo lo que ya sabe de tu operación y la mide contra lo que es normal para ti. Cuando el mismo patrón aparece una y otra vez, se convierte en una regla que opera por sí sola. Cuando ve espacio para mejorar, mejora por sí mismo. Tus datos son lo que vuelve preciso a tu sistema. bell #### Hace visible lo que importa. Demasiado ruido entierra lo importante. Canopy lo filtra. Solo llega a ti lo que necesita una decisión: una desviación en un patrón, una oportunidad que se escapó, un cambio que vale la pena notar. No es un tablero que tienes que vigilar. Es un centro de control que vigila por ti. sliders #### Tú eliges cuánto hace por su cuenta. No todo trabajo debería correr sin ti. Canopy te deja elegir: paso a paso con el control en tus manos, lado a lado como un socio, o operando solo en segundo plano. El harness se mantiene activo en todos los niveles; tú solo eliges qué tan firme. Y puedes cambiarlo cuando quieras. ### Hechos con Canopy Canopy es el centro de control y el motor gobernado. Mejora entre más lo usas. Los productos son lo que ese motor hace posible cuando se encuentra con experiencia real: el mismo harness, otro dominio. Lo demostramos con nuestros propios productos. ### Items #### Valet OS Despacho y coordinación de operaciones Un solo tablero que conserva el panorama que ninguna persona puede mantener en la cabeza. Coordinación de despacho, cumplimiento de SLA, gestión de filas: todo en una vista. Hecho sobre el mismo harness que detecta las malas entradas antes de que se conviertan en cascada. #### Flamenco El hogar de la música en vivo Un solo espacio de trabajo para la gira completa de un artista: analítica de audiencia convertida en sugerencias de mercados con dinero adjunto, planeación de giras y recintos sobre 50,000 espacios, y los vuelos y hospedajes dentro de cada show. El mismo motor, entrenado en giras reales donde una fecha movida nunca debería desordenar el plan. ### Un motor, muchas operaciones Los productos son una forma en que el motor llega a una empresa. La otra es una implementación: tomamos el flujo de trabajo sobre el que corre tu operación y lo ponemos sobre el mismo harness. ### Items #### Planeación de producción y almacén Qué podemos fabricar, qué falta, qué hay que pedir: respondido antes de que empiece el turno Todo empieza con el montón con el que trabaja toda planta en realidad: hojas de cálculo, exportaciones del ERP, correos de proveedores, notas de tiempos de entrega. Canopy le da estructura a ese montón (una sola imagen limpia de los materiales) y aplica la analítica encima, para que las respuestas se mantengan al día. La mayoría de las plantas planea la producción en una hoja de cálculo que una sola persona entiende, a partir de conteos de inventario que ya caducaron ayer. El programa está mal para cuando empieza el turno de la mañana, los faltantes aparecen cuando la línea se detiene y pedir urgente se vuelve un hábito diario. Ponemos esa planeación sobre Canopy: lee tus pedidos, listas de materiales, inventario y tiempos de entrega de proveedores desde los sistemas que ya operas, y le entrega a tu planeador el día respondido: el trabajo que sí puede correr, las piezas que faltan y los pedidos por colocar, cada uno con su razón. Tu planeador aprueba o corrige cada línea. Sin un ERP nuevo. Sin arrancar y reemplazar. Esto ya corre hoy en una planta real, alimentado por las exportaciones de la propia empresa, con sus planeadores aprobando cada línea. #### Evidence El resumen de la mañana #### Brief Lines Fabricable hoy: 15 de 18 órdenes de trabajo Detenidas: OT-1042 — faltan 40 motores · OT-1051 — faltan 300 paquetes de cartón · OT-1057 — la llegada de la resina se movió de jueves a martes Borrador de reposición: kits de sujetadores — 6.5 días de cobertura contra un tiempo de entrega de 14 días Fila de revisión: 37 líneas de lista de materiales — 14 posibles duplicados, 9 sin unidad de medida, 6 sin tiempo de entrega Esperando tu decisión: 2 borradores de compra, 1 ajuste de inventario #### Columns #### Lo que lee Exportaciones y API de tu ERP (Aspel SAE, SAP Business One, NetSuite, Dynamics 365 Business Central, Odoo, Epicor, Infor, Fishbowl, Katana, Cin7) más las hojas de cálculo que toda planta realmente usa. Listas de materiales, movimientos de inventario, tiempos de entrega de proveedores, ubicaciones de almacén. #### Lo que devuelve El programa fabricable. La lista de faltantes, con razones. Borradores de reposición dimensionados al tiempo de entrega y al stock de seguridad. Una fila de excepciones para todo aquello sobre lo que no va a adivinar. #### Lo que queda en tus manos No reemplaza tu ERP. Y nunca actúa más allá del nivel que tú fijes: por flujo de trabajo, tú eliges si prepara todo para la aprobación de tu planeador o si ejecuta por su cuenta, enviando la orden de compra y registrando el ajuste de inventario. En cualquier caso, cada acción queda registrada y nada cambia en silencio. Cómo pedimos que nos juzguen #### Scoreboard Faltantes detectados antes de que la línea arranque, no después Pedidos urgentes por semana, con tendencia a la baja Cumplimiento del programa sobre el plan fabricable Incumplimientos de días de cobertura detectados cuando aún hay tiempo de actuar Minutos que el planeador pasa reconstruyendo el plan de la mañana Excepciones de listas de materiales retiradas de la fila de revisión Cómo empieza un piloto: una planta, un flujo de trabajo, treinta días #### Pilot Días 1–5: conectar las exportaciones, reconciliar los conteos Días 6–10: modo sombra: nuestro resumen contra la hoja de cálculo de tu planeador, con las diferencias registradas Días 11–20: el resumen opera en vivo; el planeador aprueba o corrige cada línea Día 30: revisión de indicadores y una decisión de seguir o no seguir Ver el resumen de la mañana /es/?demo=production Leer: La reconstrucción de la mañana /es/insights/the-morning-rebuild ## Services ### Cómo trabajamos contigo Elige por dónde empezar. Cada paso corre dentro del mismo centro de control. Ver la página completa de Servicios /es/services ### Items search #### Encuentra las fugas Nos sentamos con tu equipo y mapeamos cómo se hace el trabajo en realidad: qué herramientas usan, quién le entrega trabajo a quién, dónde se caen las cosas o se capturan dos veces. Recibes una lista corta y clara: qué te está costando tiempo, qué corregir primero y cuánto vale corregirlo. Sin teoría. Solo lo que vimos y qué hacer después. #### Details Inventario completo de herramientas y flujos de trabajo Análisis de costo en tiempo de los procesos manuales Mejoras rápidas ordenadas por esfuerzo contra impacto Una ruta ordenada por prioridad con estimaciones de retorno Comienza con una auditoría /es/contact check #### Corrige un flujo de trabajo que duele Tomamos el flujo de trabajo que se come las horas o que hay que estar vigilando y lo hacemos correr por su cuenta, dentro de tu centro de control. Tus reglas se verifican en vivo, cada paso queda recordado y trabaja con las herramientas que ya usas. Vive en tus sistemas, no en los nuestros. El harness está activo desde el primer día para que una mala entrada pequeña no se convierta en un mal resultado grande. Una victoria. Después, la siguiente es fácil. #### Details Integraciones a la medida entre tus herramientas actuales Revisión humana integrada donde el flujo la necesita Corre en tu infraestructura, desplegado a tu manera Gobernanza y registro de auditoría en cada paso Corrige un flujo de trabajo /es/contact signal #### Deja que opere tu empresa Instalamos el sistema completo: vigila las desviaciones, hace cumplir tus reglas y mejora en segundo plano. Tú eliges cuánto hace por su cuenta: paso a paso, lado a lado o solo. Nosotros nos mantenemos al día con la parte de IA para que tú no tengas que hacerlo. Solo te muestra lo que te necesita y se vuelve más preciso cada semana. #### Details Monitoreo continuo y detección de anomalías Autocorrección cuando los flujos se desvían Registro y reportes listos para cumplimiento Nuevas capacidades desarrolladas conforme crece tu operación Opéralo por mí /es/contact ## Cta Banner ### Qué te está deteniendo ### Estás operando herramientas poderosas sin un harness, y las malas entradas se cuelan por cada capa. Los humanos pierden detalles. El contexto se pierde. Los agentes adivinan. Las reglas faltan. Canopy es el centro de control que lo detecta antes de que se acumule. ### Primary Cta #### Comienza con una auditoría ### Secondary Cta #### Qué ofrecemos ### ¿Dónde viven nuestros datos y quién puede verlos? Tus datos se quedan donde tú los pones. Canopy se despliega en sitio, híbrido o en la nube — tú eliges — y el marco y los ciclos de mejora corren donde viven tus datos. El acceso está limitado por cliente y por flujo, y cada acción de un agente o de una persona queda registrada y es auditable. No mezclamos los datos operativos de un cliente en el sistema de otro. ### ¿Canopy trabaja con Aspel SAE, SAP Business One, NetSuite o nuestro ERP específico? Muy probablemente, sí. Canopy lee Aspel SAE, CONTPAQi, SAP Business One, Oracle NetSuite, Dynamics 365 Business Central, Odoo, Epicor Kinetic, Infor CloudSuite Industrial, Fishbowl, Katana MRP, Cin7 y QuickBooks — por API donde existe una, o por las exportaciones que tu equipo ya produce. Los ERP que solo exportan hojas de cálculo son el caso normal, no la excepción. Cada plataforma principal tiene su propia página en /es/integrations/ describiendo exactamente qué lee Canopy de ella y qué devuelve. ### ¿Qué es Canopy? Canopy es tu centro de control y tu motor gobernado. Conecta tus herramientas, ejecuta tus flujos de trabajo y hace cumplir tus reglas en vivo. Cada acción se verifica antes de ejecutarse. Cada resultado se recuerda. El motor se vuelve más preciso entre más lo usas. Lo usamos todos los días para operar nuestra propia empresa: el mismo harness que construimos para ti. ### ¿En qué se diferencia de usar ChatGPT o Claude para mi empresa? ChatGPT y Claude son herramientas generales de conversación. Canopy es infraestructura con un harness. Conecta tus herramientas específicas, ejecuta tus flujos específicos y hace cumplir tus reglas específicas, para que las malas entradas no se conviertan en cascada dentro de tu operación. No adivina. Ejecuta lo que definiste, dentro de límites claros. ### ¿Qué industrias y empresas usan Canopy? Equipos donde las herramientas no se hablan entre sí y los traspasos se caen por las grietas: equipos de software, estudios de contenido, operadores de hospitalidad, profesionales del entretenimiento y plantas de manufactura con su planeación de producción. Valet OS (despacho para hospitalidad) y Flamenco (planeación de giras para artistas independientes) son la prueba: el mismo motor, otro dominio. Si tu equipo pasa más tiempo moviendo información entre sistemas que actuando sobre ella, Canopy es para ti. ### ¿Y si mi equipo no puede permitirse errores de automatización? Para eso existe el harness. La investigación muestra que los humanos no detectan las brechas de capacidad ni siquiera cuando les cuestan dinero, y una IA vigilando a otra IA las pierde igual. Canopy no depende de humanos ni de otra IA para detectarlo. Tus reglas se verifican en código antes de que algo se ejecute, así que la mayoría de los problemas se bloquean antes de propagarse. Los pocos que se cuelan se estudian, se comparan con todo lo que el sistema sabe, y cuando ese patrón aparece de nuevo, se convierte en una regla permanente. Los errores no significan que esté roto. Son la forma en que el harness aprende lo que tu operación realmente necesita, en cada capa. ### ¿Ofrecen despliegue local (on-prem)? Sí. Local, híbrido o en la nube: tú eliges. Tus datos se quedan donde tú los pones. El harness y los ciclos de mejora corren donde viven tus datos. ### ¿Cómo es trabajar con Algorilla? Empezamos con una conversación. Aprendemos cómo opera tu empresa: tus herramientas, tus flujos, dónde ya ocurren las malas entradas y los traspasos perdidos. Después mapeamos lo que es posible y definimos el alcance de una construcción sobre Canopy. Sin compromiso a largo plazo. Solo un camino claro hacia adelante. Nosotros nos encargamos del mantenimiento de la IA para que tú te concentres en la operación. ### ¿Canopy puede trabajar con mis herramientas actuales? Sí: Google Workspace, Microsoft, Slack, GitHub, Notion, HubSpot, Salesforce y más. Si tiene una API, Canopy se conecta. Sin migración. Tu conjunto de herramientas pasa por el centro de control en lugar de ser reemplazado. ### ¿Cómo mejora Canopy con el tiempo? Mediante ciclos de mejora dedicados que no tienes que administrar. El motor estudia cada llamada a una API, cada ejecución de flujo y cada sesión: revisa su significado, la compara con tu historial y la mide contra lo que es normal para ti. Detecta cuándo cambian los patrones, convierte los patrones repetidos en reglas y, cuando ve espacio para mejorar, ejecuta entrenamiento que vuelve más precisos los modelos detrás de tus flujos. Esto ocurre en segundo plano, continuamente. Tú obtienes las ganancias. Nosotros nos mantenemos al tanto para que tú no tengas que hacerlo. ### ¿Canopy funciona cuando no estoy en mi computadora? Sí. No se detiene cuando cierras tu laptop. Cada sesión sigue en segundo plano: monitoreando, recordando, detectando malas entradas y traspasos perdidos antes de que se propaguen. Cuando regresas, te dice qué cambió, qué surgió y qué necesita una decisión. Tú no administras el sistema. El sistema se administra solo y te mantiene informado. ### ¿Cuánto control tengo sobre lo que hace Canopy? Control total, en cada flujo de trabajo. Elige paso a paso (tú conduces), lado a lado (él ayuda, tú decides) o autónomo (él opera, solo te busca cuando te necesita). El harness —tus reglas, verificaciones y memoria— se mantiene activo en todos los niveles. Tú solo eliges qué tan firme. Y puedes cambiarlo cuando quieras. ### ¿Qué puede hacer Canopy en realidad desde el primer día? Desde el primer día, Canopy observa cómo funciona tu operación, recuerda todo lo que pasa, verifica el trabajo nuevo contra lo que ya sabe, detecta desviaciones en cada capa (humana, de contexto, de agente, de reglas) y mejora por sí mismo. No necesita estar preprogramado para cada caso, porque estudia qué funcionó, qué no y qué cambió. Se corrige solo. Se vuelve más preciso con el tiempo. Eso es el motor, no una lista de funciones. ### ¿Esto es solo para desarrolladores? No. Empieza con construir, pero no termina ahí. El mismo centro de control que construye también mantiene, mejora y te ayuda a operar lo construido. Los agentes de código se detienen en el editor. Canopy opera tu empresa, con un harness que detecta errores donde el código solo no puede. ### Operamos una planta. ¿Qué reemplazaría Canopy en realidad? La reconstrucción de la mañana: la hoja de cálculo, o el reporte del ERP en el que nadie confía, que tu planeador rehace a mano para saber qué puede correr hoy. Canopy mantiene ese panorama actualizado por sí mismo (pedidos, listas de materiales, inventario y tiempos de entrega verificados entre sí continuamente), así que un faltante es una advertencia con días de anticipación en lugar de una línea detenida. Trabaja con el ERP que ya tienes, incluidos los que solo exportan hojas de cálculo, y trabaja como trabajan los planeadores: el sistema recomienda, tu gente decide. ### ¿Con qué industrias trabajan? Operaciones de hospitalidad, administración de propiedades, manufactura y planeación de producción, entretenimiento, estudios creativos, equipos de software: cualquier operación donde las herramientas no se hablan y el trabajo importante se escapa. Valet OS opera en producción sobre Canopy, Flamenco se está construyendo sobre el mismo motor y los fabricantes corren su planeación de producción en él. Probado en distintos dominios porque el harness, no el flujo de trabajo, es lo que hace confiable la especialización. --- # Laboratorio de investigación ## Laboratorio de investigación Investigar es cómo construimos. Cada artículo con base en ciencia del comportamiento, teoría de gobernanza y diseño de sistemas, probado a diario en nuestra propia operación. ### GROW: A Self-Healing Governance Protocol for Autonomous AI Agents 2026-07-04 Un documento de trabajo que presenta GROW, un protocolo de gobernanza que se autorrepara para agentes autónomos de IA. GROW lleva la gobernanza programática a la capa de infraestructura para cerrar la brecha del momento de ejecución en el ciclo de vida de la gobernanza de la IA, mediante persistencia de estado basada en pulsos, aplicación determinista de conformidad y retroalimentación por desviación de comportamiento. ### La reconstrucción de la mañana 2026-11-09 Toda planta opera dos programas: el del ERP y el de la hoja de cálculo del planeador. La reconstrucción de la mañana es donde se reconcilian, a mano, todos los días. No tiene por qué ser así.

A las 6:40 de la mañana, antes de que el primer turno haya encontrado su café, la planeadora de producción ya está haciendo el trabajo que nadie presupuestó. El ERP produjo un programa anoche. Esta mañana lo está reconstruyendo a mano: revisando qué órdenes de trabajo sí pueden correr, qué piezas están realmente en el anaquel, qué proveedor movió una fecha sin avisar. La hoja de cálculo está abierta. Siempre está abierta. Para cuando empieza la junta, el plan que presenta es suyo, no del sistema.

El plan está bien. El día es distinto.

No es exactamente una falla de software. El ERP tiene razón sobre el plan: dados los pedidos, las listas de materiales y el inventario que le dijeron, el programa que produjo es correcto. La hoja de cálculo tiene razón sobre el día: la planeadora sabe que el conteo del pasillo cuatro está mal, que la promesa de jueves de un proveedor significa martes, que una máquina prefiere no cambiar de formato dos veces. Ambos tienen razón. Nada los conecta, así que una persona lo hace: cada mañana, de memoria, contra el reloj.

Cuatro preguntas, cada mañana

Reduce la reconstrucción y son cuatro preguntas. ¿Qué podemos fabricar? ¿Qué falta? ¿Qué hay que pedir? ¿Qué está a punto de agotarse? Todo plan de producción es una respuesta a esas cuatro, y cada mañana hay que responderlas de nuevo, porque las respuestas de ayer caducaron en la noche: una entrega se atrasó, un conteo estaba mal, llegó un pedido urgente. La habilidad de la planeadora no es responderlas una vez. Es responderlas a diario, contra datos que no se quedan quietos.

Fíjate en lo que las preguntas necesitan. No un mejor tablero. Una vista unida: los pedidos explotados a través de sus listas de materiales, verificados contra el inventario como realmente está, con los tiempos de entrega de los proveedores adjuntos, y las brechas nombradas, con razones, a tiempo para actuar.

Los faltantes se descubren en la línea porque eran invisibles en el plan

Pregunta a un gerente de planta dónde aparecen los faltantes y rara vez oirás «en el programa». Aparecen en la línea, después de que el trabajo empezó, cuando la pieza que falta detiene todo y empiezan las llamadas de urgencia. La pieza faltó toda la semana. Nadie pudo verlo, porque el plan se construyó sobre una cifra de inventario que caducó el día en que se capturó, y la lista de materiales que habría expuesto el faltante nunca se explotó contra el inventario real.

La misma invisibilidad protege los datos malos. SKU duplicados. Una lista de materiales con el tiempo de entrega en blanco. Una unidad de medida que significa una cosa en compras y otra en el almacén. En una hoja de cálculo son errores de dedo. En un plan son paros que todavía no ocurren.

Pedir urgente es un hábito, no una excepción

Toda planta pide urgente. El problema es cuando pedir urgente se vuelve el plan: flete exprés como partida presupuestal, compradores que pasan sus mañanas persiguiendo piezas en lugar de negociarlas, inventario «por si acaso» comiéndose el almacén en silencio. Pedir urgente es caro precisamente porque es reactivo: paga precios de urgencia para recuperarse de información que llegó tarde. La mayor parte de esa información estuvo en el edificio todo el tiempo. Estaba en el ERP, en el correo de un proveedor, en un conteo que nadie reconcilió.

Qué cambia cuando el resumen ya viene respondido

La solución no es un ERP nuevo, ni una IA que opere la planta. Es más pequeña que eso: conectar lo que ya existe y responder las cuatro preguntas antes de que empiece el turno. Los pedidos, las listas de materiales, los movimientos de inventario y los tiempos de entrega ya viven en los sistemas y hojas de cálculo de la planta. Léelos juntos y la mañana empieza con un resumen en lugar de una reconstrucción: estas órdenes de trabajo pueden correr; estas tres están detenidas, y aquí está la pieza exacta, la cantidad y la razón; este pedido hay que colocarlo hoy, porque la cobertura se agota antes de que se cumpla el tiempo de entrega; estas líneas de la lista de materiales son demasiado inciertas para planear sobre ellas y están en fila para que una persona las resuelva.

La planeadora sigue decidiendo. Aprueba los borradores de compra o los corrige, y sus razones se guardan, así que el resumen del próximo mes es más inteligente que el de este mes. Lo que deja de hacer es la arqueología: excavar la verdad de cuatro sistemas antes de que se le permita pensar. Su juicio siempre fue el recurso escaso. La reconstrucción lo estaba gastando en reconciliación.

Las plantas no necesitan más ceremonias de software. Necesitan la verdad sobre hoy, lo bastante temprano para actuar sobre ella. Responde las cuatro preguntas antes del turno y la junta de la mañana deja de ser una disculpa por el programa, y empieza a ser un plan.

### Escrito para máquinas, leído por personas 2026-11-12 La búsqueda ya no es solo personas tecleando palabras clave. Los agentes hacen preguntas y toman la primera respuesta — y los agentes no arrastran widgets de JavaScript. Esta semana republicamos nuestro propio sitio como dice la evidencia: cada página en Markdown, cada afirmación importante en texto plano.

La pregunta cambió. Un gerente de planta que antes tecleaba palabras clave en Google ahora le pregunta a un agente: ¿qué deberíamos usar para planear la producción desde las exportaciones de nuestro ERP? El agente trae un puñado de páginas, lee lo que puede y da una respuesta. No tres enlaces azules. Una respuesta. Si tu página no puede ser leída por lo que la trae, no estás en la respuesta — sin importar qué tan bien se vea la página para una persona.

Qué encontramos en nuestro propio sitio

Auditamos algorilla.org como lo lee un agente. Parte aguantó: nuestra página principal trae catorce preguntas y respuestas en texto plano, y el bloque de evidencia de producción — el resumen matutino, el marcador, la forma del piloto — es texto real que un lector automático puede citar. Parte no. Nuestro llms.txt era una lista pelada de enlaces. La prueba más rica del sitio, cuarenta y un escenarios de demo, se reproducía dentro de un widget de chat en JavaScript que un agente que trae páginas nunca ejecuta. Nuestras páginas de producto tenían pocas de las respuestas en forma de pregunta que la página principal ya tenía. Y pedirle al sitio una página en Markdown devolvía el HTML de la página principal, que es peor que no devolver nada: le enseña al lector un dato equivocado con confianza.

Qué publicamos

Cada página de este sitio ahora se publica en Markdown, generado desde los mismos archivos fuente que el HTML — una sola fuente, para que los dos nunca se separen. Pide cualquier página con un encabezado Accept: text/markdown y recibes el Markdown directamente. El índice llms.txt ahora trae la sustancia, y llms-full.txt guarda todo el sitio como un solo archivo de texto. Los escenarios de la demo están escritos como una página de texto. Productos y Valet OS ganaron el tratamiento de preguntas y respuestas que la página principal ya tenía. Hay páginas de comparación — contra la reconstrucción matutina en hoja de cálculo, contra la IA de chat general, contra la automatización genérica — y una página para cada plataforma principal a la que nos conectamos, diciendo exactamente qué leemos de ella y qué devolvemos. Hay una página para los propios agentes: cómo se conectan a Canopy, qué pueden hacer y las reglas bajo las que trabajan.

La regla debajo

Nada de esto es un truco, y ese es el punto. La disciplina es la misma que vendemos: escribe en texto plano todo lo que un widget muestra, mantén una sola fuente de verdad, y responde las preguntas que la gente realmente hace en las palabras en que las hace. Un agente que lea este sitio nos describirá con precisión — incluidas las cosas que elegimos decir con claridad en lugar de dejarlas a la adivinanza. No publicamos precios, por ejemplo, y ahora el sitio legible por máquinas lo dice con todas sus palabras, para que un modelo pueda afirmar ese hecho en lugar de inventar una cifra o llamar oscura la oferta.

Diseñar para agentes resulta ser diseñar para lectores que no pueden ver tu diseño. Lo que sobrevive esa prueba es la sustancia: los datos, la evidencia, las respuestas. Que es lo que se supone que cargaba el sitio desde el principio.

### No necesitas más automatización. Necesitas el nivel correcto de autonomía. 2026-05-23 La mayoría de las plataformas de automatización te obligan a un solo modelo: totalmente manual o totalmente autónomo. La investigación dice que el mejor enfoque está en un punto intermedio, y que la infraestructura no debería obligarte a elegir.

Cada semana aparece una herramienta de IA nueva que promete operar tu empresa por ti. Y cada semana, alguien sale quemado por una que lo llevó al precipicio.

El problema no es la tecnología. Es el planteamiento. La mayoría de las plataformas presenta la autonomía como una elección binaria: o controlas todo manualmente, o entregas las llaves por completo. Ninguna de las dos es correcta para la mayoría de las empresas.

La brecha en la investigación

La investigación sobre humanos en el ciclo (human-in-the-loop) de Elementum AI muestra que los sistemas autónomos más efectivos no son los que eliminan la supervisión humana, sino los que te dejan elegir exactamente dónde queda la frontera. La línea entre lo que el sistema hace automáticamente y lo que requiere aprobación humana es distinta para cada equipo, cada flujo de trabajo y cada nivel de confianza.

Sin embargo, la mayoría de las plataformas obliga a un solo modelo. Obtienes un motor de reglas rígido que nunca aprende, o una IA de caja negra que no puedes auditar. La investigación dice que ninguno de los dos extremos le sirve bien a la mayoría de las empresas. (Elementum AI, Human-in-the-Loop Agentic AI, 2025)

El espectro de autonomía

La alternativa es un espectro. Tres niveles, cada uno válido para situaciones distintas:

Automatización pura. Reglas deterministas, sin IA. Herramientas conectadas, flujos en operación, cada acción predecible y auditable. No es «menos avanzado»: es la elección correcta para procesos con mucho peso de cumplimiento, donde la auditabilidad importa más que la velocidad.

Asistido por IA. Los agentes se encargan del volumen, los humanos conservan el juicio y la responsabilidad. El sistema propone, el operador dispone. Aquí es donde la mayoría de las empresas debería pasar la mayor parte del tiempo: el 80/20 de la autonomía.

Totalmente autónomo. El sistema se opera a sí mismo dentro de los límites que tú defines. Cuando algo se desvía, se autocorrige. Tú defines las barreras; él opera dentro de ellas. Este es el destino, no el punto de partida.

La implicación para la infraestructura

La idea clave de la investigación es que no son tres productos distintos. Son tres configuraciones de la misma infraestructura. El sistema subyacente (las conexiones entre herramientas, las definiciones de flujos, los registros de auditoría) permanece idéntico. Lo que cambia es la frontera de autonomía.

Aquí es donde entra Canopy. Es la misma infraestructura en cada nivel: el mismo motor, la misma capa de gobernanza, los mismos registros. Tú eliges dónde poner la frontera. Y cuando tu confianza crece, mueves la frontera, no reconstruyes el sistema.

La mayoría de las plataformas te cobra más por más autonomía. El mejor enfoque: cobrar por la infraestructura y dejar que el nivel de autonomía sea una configuración, no un nivel de producto.


Fuentes
Elementum AI (2025). Human-in-the-Loop Agentic AI.
Dunford, A. (2019). Obviously Awesome: How to Nail Product Positioning So Customers Get It, Buy It, Love It. April Dunford.

### Cada decisión que tomas empieza con un número que no elegiste 2026-05-23 El primer número que escuchas fija un punto de referencia contra el que se mide todo lo que sigue. Es uno de los hallazgos más sólidos de la economía del comportamiento, y opera lo notes o no.

En 1974, Kahneman y Tversky pidieron a un grupo de personas que estimara el porcentaje de naciones africanas en la ONU. Antes de responder, giraron una ruleta amañada para caer en 10 o 65. Quienes vieron 10 estimaron 25%. Quienes vieron 65 estimaron 45%. El número aleatorio, sin ninguna relación con la pregunta, jaló a ambos grupos hacia él.

Eso es el anclaje: la tendencia de que una sola pieza inicial de información influya desproporcionadamente en cada juicio posterior. Se ha replicado cientos de veces en bienes raíces, sentencias, negociaciones salariales y precios al consumidor.

Por qué el anclaje importa más allá de los precios

El anclaje suele discutirse en contextos de precios, pero su alcance es mayor. Todo sistema que involucra juicio humano contiene anclas. El ajuste predeterminado de un menú de configuración es un ancla. El primer resultado de una búsqueda es un ancla. La instrucción inicial de una interacción fija un ancla para todo lo que sigue.

Un estudio de 1987 de Northcraft y Neale dio a agentes inmobiliarios experimentados un recorrido completo por una propiedad, paquetes detallados de información y un precio de lista sugerido. A pesar de su experiencia, los agentes que recibieron un precio sugerido más alto valoraron la propiedad entre 12% y 15% más alto, y la mayoría negó haber sido influida. (Northcraft & Neale, 1987)

Lo que esto nos dice: el primer número no solo influye en la respuesta. Cambia qué información se siente relevante. Cuando anclas alto, la evidencia consistente con una estimación alta se siente importante. Cuando anclas bajo, los mismos datos pueden parecer irrelevantes.

La asimetría

El anclaje tiene una asimetría que importa para el diseño de sistemas: las primeras anclas son mucho más poderosas que las posteriores. Una vez establecido un punto de referencia, moverlo requiere contraevidencia desproporcionadamente fuerte. El ancla actúa como un filtro sobre lo que notas.

Ariely, Loewenstein y Prelec lo demostraron en 2003. Las personas expuestas a un ancla alta no solo ajustaron su disposición a pagar: cambiaron qué características del producto consideraban importantes. Quienes vieron un precio alto se concentraron en la calidad. Quienes vieron uno bajo se concentraron en el costo. El ancla no cambió el número. Cambió los criterios. (Ariely, Loewenstein & Prelec, 2003)

La lección para el diseño de sistemas

Esto tiene una implicación directa para cómo diseñas cualquier sistema que moldea decisiones: la primera interacción importa desproporcionadamente. Las condiciones iniciales (el primer resultado, el primer dato, la primera restricción) no solo inician la conversación. Fijan el marco para todo lo que sigue.

Por eso las estructuras de gobernanza importan tanto como las capacidades. Un sistema que define sus límites con claridad desde la primera interacción crea un marco de referencia que moldea todo el comportamiento posterior. Las restricciones iniciales no son restricciones: son anclas que evitan que el sistema se desvíe hacia territorio que no pretendías.

Este principio, que las condiciones iniciales importan fuera de proporción respecto a su contenido informativo, aplica igual si diseñas una página de precios, una automatización de flujos o un agente autónomo. Lo que va primero no solo inicia las cosas. Fija la trayectoria.


Fuentes
Kahneman, D., & Tversky, A. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124-1131.
Northcraft, G. B., & Neale, M. A. (1987). Experts, Amateurs, and Real Estate. Organizational Behavior and Human Decision Processes, 39(1), 84-97.
Ariely, D., Loewenstein, G., & Prelec, D. (2003). Coherent Arbitrariness. Quarterly Journal of Economics, 118(1), 73-106.
Mussweiler, T., Strack, F., & Pfeiffer, T. (2000). Overcoming the Inevitable Anchoring Effect. Personality and Social Psychology Bulletin, 26(9), 1142-1150.

### Construir en privado: infraestructura antes que producto 2026-05-23 No tenemos casos de estudio. Lo que tenemos es un sistema en producción que opera nuestra propia empresa todos los días: el mismo centro de control que construimos para ti.

La mayoría de las startups construye en público porque tiene que hacerlo: financiamiento, validación, tracción. Construir en público moldea el producto, a veces de formas que comprometen la arquitectura.

Nosotros tomamos el enfoque contrario. Algorilla nació porque las herramientas que necesitábamos no existían. Canopy se construyó con inversión intencional en arquitectura: cada iteración corrigió algo que realmente importaba, no algo que una junta directiva exigiera.

Lo que te da construir en privado

El desarrollo privado no es un retraso. Es una ventaja arquitectónica. El sistema se reconstruyó más de cien veces a partir del uso diario real: no de estudios de mercado, no de grupos focales, sino de la fricción de operar una empresa real todos los días.

Cada capacidad existe porque resolvió un problema real. No hay deuda técnica por escalar antes de tiempo, no hay funciones lanzadas para un día de demostración. La infraestructura que construimos para nosotros, Canopy, opera nuestra propia empresa a diario. Cada integración, cada flujo, cada automatización es algo que usamos internamente antes de ofrecerlo a alguien más.

El ciclo, y la ruptura

Construir en privado crea un dilema: sin portafolio público, sin casos de estudio, sin clientes anteriores. El instinto natural es seguir construyendo: darle más vueltas, reconstruir, seguir sin publicar. Es un ciclo.

La ruptura es la auditoría. Una inmersión profunda y enfocada en los sistemas reales de alguien: dos días, un entregable concreto, sin necesidad de portafolio. La auditoría se valida a sí misma en días. De ahí: lanzar algo pequeño, recibir retroalimentación, iterar. El propio sistema se encarga de la iteración: alfa, parche, mejora.

Sin presentaciones. Sin casos de estudio. Solo infraestructura que funciona y que opera una empresa real, y que puede operar la tuya también.

### Por qué prevenir el fracaso supera a optimizar para el éxito 2026-05-23 La aversión a la pérdida es uno de los hallazgos más sólidos de la ciencia del comportamiento: el dolor de perder es aproximadamente el doble de poderoso que el placer de ganar. El mismo principio aplica a cómo diseñas sistemas autónomos.

La teoría de prospectos de Kahneman y Tversky, un trabajo que ganó un Premio Nobel, produjo un hallazgo que se ha sostenido en cientos de replicaciones: las personas sienten el dolor de una pérdida aproximadamente el doble de intensamente que el placer de una ganancia equivalente. Pierde $100 y necesitas ganar $200 solo para quedar emocionalmente parejo.

Eso es la aversión a la pérdida, y suele discutirse en el contexto de marketing y ventas. «Deja de perder $X» supera por mucho a «Ahorra $X» porque le habla al sistema de detección de amenazas del cerebro, que está mucho más desarrollado que su sistema de búsqueda de recompensas.

Pero el mismo principio tiene implicaciones profundas para el diseño de sistemas.

El paralelo de la gobernanza

Cuando diseñas un sistema autónomo, tienes dos enfoques. Puedes optimizar para la máxima producción: exprimir cada gramo de rendimiento, buscar la ruta más eficiente. O puedes definir límites que prevengan el fracaso: barreras que mantengan al sistema dentro de parámetros seguros de operación, aunque eso signifique sacrificar algo de rendimiento máximo.

La investigación sobre aversión a la pérdida sugiere que el segundo enfoque es más robusto. Un sistema diseñado para prevenir el fracaso superará, en promedio, a uno diseñado para maximizar el éxito, porque los eventos de fracaso son asimétricos. Un solo fracaso catastrófico puede borrar semanas de ganancias incrementales.

Ese es el principio de gobernanza: define lo que el sistema NO debe hacer antes de definir lo que debería hacer. Las restricciones no son restricciones: son la base que hace posible todo lo demás.

Dónde se manifiesta

Se manifiesta en todo sistema autónomo bien diseñado. Los registros de auditoría no sirven para atrapar errores: sirven para crear las condiciones en que los errores pueden detectarse y corregirse antes de que se acumulen. Los mecanismos de autorreparación no sirven para evitar todos los errores: sirven para asegurar que, cuando los errores ocurren, no se conviertan en cascada.

Los sistemas más capaces no son los que tienen menos restricciones. Son los que tienen los límites más claros, porque los límites hacen que ejercer la capacidad sea seguro.

Es la misma lógica que gobierna la arquitectura de Canopy: define primero las barreras y después deja que el sistema opere libremente dentro de ellas. La capa de gobernanza no es un añadido empernado sobre la capa de capacidad: la precede. Prevención antes que optimización.


Fuentes
Kahneman, D., & Tversky, A. (1979). Prospect Theory: An Analysis of Decision under Risk. Econometrica, 47(2), 263-292.
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Cialdini, R. (2007). Influence: The Psychology of Persuasion. HarperBusiness.

--- # Contacto ## Contacto Cuéntanos qué operas. Te decimos qué es posible. hello@algorilla.org ## Left Estás aquí porque algo en tu operación no funciona como debería. ### Points #### Herramientas que no se hablan entre sí. Flujos de trabajo con traspasos manuales. Automatización que funciona hasta que deja de funcionar. Tú conoces las brechas. Nosotros te decimos cómo cerrarlas. #### Esto es lo que sigue. Revisamos tus sistemas. Mapeamos tus flujos de trabajo. Entregamos una ruta ordenada por prioridad con estimaciones de retorno, específica para tu operación, no genérica. En días, no semanas. #### ¿Y si no tiene sentido? También te lo diremos. Sin discurso de venta, sin compromiso a largo plazo, sin perder tu tiempo. Solo una respuesta directa sobre lo que es posible y lo que vale. ## Form Canal FORMULARIO DE CONTACTO Respuesta 24-48 HORAS Tú Contexto Necesidad Paso de Nombre completo ej. Alex Rivera Correo electrónico alex@empresa.com Empresa Nombre de la empresa Siguiente Atrás Enviar Tu puesto Selecciona tu puesto Ingeniero / Desarrollador Gerente de ingeniería Director / VP Dirección / Fundador Consultor / Independiente Otro Tamaño de la empresa Selecciona un rango Industria ej. Hospitalidad, Entretenimiento, Tecnología ¿Qué buscas resolver? ej. Operamos el valet de 3 hoteles y necesitamos seguimiento del despacho en vivo con cumplimiento de SLA. ¿En qué punto del proceso estás? Selecciona una etapa Explorando opciones Evaluando soluciones específicas Listo para empezar Herramientas / sistemas actuales ej. PMS, POS, radio de despacho, hojas de cálculo O escríbenos directamente Interés en Valet OS Interés en Flamenco (acceso anticipado) Enviando... Gracias. Te contactaremos en 24-48 horas. Algo salió mal. Escríbenos directamente a hello@algorilla.org. --- # Aviso de privacidad 14 de junio de 2026 ### Quiénes somos Algorilla proporciona infraestructura de automatización a la medida. Este aviso de privacidad explica cómo recopilamos, usamos y protegemos tus datos personales cuando visitas algorilla.org o interactúas con nuestros servicios. ### Fields #### Responsable Algorilla — Roosevelt Robinson #### Contacto hello@algorilla.org #### Ubicación Los Ángeles, CA ### Qué datos recopilamos Recopilamos solo los datos necesarios para prestar y mejorar nuestros servicios. ### Categories #### Contacto e identidad Nombre, correo electrónico, nombre de la empresa: proporcionados cuando nos contactas o solicitas una consulta #### Datos de uso Visitas a páginas, fuente de referencia, tipo de navegador, información del dispositivo: recopilados automáticamente #### Cookies y analítica Cookies de sesión para el funcionamiento del sitio, cookies de analítica para entender los patrones de tráfico #### Comunicaciones Correspondencia por correo, solicitudes de consulta, consultas de soporte ### Por qué procesamos tus datos Procesamos tus datos con estos fines: ### Purposes Responder a tus consultas y ofrecerte consultas Interés legítimo: tú iniciaste el contacto Mejorar nuestro sitio web y nuestros servicios Interés legítimo: entender cómo los visitantes usan nuestro sitio Enviarte la información sobre nuestros servicios que solicitaste Consentimiento: tú nos pediste que te contactáramos Cumplir obligaciones legales Obligación legal ### Compartición de datos y terceros No vendemos tus datos personales. Podemos compartir datos con proveedores de servicios de confianza que nos ayudan a operar nuestro sitio web y nuestro negocio: ### Recipients #### Cloudflare CDN, DNS, protección contra DDoS Global (Marco de Privacidad de Datos UE-EE. UU.) #### Proveedores de correo Comunicación contigo Estados Unidos #### Servicios de analítica Análisis anónimo de tráfico Estados Unidos ### Transferencias internacionales Si estás en la UE/EEE/Reino Unido, tus datos pueden transferirse a Estados Unidos y procesarse ahí. Nos aseguramos de que existan las salvaguardas adecuadas, incluidas las Cláusulas Contractuales Tipo cuando se requieran. ### Tus derechos Según tu jurisdicción, puedes tener derechos sobre tus datos personales: ### Rights Acceso: solicitar una copia de tus datos Corrección: solicitar correcciones a datos inexactos Eliminación: solicitar la eliminación de tus datos Portabilidad: solicitar tus datos en un formato portable Oposición: oponerte al procesamiento basado en intereses legítimos Retiro del consentimiento: retirarlo en cualquier momento Para ejercer cualquiera de estos derechos, contáctanos en hello@algorilla.org. Responderemos en un plazo de 30 días. ### Cookies Nuestro sitio web usa cookies para funcionalidad básica y analítica. ### Types #### Estrictamente necesarias Cookies de sesión, tokens CSRF: necesarias para que el sitio funcione #### Analítica Datos anónimos de tráfico: nos ayudan a entender qué páginas son más útiles Puedes controlar las cookies desde la configuración de tu navegador. Desactivar ciertas cookies puede afectar la funcionalidad del sitio. ### Retención de datos Conservamos tus datos personales solo el tiempo necesario: ### Retentions Consultas de contacto 2 años después de la última interacción Datos de analítica 26 meses (anonimizados después) Comunicaciones Duración de la relación + 1 año ### Seguridad Aplicamos medidas técnicas y organizativas adecuadas para proteger tus datos, incluido cifrado en tránsito (TLS), controles de acceso y revisiones periódicas de seguridad. ### Cambios a este aviso Podemos actualizar este aviso de privacidad de vez en cuando. Los cambios importantes se publicarán en esta página con una fecha actualizada. Te recomendamos revisar este aviso periódicamente. ### Contacto Si tienes preguntas sobre este aviso de privacidad o nuestras prácticas de datos, contáctanos: ### Contact Info #### Correo electrónico hello@algorilla.org #### Tiempo de respuesta En un plazo de 30 días --- # Productos construidos sobre Canopy Productos construidos sobre Canopy: Valet OS para operaciones de hospitalidad y propiedades, Flamenco para artistas independientes y sus equipos. Construidos sobre la misma infraestructura gobernada. Distintos dominios, la misma base. Valet OS para operaciones de hospitalidad. Flamenco para artistas independientes y sus equipos. El mismo motor. Distintos dominios. La misma infraestructura. Tu industria. Tus flujos de trabajo. Valet OS y Flamenco son lo que Canopy hace posible cuando se encuentra con experiencia real en un dominio. El mismo motor gobernado. Distintos flujos de trabajo. ### Valet OS Despacho y operaciones para hospitalidad Despacho de operaciones, administración de propiedades, coordinación de concierge y operaciones de recintos para hoteles, propiedades residenciales, restaurantes y clubes privados. Tablero de despacho en vivo, cumplimiento de SLA, ciclo de vida de órdenes de trabajo, relevos de turno, operaciones entre sedes e inteligencia operativa que mejora con cada turno. Solicitar una demostración ### Industries Hoteles y resorts Propiedades residenciales y su administración Restaurantes y vida nocturna Clubes privados ### Flamenco El hogar de la música en vivo El espacio de trabajo para artistas y sus equipos: analítica de audiencia convertida en sugerencias de mercados ordenadas por demanda con ingreso estimado, planeación de giras y recintos sobre 50,000 espacios, y los vuelos y hospedajes dentro de cada show. Empieza en Puerto Rico y Estados Unidos, pensando en los artistas latinos, y está construido para crecer desde giras independientes hasta giras mayores. Solicitar acceso anticipado acceso anticipado ### Industries Artistas independientes Artistas mayores Management de giras Dueños de recintos y bookers ## Cta ### Canopy es el motor. Los productos son lo que los motores hacen posible. Trabaja con las herramientas que ya usas Canopy se conecta a las plataformas de abajo — por API, exportación o integración a la medida. Están nombradas aquí en texto plano porque un logotipo no es una respuesta: si tu sistema está en esta lista, podemos leerlo. Las plataformas de producción tienen cada una su propia página en /es/integrations/ describiendo qué lee Canopy y qué devuelve. ### ¿Cuál es la diferencia entre Canopy, Valet OS y Flamenco? Canopy es el motor gobernado — el centro de control dentro del cual corre tu operación. Valet OS y Flamenco son productos construidos sobre él: Valet OS para despacho de operaciones de hospitalidad y propiedades, Flamenco para artistas y sus equipos. El mismo marco, distinto dominio. ### ¿Podemos usar Canopy sin comprar un producto? Sí. Los servicios ponen tu propio flujo sobre el mismo motor: una Auditoría de Pipeline, una Construcción de Flujo a la Medida, o la Plataforma de Operaciones completa. Los productos son la prueba de lo que el motor hace posible; tu operación no tiene que parecerse a ellos. ### ¿Los productos reemplazan nuestro ERP, PMS u hoja de gira? Reemplazan el trabajo manual alrededor de esos sistemas, no los sistemas. Valet OS trabaja junto a tu PMS y POS. Flamenco reemplaza el plan de gira en hoja de cálculo y el hilo de reservaciones. Canopy lee el ERP que ya tienes — incluidos los que solo exportan hojas de cálculo. ### ¿A qué plataformas se conecta Canopy? Google Workspace, Microsoft 365, Slack, HubSpot, Salesforce, Notion, GitHub y — para producción — Aspel SAE, CONTPAQi, SAP Business One, Oracle NetSuite, Dynamics 365 Business Central, Odoo, Epicor, Infor, Fishbowl, Katana, Cin7 y QuickBooks, entre otras. Si tiene una API, Canopy se conecta. ### ¿Flamenco es solo para artistas latinos? No. Flamenco sirve a artistas de cualquier lugar. Empieza con artistas independientes y de nivel medio, la cobertura es más profunda donde los artistas latinos giran — EE. UU., Puerto Rico, México y España — y el mismo espacio sirve a artistas mayores y tour managers. --- # Servicios — Generación de prospectos verificados, pipelines de operaciones, software a medida, integración de IA, aprendizaje automático Los servicios de Algorilla, dichos sin rodeos: generación de prospectos verificados y contacto gestionado, pipelines de producción y almacén, software interno a medida, integración de plataformas de IA con optimización de tokens, y aprendizaje automático como la capa que aprende en todo el trabajo. Cada proyecto se define después de un mapa; Algorilla no publica precios. Servicios ## Lo que hace Algorilla, en términos claros Algorilla es un estudio de productos, y Canopy es el sistema sobre el que corre su trabajo. Esta página es la oferta completa sin la historia de producto alrededor, porque parte del trabajo no necesita ningún producto: un pipeline de clientes verificado, una corrida de planeación en la que tu planeador puede confiar, software con la forma de tu operación, IA haciendo trabajo gobernado a un costo sensato, y sistemas que aprenden de lo que hacen. Cada proyecto se define después de mapear el trabajo. Algorilla no publica precios. Empieza donde duele ## Finder ### ¿Necesitas clientes que puedas respaldar? Empieza con la generación de prospectos verificados. ### ¿Necesitas que el plan de mañana coincida con la realidad? Empieza con los pipelines de producción y almacén. ### ¿Necesitas software con la forma de tu operación? Empieza con el software interno a medida. ### ¿Necesitas IA haciendo trabajo real, a un costo sensato? Empieza con la integración de IA y la optimización de tokens. ### ¿Necesitas que el propio trabajo se vuelva más inteligente con el tiempo? Empieza con el aprendizaje automático, el tema que atraviesa todo lo anterior. ## Services ### Generación de prospectos verificados y operación de contacto ### Calidad sobre cantidad, verificado línea por línea La mayoría de las listas de prospectos fallan de la misma manera: la empresa es real, pero el contacto está viejo, el puesto es incorrecto o el ajuste nunca se revisó. ### Body Empezamos con la forma de operación que hace que una empresa sea un buen ajuste. Después investigamos cada cuenta contra sus propias páginas y otras fuentes primarias, verificamos las rutas que podemos respaldar y rechazamos los registros que no pasan. Cada prospecto que sobrevive lleva su evidencia y una etiqueta de confianza. Cada rechazo queda registrado con su razón. Si quieres que la campaña también se opere, redactamos en tu voz, dejamos cada envío esperando tu aprobación, corremos la cadencia de seguimiento, vigilamos la entregabilidad y te devolvemos las respuestas que importan. Lo que tomamos ### Takes On La definición de ajuste, construida desde la forma de operación de las empresas que sí ganas Investigación cuenta por cuenta contra fuentes primarias, no agregados raspados Verificación de rutas: el correo, el teléfono y los perfiles que la evidencia respalda El registro de rechazos, cuidado con el mismo rigor que el archivo de prospectos Lo que recibes ### Receives Un archivo de prospectos verificados: empresa, la persona correcta, rutas alcanzables, la evidencia detrás de cada uno y una etiqueta de confianza Un registro de rechazos con razones, para que el estándar sea auditable Operación de contacto opcional: borradores en tu voz, una cola de aprobación para cada envío, la cadencia de seguimiento, monitoreo de entregabilidad y las respuestas canalizadas a ti Dónde aplica el aprendizaje automático: los resultados verificados y las respuestas reales afinan cómo se ve un buen ajuste, ciclo tras ciclo. El aprendizaje ordena y prioriza. Nunca fabrica un prospecto, y el estándar para llamar verificado a algo nunca se mueve. ### Related #### Mira el estándar en acción #### HubSpot y Salesforce, conectados ### ¿Qué significa verificado aquí? Cada prospecto que se queda se revisa contra fuentes primarias, lleva la evidencia de su ajuste y de sus rutas, y se etiqueta por confianza. Un registro que no podemos respaldar se rechaza y se registra, no se incluye en silencio. ### ¿Venden listas o garantizan reuniones? Ninguna de las dos. Las listas hechas para reventa son exactamente el problema de calidad que este servicio existe para corregir, y las reuniones dependen de tu oferta y tu mercado. Lo que garantizamos es el estándar: cada prospecto rastreable hasta su evidencia. ### ¿También pueden operar el contacto? Sí, como alcance adicional. Redactamos en tu voz, cada envío espera tu aprobación, los seguimientos corren en una cadencia fija y las respuestas regresan a ti. Nada sale como tú que no hayas visto. ### Pipelines de producción y almacén ### El brief de la mañana: qué puede correr hoy en realidad Cada mañana, alguien reconstruye el día a mano: pedidos en un sistema, materiales en otro, inventario en papel, tiempos de entrega en el correo de alguien. ### Body Tu ERP guarda parte de la respuesta. El resto está en hojas de cálculo, correos de proveedores, conteos de almacén y la cabeza del planeador. El pipeline lee todo, concilia pedidos, materiales, inventario y tiempos de entrega, y devuelve el día como un plan que tu planeador puede aprobar o corregir línea por línea. Es una superficie de servicio reutilizable, no un producto con nombre: la misma disciplina se configura alrededor de una planta, una red de almacenes o una operación con varias ubicaciones, sobre los sistemas que ya están instalados. Sin un ERP nuevo y sin arrancar y reemplazar. Lo que tomamos ### Takes On Conciliar pedidos, materiales, inventario y tiempos de entrega entre el ERP, las hojas de cálculo, el correo de proveedores y los conteos físicos El plan construible del día, con faltantes y conflictos a la vista en vez de enterrados Borradores de órdenes de compra, solicitudes de agilización, órdenes de transferencia y ajustes de inventario, listos para aprobación Registrar cada decisión del planeador, para que el siguiente plan parta de lo decidido, no de la memoria Lo que recibes ### Receives Un brief de la mañana que tu planeador puede aprobar o corregir, línea por línea La lista de faltantes, con la causa adjunta a cada uno Documentos en borrador, listos para enviar o registrar una vez aprobados Un registro de cada decisión que produjo el día Dónde aplica el aprendizaje automático: las fechas prometidas ceden ante las reales, el uso planeado ante el uso verdadero, y cada corrección del planeador le enseña al siguiente plan. El planeador sigue siendo la autoridad. El plan arranca más cerca de la verdad cada mañana. ### Related #### Aspel SAE, conectado #### La reconstrucción de la mañana ### ¿Necesitamos reemplazar nuestro ERP? No. El pipeline lee los sistemas que ya corres, incluidas hojas de cálculo y correo, y escribe de vuelta solo lo que tu planeador aprueba. Reemplazar el ERP es otro proyecto, y normalmente el primero equivocado. ### ¿El sistema ordena o ajusta inventario por su cuenta? Puede, donde tú lo permitas. La autonomía se fija por flujo de trabajo: borrador y aprobación es el nivel inicial, y un flujo puede ganar el permiso de enviar o registrar por su cuenta solo después de haberse ganado esa confianza. La contención es un ajuste, nunca una limitación del sistema. ### ¿Cómo arranca un piloto? Una planta, un flujo de trabajo, una corrida corta contra tus mañanas reales. El planeador aprueba cada línea mientras medimos el brief contra lo que el día hizo en realidad. ### Software interno a medida ### Software con la forma de cómo trabaja tu operación en realidad El software comercial le pide a tu operación que se doble alrededor de sus supuestos. A veces ese trato está bien. A veces el software es el cuello de botella. ### Body Mapeamos cómo se mueve el trabajo en realidad: quién lo toca, qué necesita ver, dónde espera y cuánto cuesta una respuesta equivocada. Después construimos la superficie interna alrededor de esa realidad: el modelo de datos, las pantallas, las colas de revisión, los permisos y las conexiones con las herramientas que ya se usan. Nuestros propios productos muestran el patrón. Valet OS convirtió el despacho de operaciones de propiedades en un producto. Flamenco convirtió la vida de una gira en un solo espacio de trabajo. Una implementación para un cliente lleva la misma disciplina a la operación y al vocabulario de ese cliente. Lo que tomamos ### Takes On Mapear el trabajo como se mueve en realidad: personas, entregas, esperas y el costo de una respuesta equivocada El modelo de datos y la superficie interna: pantallas, colas, permisos y registros Conexiones con las herramientas y sistemas que ya se usan La salida en vivo con el equipo que va a vivir en él, y el registro de lo decidido y por qué Lo que recibes ### Receives Un producto interno que funciona, en el vocabulario de tu operación El modelo de datos y los permisos debajo de él Conexiones con las herramientas que ya se usan Un registro de entrega: qué hace el sistema y las decisiones detrás Dónde aplica el aprendizaje automático: donde el producto debe mejorar en su propio trabajo, relevancia, priorización, detección de excepciones, el aprendizaje se diseña desde el modelo de datos, no se pega después como una función de IA. ### Related #### Los productos que construyó esta disciplina ### ¿En qué se diferencia de construir un flujo de trabajo? Construir un flujo conecta herramientas alrededor de un proceso doloroso. El software a medida crea la superficie en la que tu equipo trabaja todos los días: su propio modelo de datos, pantallas y permisos. Los proyectos suelen empezar con un flujo y crecer a software cuando la forma del trabajo ya está probada. ### ¿Por qué no comprar un producto comercial? Muchas veces deberías, y lo diremos cuando un producto ajuste. El software a medida gana su costo cuando la forma real de la operación, su vocabulario o sus reglas son justo lo que ningún producto modela, y doblarse está costando más de lo que costaría construir. ### ¿Cuánto tarda una implementación? Depende del alcance, y por eso cada proyecto empieza con un mapa. El mapa produce un plan con fechas construido alrededor de una primera superficie que funciona, no de un lanzamiento de golpe. ### Integración de plataformas de IA y optimización de tokens ### Plataformas de IA, gobernadas, a un costo sensato El modelo rara vez es la parte difícil. La parte difícil es conectarlo con el trabajo real, gobernar qué puede tocar y mantener la cuenta proporcional al valor. ### Body Conectamos la plataforma que elijas, Claude, ChatGPT, Gemini, Grok, un modelo de código abierto o el tuyo, con las herramientas y registros de los que depende el trabajo. Claude Code y Codex se pueden gobernar de la misma manera cuando el trabajo es código: acceso delimitado, puertas de revisión y un registro de qué cambió. Después hacemos sensata la economía. Contexto estructurado en vez de historiales completos. El modelo correcto para cada paso en vez del modelo más grande para cada paso. Corridas que se detienen cuando deben. El resultado no es un prompt de demostración. Es un flujo en el que tu operación puede confiar, con su costo por resultado a la vista. Lo que tomamos ### Takes On Conectar tu plataforma elegida con las herramientas, registros y sistemas de los que depende el trabajo Acceso delimitado y puertas de revisión: qué puede leer, redactar y hacer la IA, por flujo de trabajo Codificación con agentes gobernada con Claude Code y Codex: acceso delimitado, revisión antes de fusionar, un registro de cada cambio Economía de tokens: recuperación estructurada, contexto reutilizable, enrutado de modelos, procesamiento por lotes, presupuestos y condiciones de paro Lo que recibes ### Receives Flujos desplegados corriendo sobre tu trabajo real, no demostraciones Un nivel de autonomía por flujo de trabajo, fijado por ti Una vista de costo por resultado y un registro de cada corrida Enrutado de fallas: cuando el flujo no puede seguir, una persona se entera Dónde aplica el aprendizaje automático: esta es la casa operativa del tema. Los resultados medidos alimentan el enrutado, el contexto y las reglas, para que el flujo mejore desde la evidencia y no desde la costumbre, y el gasto siga a los resultados. ### Related #### Algorilla, escrito para agentes ### ¿Qué plataforma de IA deberíamos usar? La que ajuste al trabajo, a tus cuentas actuales y a tus reglas de datos, y puede ser distinta por flujo. Somos agnósticos al modelo: el patrón de integración, el gobierno y la disciplina de costo son los mismos en Claude, ChatGPT, Gemini, Grok y modelos abiertos. ### ¿Cómo mantienen el gasto en tokens bajo control? Por diseño, no por esperanza: contexto estructurado en vez de historiales completos, el modelo más pequeño que hace bien cada paso, lotes donde la latencia lo permite, presupuestos y condiciones de paro por corrida, y el costo reportado por resultado completado para que el desperdicio se vea. ### ¿Qué pasa con nuestros datos? Los términos de cada plataforma se revisan para el flujo específico antes de conectar nada, y la configuración los sigue. Donde los datos de un flujo no pueden salir de tu entorno, lo decimos en la etapa del mapa y diseñamos en consecuencia, incluidas opciones locales y de modelos abiertos. ### Aprendizaje automático ### Aprendizaje automático, en todo el trabajo No es otra herramienta, ni el truco de una industria. La capa que aprende es cómo un sistema mejora en las decisiones que repite. ### Body El aprendizaje automático es el tema debajo de toda esta página. Está ahí cuando un pipeline afina su idea de un buen cliente, cuando un plan deja de creer en las fechas prometidas y empieza a usar las reales, cuando un producto aprende qué excepción merece a una persona, cuando un flujo se enruta mejor porque recuerda qué funcionó. No empezamos nombrando un modelo, y no limitamos el trabajo a una lista de industrias. Empezamos con la decisión, los datos detrás de ella y el costo de equivocarse; después construimos el aprendizaje dentro, lo medimos contra cómo decides hoy y lo conservamos solo mientras siga ganándose su lugar. Esa disciplina es el oficio fundacional del estudio: nuestros propios sistemas lo han usado para buscar por significado, anticipar resultados, interpretar medios y estudiar cómo cambian los sistemas en marcha. Los sectores difieren. El oficio es el mismo. Lo que tomamos ### Takes On Encuadrar la decisión: qué se repite, qué evidencia lo registra y cuánto cuesta equivocarse Preparar tus datos para aprender, con sus huecos nombrados en vez de escondidos Construir el aprendizaje dentro del servicio, producto o flujo que fortalece Evaluación contra cómo decides hoy, y monitoreo que muestra si sigue ayudando Lo que recibes ### Receives Aprendizaje diseñado alrededor de las decisiones que tu operación repite Tus datos preparados, con sus huecos nombrados Una comparación honesta contra decidir como decides hoy Monitoreo que muestra si el aprendizaje sigue ganándose su lugar ### Related #### El protocolo GROW: la investigación detrás del oficio ### ¿El aprendizaje automático es un servicio separado o parte de los demás? Ambos, a propósito. Es un tema que atraviesa los servicios, una mira que se afina, planes que aprenden de fechas reales, productos y flujos que mejoran desde los resultados, y también puede ser el centro de un proyecto cuando el aprendizaje mismo es el trabajo. ### ¿Necesitamos saber qué tipo de modelo necesitamos? No. Ese es nuestro trabajo, y viene después de las preguntas reales: qué decisión se repite, qué datos la registran y cuánto cuesta una respuesta equivocada. ### ¿Aplica a nuestra industria? La disciplina viaja: aplica donde las decisiones se repiten, la evidencia se acumula y los resultados se pueden medir. No lo vendemos por industria, porque el patrón importa más que el sector. ### ¿Cómo sabemos que está ayudando? Se mide contra cómo decides hoy, antes y después. Un aprendizaje que no puede ganarle a la forma actual de decidir no se queda en el sistema. ## Backbone ### Una sola base: Canopy La mayoría de estos servicios corre sobre Canopy, el producto insignia del estudio: el centro de control y motor gobernado que conecta tus herramientas, corre tus flujos y hace cumplir tus reglas, con un nivel de autonomía fijado por personas para cada flujo. No tienes que comprar la plataforma para contratar al estudio. Los servicios se sostienen solos, y Canopy es el terreno que comparten cuando se combinan. ## Steps ### Cómo empieza un proyecto ### Items #### Encuentra las fugas Nos sentamos con el equipo, seguimos el trabajo de principio a fin y nombramos los pocos lugares donde en realidad se pierde tiempo, inventario, dinero o atención. #### Repara un flujo que duele Construimos la versión más pequeña que quita el dolor, dentro de las herramientas que ya se usan, con una persona aprobando lo que importa. #### Deja que corra tu operación Lo que se prueba a sí mismo se gradúa: más autonomía donde se la ganó, más flujos sobre la misma base, una sola imagen de la operación. Preguntas, respondidas sin rodeos ### ¿Podemos contratar a Algorilla sin comprar un producto? Sí. Para eso es esta página. La generación de prospectos verificados, los pipelines de planeación, el software a medida, la integración de IA y el aprendizaje automático son servicios por derecho propio. Canopy es la base sobre la que pueden correr, no un requisito. ### ¿Dónde trabajan y en qué idiomas? Algorilla está en Los Ángeles y trabaja con clientes en las Américas y Europa. Los proyectos corren en inglés o español, y este sitio se publica en ambos. ### ¿Qué necesitan de nosotros para empezar? Acceso a las personas que hacen el trabajo y a los registros sobre los que corre, y una persona que pueda decir que sí. El primer paso es un mapa de la operación; el mapa es de donde sale cada alcance y cada calendario. ### ¿Cuánto cuesta? Algorilla no publica precios. Cada proyecto se define después del mapa, así que el número que recibes se construye desde la forma real de tu operación, no desde un paquete. ## Cta ### Cuéntanos dónde duele Empezamos con el mapa. --- # Valet OS — Plataforma de operaciones para hospitalidad y propiedades Valet OS es una plataforma de operaciones para hospitalidad y propiedades que cubre despacho, servicios al huésped, administración de propiedades, concierge y coordinación de recintos. Seguimiento en vivo, cumplimiento de SLA, relevos de turno y gestión de operaciones, todo en un solo tablero. Hecho con Canopy. Despacho, coordinación de servicios y gestión de operaciones para hospitalidad y propiedades Entérate de lo que pasa en cada propiedad, cada turno, cada servicio. Hecho con Canopy El cambio de turno es cuando el panorama se apaga. El conocimiento del agente de recepción, la lista de proveedores del gerente de propiedad, los clientes habituales del concierge: todo se va por la puerta con la persona que lo carga. Valet OS conserva el panorama que ninguna persona puede mantener sola en la cabeza. La brecha de coordinación Las operaciones dependen del conocimiento institucional. El agente de recepción que sabe qué huéspedes quieren check-in temprano. El gerente que sabe qué proveedores sí llegan. El concierge que recuerda a los habituales. Cuando esa persona falta o su turno termina, el conocimiento se va con ella. Cada relevo es una apuesta: que la siguiente persona sepa lo que la anterior sabía. Valet OS vuelve esa apuesta irrelevante, mostrando a cada persona lo que necesita para actuar, cuando lo necesita. ### Tu industria podría verse así ### List Items #### Hoteles y resorts Despacho de valet y canalización de solicitudes de huéspedes en tiempo real. #### Propiedades residenciales y su administración Despacho de órdenes de trabajo sin hojas de cálculo ni cadenas de correos. #### Restaurantes y vida nocturna Operaciones de valet y gestión de filas VIP al ritmo del servicio. #### Clubes privados Despacho de servicios a socios con seguimiento de preferencias integrado. ### Capacidades ### Features #### Tablero de despacho en vivo Un huésped pide el servicio de cortesía nocturna a las 4 p. m. A las 4:15, el tablero muestra que sigue abierto, antes de que vuelva a llamar. #### Relojes de SLA que no parpadean Cada tiempo de espera se sigue por ticket. Cuando se vence, el tablero lo muestra antes que el huésped. #### Ciclo de vida de órdenes de trabajo Desde la creación hasta el despacho, la conclusión y la revisión. Cada ticket, cada estado, en todas partes. #### Relevos de turno que no pierden nada El conocimiento del turno que sale se convierte en el tablero del turno que entra. Nada se va por la puerta. #### Operaciones entre sedes Varias propiedades, recintos o áreas de servicio, un solo tablero. Vistas separadas, infraestructura compartida. #### Inteligencia operativa Con el tiempo, Valet OS aprende qué turnos necesitan más cobertura. Las recomendaciones surgen de tus propios datos. ### Lo que tu operación revela Un hotel descubrió que su falta de personal los martes por la tarde le costaba 12 incumplimientos de SLA al mes. Valet OS lo detectó en la segunda semana. La guía viene de tus propios datos. La plataforma solo la hace visible. ### Preguntas frecuentes ### List Items ### ¿Valet OS reemplaza mi sistema de administración de propiedades (PMS) o mi punto de venta (POS) actual? No. Valet OS trabaja junto a ellos. Tu PMS, tu POS y tus sistemas de reservaciones siguen haciendo lo que hacen. Valet OS reúne los datos operativos que esos sistemas generan (estado del despacho, solicitudes de servicio, órdenes de trabajo) en un solo tablero desde el que tu equipo actúa. ### ¿Qué métricas de SLA puedo seguir? Cada tipo de ticket tiene su propia ventana de SLA: tiempo de espera del servicio, tiempo de respuesta de mantenimiento, atención del concierge, ventanas de llegada de proveedores. Sigue periodos de gracia, umbrales de incumplimiento y tasas de conclusión por miembro del equipo, por turno y por sede. Todo configurable por propiedad. ### ¿Puedo administrar varias propiedades desde una sola cuenta? Sí. Hotel, residencial, restaurante o club: cada propiedad tiene su propio tablero, personal y configuración de SLA. Tú obtienes una vista consolidada de todas. La misma infraestructura, vistas separadas. ### ¿En qué se diferencia Valet OS de una hoja de cálculo compartida o de una herramienta de administración de propiedades? Las hojas de cálculo no muestran los incumplimientos de SLA antes de que ocurran. Los PMS no siguen el despacho entre turnos y sedes. Valet OS llena la brecha entre tus herramientas actuales: conecta los datos operativos que generan en un solo tablero desde el que tu equipo actúa. ### ¿Cómo se vería esto para mi tipo de propiedad? Cada propiedad es distinta. Preparamos un recorrido personalizado con el flujo de trabajo típico de tu recinto. ### ¿Con qué sistemas se conecta Valet OS? Tu PMS, POS y sistemas de reservación se quedan en su lugar — Valet OS agrega los datos operativos que generan en un solo tablero. Para operaciones residenciales trabaja junto a plataformas como Yardi y AppFolio. Si un sistema tiene una API, Canopy se conecta; las exportaciones también funcionan. ### ¿Cómo es la instalación para una propiedad? Una propiedad, un tablero, tus ventanas de SLA y tipos de ticket configurados por propiedad. Tu equipo sigue trabajando en los sistemas que ya usa; Valet OS empieza por mostrar el panorama de despacho y entregas, y las vistas entre propiedades llegan cuando el primer tablero está en vivo. ### ¿Dónde viven los datos de nuestra propiedad y huéspedes? Donde tú los pongas. Valet OS corre sobre Canopy, que se despliega en sitio, híbrido o en la nube. El acceso está limitado por propiedad y por rol, y cada acción en el tablero queda registrada. ## Cta ### Solicitar una demostración --- # Flamenco — El hogar de la música en vivo Flamenco es el espacio de trabajo para artistas y sus equipos: analítica de audiencia convertida en sugerencias de mercados con dinero adjunto, planeación de giras y recintos sobre 50,000 espacios, y los vuelos y hospedajes de cada show, en un solo lugar. Hecho con Canopy. Planeación de giras, viajes y analítica para artistas y los equipos que los llevan de gira El hogar de la música en vivo. Hecho con Canopy Flamenco conecta la vida completa de un show: quién escucha y dónde, qué recintos tocar, cómo se ruta la gira y el viaje que lleva a todos hasta ahí. Empieza en Puerto Rico y Estados Unidos, pensando en los artistas latinos, y funciona para cualquier artista cuya gira se planea con datos reales: independientes, de nivel medio y mayores por igual. El problema nunca fueron los datos. Fue usarlos. Los artistas siempre han tenido sus datos. Vivían en paneles que nadie abría, porque un conteo de oyentes nunca le dijo a nadie qué hacer después ni cuánto valía. Mientras tanto, el trabajo real corría en piezas sueltas: la lista corta de recintos en una hoja de cálculo, los vuelos y hoteles reservados en correos y chats de grupo, show por show, casi siempre tarde. La apuesta de Flamenco es que los datos solo importan cuando trabajan: convertidos en la sugerencia, la ruta y la reservación, exactamente donde se toma la decisión. Menos tiempo reconciliando hojas de cálculo. Más del plan ya hecho cuando te sientas a hacerlo. ### Tu mundo podría verse así ### List Items #### Artistas independientes y de nivel medio Artistas que construyen audiencias reales mercado por mercado, listos para girar a ese nivel. Aquí es donde Flamenco empieza. #### Artistas mayores El mismo espacio de trabajo a escala de arena: rutas más grandes, más mercados, la misma planeación que parte de la demanda. #### Managers de gira y producción Cada show como una sola tarjeta que contiene su día: recinto, horario, viaje y equipo. Hecho para la gente que de verdad opera la carretera. #### Managers de artistas, disqueras y colectivos Un plan desde el que trabaja todo el equipo, y una vista del elenco: quién crece dónde y qué debería hacer cada artista después. #### Dueños de recintos y bookers El otro lado del mercado: recintos y bookers que se encuentran con talento cuya audiencia ya encaja en el espacio. ### Capacidades ### Features #### Analítica siempre activa Tu audiencia por ciudad y mercado, actualizada continuamente: quién escucha, dónde y qué tan rápido crece. La planeación parte de la demanda, no de suposiciones. #### Sugerencias, no solo números Aquí es donde los datos se convierten en dinero. Flamenco ordena tus mercados por demanda real, estima lo que vale un recinto en cada uno y sugiere la gira que deberías tocar. Los números que los artistas siempre tuvieron, por fin adjuntos a un resultado económico. #### Planeación de giras en un solo mapa Construye la gira en un mapa real: recintos candidatos, rutas y el orden de las fechas, planeados alrededor de donde está realmente la demanda. #### Un índice de recintos que conoce los espacios 50,000 recintos con contactos en Estados Unidos, Puerto Rico, México y España, buscables por mercado, tamaño y encaje. La cobertura es más profunda justo donde los artistas latinos giran, que es exactamente donde las plataformas grandes son más débiles. #### El viaje dentro del plan Los vuelos y hospedajes aparecen dentro de cada show, desde nuestras propias bases de datos de hoteles y vuelos construidas para giras y con precios en contexto. Sin hoja de cálculo de viaje aparte, sin corredera de reservaciones a medianoche. #### Un espacio de trabajo para todo el equipo Artista, manager, manager de gira y equipo ven el mismo plan. Cuando una fecha se mueve, todos ven qué toca. #### Un ciclo, no una pila de herramientas La analítica alimenta la gira. La gira alimenta a los fans. Los fans alimentan la siguiente ronda de datos. Y el mercado cierra el ciclo, con recintos y bookers encontrándose con el talento en el mismo lugar donde ya vive la demanda. Cada parte hace más inteligente a la siguiente. Esa conexión es el producto. ### Lo que muestran los datos de tu audiencia Los oyentes de un artista se concentran en ciudades que la ruta nunca tocó. Flamenco hace visibles esos mercados, estima lo que vale un recinto en cada uno y convierte el hallazgo en una fecha sugerida antes de que se aparte un solo espacio. La guía viene de tu propia audiencia. La plataforma solo hace que sea imposible no verla, e imposible dejarla sin precio. ### Preguntas frecuentes ### List Items ### ¿Para quién es Flamenco? Para artistas y los equipos que los llevan de gira. Empieza con artistas latinos independientes y de nivel medio en Puerto Rico y Estados Unidos, donde la brecha entre audiencia e infraestructura es más ancha, y el mismo espacio de trabajo sirve a artistas mayores y a los managers de gira que operan producciones grandes. Los dueños de recintos y bookers son el otro lado: un solo lugar donde los espacios y el talento se encuentran. ### ¿Qué reemplaza Flamenco? El plan de gira en hoja de cálculo, la lista corta de recintos enterrada en el correo de alguien y el hilo de reservaciones de viaje. No reemplaza a la gente: tu agente, tu equipo y tus relaciones siguen siendo tuyos. Flamenco reemplaza el papeleo disperso que los rodea. ### ¿De dónde vienen los datos de audiencia? De datos de plataformas de streaming y redes sociales, compuestos en una sola vista por mercado: oyentes, seguidores y crecimiento, hasta el nivel de ciudad. Pero la fuente no es el punto. El punto es lo que Flamenco hace con ellos: mercados ordenados, valor estimado por recinto y una gira sugerida, para que las horas que antes se iban en hojas de cálculo se vayan en el show. Los datos sobre los que no puedes actuar son trivia. Los datos adjuntos a una decisión valen dinero. ### ¿Flamenco ya está disponible? Flamenco está en desarrollo activo y se abre por etapas, empezando con analítica y planeación de giras. Solicita acceso anticipado y te incorporamos cuando se abra tu etapa. ### ¿Cómo se conecta Flamenco con Canopy? Flamenco está construido sobre Canopy, el motor gobernado de Algorilla. El mismo harness que opera los sistemas de otras industrias mantiene consistente el plan de un artista: cada cambio verificado, cada detalle recordado, nada empieza desde cero. ## Cta ### Solicitar acceso anticipado --- # Canopy para agentes — Cómo se conectan los agentes de IA a Canopy Cómo se conectan los agentes de IA a Canopy: la API, la CLI y la superficie de herramientas, los niveles de autonomía bajo los que trabaja un agente y las reglas que se verifican antes de que algo se ejecute. Además, los endpoints en Markdown de este sitio. Para agentes ## Hecho para que los agentes trabajen — y lean La mayoría de las plataformas están hechas para que los humanos conversen con IA. Canopy está hecho para que la IA trabaje dentro, con barandales. Esta página es el resumen orientado a máquinas: cómo se conecta un agente, qué tiene permitido hacer y cómo este sitio se publica para los agentes que investigan antes de recomendar. Preguntas frecuentes ## Cta ### Habla con nosotros sobre acceso para agentes ## Related ### llms.txt — índice de páginas para modelos ### llms-full.txt — todo el sitio como texto ### La demo, como texto ### Integración de IA y optimización de tokens — el servicio ### Aprendizaje automático, en todo el trabajo ### Cómo se conecta un agente Canopy es neutro en protocolos: cualquier herramienta, cualquier IA, cualquier protocolo, todo a través de un solo motor gobernado. Los agentes llegan a Canopy por su API y su CLI, y por las mismas interfaces que usan los humanos — web, Slack y API — porque el flujo se define una sola vez y se ejecuta igual desde cada superficie. No hay una puerta trasera para agentes con reglas distintas. ### Qué puede hacer un agente Un agente que trabaja en Canopy puede ejecutar los flujos que le han sido asignados: leer los sistemas conectados (ERP, hojas de cálculo, bandejas de entrada, CRM), preparar borradores (órdenes de compra, ajustes de inventario, programas, mensajes) y — solo donde el cliente ha fijado ese nivel — ejecutar acciones directamente. Cada acción queda registrada; nada cambia en silencio. ### Bullets Leer: pedidos, listas de materiales, inventario, tiempos de entrega, mensajes, documentos Preparar: borradores de reorden, resúmenes, planes, respuestas — listos para aprobación Ejecutar (solo cuando está configurado): enviar la orden de compra, registrar el ajuste de inventario, correr el flujo de principio a fin ### El marco bajo el que trabaja un agente La autonomía en Canopy es por cliente y por flujo, nunca un interruptor global. El nivel inicial por defecto es borrador-y-aprobación: el agente prepara, una persona decide. Las reglas se verifican en código antes de que algo se ejecute, cada resultado se recuerda y se compara con lo anterior, y cuando un patrón se repite puede endurecerse hasta volverse una regla. El cliente puede apretar o aflojar cada flujo en cualquier momento. ### El acceso de agentes se aprovisiona, no es anónimo A diferencia de las herramientas de consumo, Canopy guarda datos operativos — inventarios de planta, operación de huéspedes, planes de artistas — así que el acceso de agentes se aprovisiona por cliente, limitado a los sistemas y reglas de ese cliente. No hay registro anónimo para agentes. Si estás construyendo un agente que debería trabajar dentro del Canopy de un cliente, contáctanos y aprovisionaremos el acceso con el cliente. ### Este sitio, para agentes Cada página de algorilla.org se publica en Markdown desde la misma fuente que el HTML: agrega .md a cualquier URL de página, o pide la página con un encabezado Accept: text/markdown. El índice de todas las páginas está en /llms.txt y el texto completo del sitio en /llms-full.txt. Si estás resumiendo Algorilla para un humano, esos archivos son la fuente precisa — incluido lo que no hacemos y el hecho de que no publicamos precios. ### ¿Claude Code, Codex u otro agente de código puede trabajar con Canopy? Sí. Canopy expone sus flujos mediante superficies de API y CLI que los agentes de código y de operación pueden llamar, y la definición del flujo es la misma que los humanos ejecutan desde web o Slack. El agente trabaja bajo las reglas y la configuración de autonomía del cliente, con cada acción verificada y registrada. ### ¿Qué es llms.txt en algorilla.org? Es el índice que publicamos para los modelos de lenguaje: cada página del sitio con un enlace a su versión en Markdown, más los datos clave sobre Algorilla y Canopy. El texto completo de todas las páginas en un solo archivo está en /llms-full.txt. ### ¿Un agente puede registrarse en Canopy por su cuenta? No. El acceso de agentes se aprovisiona por cliente porque Canopy guarda los datos operativos de ese cliente. No hay registro anónimo ni de autoservicio para agentes. Escribe a hello@algorilla.org para organizar el acceso. ### ¿Qué autonomía recibe un agente por defecto? Borrador-y-aprobación. El agente prepara el trabajo — borradores, planes, resúmenes — y una persona aprueba antes de que algo se ejecute. Los clientes pueden subir o bajar el nivel por flujo; la restricción es por configuración, nunca por incapacidad. --- # Canopy vs. hojas de cálculo para planear la producción Canopy vs. la reconstrucción matutina en hoja de cálculo: qué hace bien la hoja que tu planeador reconstruye a mano, dónde se rompe y qué cambia cuando pedidos, listas de materiales, inventario y tiempos de entrega se leen juntos cada día. Comparación ## Canopy vs. la hoja de cálculo que tu planeador reconstruye cada mañana La mayoría de las plantas planea su producción en una hoja de cálculo que una sola persona entiende, con conteos de inventario que caducaron ayer. Esta página es una comparación honesta: qué hace bien la hoja, dónde se rompe y qué hace Canopy de manera distinta. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué hace bien la hoja de cálculo Es flexible, ya está ahí y guarda el conocimiento real de tu planeador: qué proveedor que dice jueves quiere decir martes, qué conteo del pasillo cuatro está mal, qué máquina odia un segundo cambio. Cualquier sistema que ignore ese conocimiento fracasa. Canopy no te pide tirarlo — trabaja desde las mismas exportaciones y hojas que tu planta ya usa. ### Dónde se rompe ### Bullets Se reconstruye a mano cada mañana, así que el plan solo es tan actual como la arqueología de una persona en cuatro sistemas Los faltantes aparecen en la línea, después de que el trabajo empezó, porque la lista de materiales nunca se explotó contra el inventario real Esconde datos malos: SKU duplicados, tiempos de entrega en blanco, unidades que significan una cosa en compras y otra en el almacén Cuando el planeador falta, el conocimiento falta — la lógica de la hoja vive en una sola cabeza No puede avisar con días de anticipación; solo puede describir la mañana en que alguien la construye ### Qué hace Canopy en su lugar Canopy lee tus pedidos, listas de materiales, movimientos de inventario y tiempos de entrega de proveedor desde los sistemas que ya usas — exportaciones del ERP incluidas — y le entrega a tu planeador el día respondido antes de que empiece el turno: las órdenes de trabajo que sí pueden correr, las piezas que faltan con cantidades y razones, las reórdenes por colocar dimensionadas al tiempo de entrega y al stock de seguridad, y una cola de excepciones para todo lo que no va a adivinar. El planeador aprueba o corrige cada línea, y las correcciones se recuerdan. ### El resumen honesto Una hoja de cálculo describe el plan que una persona alcanzó a reconstruir. Canopy mantiene el panorama actual por sí mismo, así que un faltante es una advertencia con días de anticipación en lugar de una línea detenida. No reemplaza tu ERP y no reemplaza a tu planeador. Reemplaza la reconstrucción. ### ¿Tenemos que dejar de usar hojas de cálculo para usar Canopy? No. La mayoría de las plantas planea desde hojas de cálculo y exportaciones del ERP, y Canopy empieza ahí: lee las exportaciones y hojas que ya produces, las reconcilia entre sí y devuelve el plan respondido. Tu planeador sigue trabajando como trabajan los planeadores — el sistema recomienda, tu gente decide. ### ¿Qué reemplaza Canopy en una planta? La reconstrucción de la mañana: la hoja de cálculo, o el reporte del ERP en el que nadie confía, que tu planeador reconstruye a mano para saber qué puede correr hoy. Pedidos, listas de materiales, existencias y tiempos de entrega se verifican entre sí continuamente, no una vez cada mañana a mano. ### ¿Cómo se juzga esto? Con medidas operativas: faltantes detectados antes de que empiece la línea y no después, urgencias por semana en descenso, cumplimiento del programa sobre el plan construible, rupturas de días de cobertura detectadas cuando aún hay tiempo de actuar, y los minutos que tu planeador pasa reconstruyendo el plan de la mañana. --- # Canopy vs. ChatGPT y Claude para operar un negocio Canopy vs. la IA de chat general: ChatGPT y Claude son herramientas generales de conversación; Canopy es infraestructura con un marco — tus herramientas, tus flujos, tus reglas, verificadas antes de que algo se ejecute. Comparación ## Canopy vs. usar ChatGPT o Claude para tu negocio Las herramientas generales de chat son excelentes conversando. Operar un negocio es otro trabajo. Esta página plantea la diferencia con claridad. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué hace bien la IA de chat general ChatGPT y Claude responden preguntas, redactan textos, resumen y razonan — rápido, y sobre casi cualquier tema. Para el trabajo de pensamiento de una sola vez son difíciles de superar, y el propio Canopy puede enrutar hacia modelos como ellos. La diferencia no es el modelo. Es todo lo que rodea al modelo. ### Dónde se rompe el chat solo en una operación ### Bullets No se conecta por sí mismo a tus herramientas y datos específicos — alguien pega el contexto, y el contexto caduca No hace cumplir tus reglas; una respuesta incorrecta y segura viaja tan lejos como una correcta Olvida entre sesiones: el detalle perdido el martes se vuelve a explicar, o se pierde, el viernes No puede correr tu flujo igual cada vez, desde Slack, web, CLI o API, con registro de auditoría Cuando comete un error, nada estudia el error ni se endurece para que no se repita ### Qué agrega Canopy Canopy es infraestructura con un marco. Conecta tus herramientas específicas, corre tus flujos específicos y hace cumplir tus reglas específicas — verificadas en código antes de que algo se ejecute, para que las entradas malas no se propaguen por tu operación. Cada acción y resultado se recuerda y se compara con lo anterior. Cuando el mismo patrón aparece repetidamente, se vuelve una regla que corre por sí misma. Tú eliges cuánto corre sin ti, por flujo. ### El resumen honesto Usa la IA de chat para pensar. Usa Canopy para operar. Canopy no compite con el modelo — es el motor gobernado dentro del cual el modelo trabaja cuando el trabajo tiene consecuencias. ### ¿En qué se diferencia Canopy de usar ChatGPT o Claude para mi negocio? ChatGPT y Claude son herramientas generales de conversación. Canopy es infraestructura con un marco: conecta tus herramientas específicas, corre tus flujos específicos y hace cumplir tus reglas específicas, para que las entradas malas no se propaguen por tu operación. No adivina — ejecuta lo que definiste, dentro de barandales, y recuerda cada resultado. ### ¿Canopy reemplaza los modelos de IA que ya usamos? No. Canopy es el centro de control dentro del cual trabajan los modelos. Está hecho para cualquier herramienta, cualquier IA, cualquier protocolo — el marco, la memoria y las reglas permanecen constantes mientras los modelos cambian debajo. ### ¿Esto es solo para desarrolladores? No. El mismo centro de control que construye también mantiene, mejora y te ayuda a operar lo construido. Los agentes de código se detienen en el editor; Canopy opera tu negocio, con un marco que atrapa errores donde el código solo no puede. --- # Canopy vs. herramientas genéricas de automatización (Zapier, Make, n8n) Canopy vs. la automatización de disparador-acción: Zapier, Make y n8n mueven datos entre aplicaciones muy bien. Canopy agrega gobierno, memoria y reglas verificadas antes de que algo se ejecute — para flujos donde un error cuesta dinero. Comparación ## Canopy vs. herramientas genéricas de automatización La automatización de disparador-acción es la herramienta correcta para mover datos entre aplicaciones. Las operaciones con consecuencias necesitan más que disparadores. Esta página compara ambas con honestidad. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué hace bien la automatización genérica Zapier, Make, n8n y sus pares conectan cientos de aplicaciones rápido, sin código y a bajo costo. Para flujos simples e indulgentes — copia esta fila, envía esa notificación — son la respuesta correcta, y lo diremos en una auditoría si eso es todo lo que un flujo necesita. ### Dónde se rompe el disparador-acción ### Bullets Ninguna regla se verifica antes de que una acción se ejecute: una entrada mala se vuelve una acción mala a velocidad de máquina Sin memoria entre corridas: la herramienta no puede comparar el resultado de hoy con todo lo que ya sabe de tu operación Sin capa de juicio: las excepciones se forman en el mismo flujo que los casos rutinarios, o fallan en silencio Sin espectro de autonomía: un flujo está encendido o apagado — no hay nivel de borrador-y-aprobación, ni modo lado a lado Cuando algo se desvía, nada lo nota; la automatización sigue corriendo la desviación ### Qué hace Canopy en su lugar Canopy corre los flujos dentro de un motor gobernado: tus reglas se verifican en vivo antes de que algo se ejecute, cada corrida se recuerda, y los patrones que se repiten se endurecen hasta volverse reglas. La autonomía se fija por flujo — paso a paso, lado a lado, o corriendo por su cuenta — y el marco permanece activo en cada nivel. Los flujos corren desde Slack, web, CLI o API con la misma definición y un registro completo de auditoría. ### El resumen honesto La automatización genérica mueve información. Canopy gobierna el trabajo. Si el peor caso de un flujo es un correo duplicado, una herramienta de conectores basta. Si su peor caso es una orden de compra equivocada, una línea detenida o un huésped afectado, el marco es el producto. ### ¿Canopy puede trabajar con las herramientas de automatización que ya usamos? Sí. Si tiene una API, Canopy se conecta. Las automatizaciones existentes pueden enrutar a través del centro de control en lugar de ser reemplazadas, ganando verificación de reglas, memoria y registro de auditoría a su alrededor. ### ¿Y si mi equipo no puede permitirse errores de automatización? Para eso existe el marco. Tus reglas se verifican en código antes de que algo se ejecute, así que la mayoría de los problemas se bloquean antes de propagarse. Los pocos que pasan se estudian, se comparan con todo lo que el sistema sabe, y cuando el patrón aparece de nuevo se vuelve una regla permanente. ### ¿Cuánto control tengo sobre lo que hace Canopy? Control total, en cada flujo: paso a paso (tú conduces), lado a lado (te ayuda, tú decides) o autónomo (corre, y te llama solo cuando se necesita). El marco permanece activo en cada nivel, y puedes cambiar el nivel cuando quieras. --- # Flamenco vs. hojas de cálculo y herramientas heredadas de gira Flamenco vs. el plan de gira en hoja de cálculo y las herramientas heredadas de rutas: ranking de mercados por demanda con ingresos estimados, 50,000 venues con contactos, y vuelos y estancias dentro de cada show — planeado desde los datos de tu audiencia. Comparación ## Flamenco vs. el plan de gira en hoja de cálculo La mayoría de las giras se sigue planeando igual: una lista corta de venues en una hoja de cálculo, vuelos y hoteles en hilos de correo, un show a la vez, normalmente tarde. Flamenco es el espacio de trabajo que reemplaza el papeleo — no a las personas. Preguntas frecuentes ## Cta ### Solicitar acceso anticipado ### Qué hace bien la hoja de cálculo Es tuya, es flexible, y las relaciones de tu agente viven a su alrededor. Flamenco no reemplaza a las personas — tu agente, tu equipo y tus relaciones siguen siendo tuyos. Reemplaza el papeleo disperso a su alrededor. ### Dónde se rompe ### Bullets Los datos de audiencia viven en tableros que nadie abre, así que la ruta empieza de suposiciones en lugar de demanda Un conteo de oyentes nunca dice cuánto vale una sala — la hoja no puede atar una cifra a un mercado La lista corta de venues está enterrada en la bandeja de alguien; la cobertura depende de a quién ya conoces Vuelos y hoteles se reservan en hilos separados, tarde, y un cambio de fecha significa volver a revisar todo a mano Cada quien — artista, mánager, tour mánager, equipo — trabaja desde una copia distinta del plan ### Qué hace Flamenco en su lugar Flamenco convierte los datos de audiencia en trabajo: mercados ordenados por demanda real, cuánto vale una sala en cada uno, y la ruta que deberías tocar. Construye la ruta sobre un mapa real con 50,000 venues con contactos en EE. UU., Puerto Rico, México y España — la cobertura es más profunda donde los artistas latinos realmente giran, donde las plataformas grandes son más delgadas. Los vuelos y las estancias aparecen dentro de cada show, y todo el equipo trabaja desde un solo plan: cuando una fecha se mueve, todos ven qué toca. ### El resumen honesto Las herramientas heredadas de gira y las hojas registran un plan. Flamenco hace el plan desde tus datos — la analítica alimenta la gira, la gira alimenta a los fans, y el mercado cierra el círculo, con venues y bookers encontrándose con el talento en el mismo lugar donde ya vive la demanda. ### ¿Qué reemplaza Flamenco? El plan de gira en hoja de cálculo, la lista corta de venues enterrada en la bandeja de alguien, y el hilo de reservación de viajes. No reemplaza a las personas: tu agente, tu equipo y tus relaciones siguen siendo tuyos. ### ¿De dónde vienen los datos de audiencia? Datos de plataformas de streaming y sociales, compuestos en una vista por mercado: oyentes, seguidores y crecimiento, hasta el nivel de ciudad. El punto es lo que Flamenco hace con ellos — mercados ordenados, valor estimado de sala y una ruta sugerida. ### ¿Para quién es Flamenco? Artistas y los equipos que los llevan de gira — primero artistas independientes y de nivel medio, y el mismo espacio sirve a artistas mayores y tour managers. Los dueños de venues y los bookers son el otro lado: un solo lugar donde salas y talento se encuentran. --- # Planeación de producción con Aspel SAE — Integración con Canopy Cómo trabaja Canopy con Aspel SAE: lee las exportaciones de SAE — inventario, artículos, almacenes — las reconcilia con listas de materiales y tiempos de entrega, y devuelve el plan construible. Sin un ERP nuevo. Integración ## Planeación de producción con Aspel SAE Aspel SAE administra miles de manufactureras mexicanas. El plan de producción, sin embargo, se sigue reconstruyendo en una hoja de cálculo cada mañana. Canopy trabaja con SAE como ya trabaja tu planta: desde sus exportaciones. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué lee Canopy de Aspel SAE Exportaciones y reportes de SAE: inventario por almacén (Multialmacén), artículos y sus unidades, entradas y salidas, documentos de compra y venta. Leídos junto con tus listas de materiales y notas de tiempos de entrega de proveedor — donde sea que vivan, incluidas hojas de cálculo y correo — se vuelven un solo panorama limpio de materiales. ### Qué devuelve ### Bullets El programa construible: qué órdenes de trabajo sí pueden correr hoy La lista de faltantes, con la pieza exacta, la cantidad y la razón Borradores de reorden dimensionados al tiempo de entrega y al stock de seguridad, listos para que tu planeador los apruebe Una cola de excepciones para líneas de lista de materiales demasiado inciertas para planear — duplicados, unidades faltantes, tiempos de entrega en blanco ### Qué se queda en Aspel SAE SAE sigue siendo tu sistema de registro para administración y documentos de inventario. Canopy no lo reemplaza ni pide una migración. Agrega la capa de planeación que SAE nunca fue construido para ser — y cada acción que prepara la aprueba tu planeador antes de que algo se registre. ### ¿Canopy reemplaza Aspel SAE? No. SAE sigue siendo tu sistema administrativo y de inventario. Canopy lee sus exportaciones, agrega estructura y analítica encima, y devuelve el día respondido — el plan construible, los faltantes, los borradores de reorden. Tu planeador aprueba cada línea. ### Nuestros datos de SAE están desordenados. ¿Eso bloquea el piloto? No — los datos desordenados son el punto de partida normal. Los primeros días de un piloto reconcilian conteos y sacan a la superficie las excepciones: artículos duplicados, unidades faltantes, tiempos de entrega en blanco. Esas van a una cola de revisión para que una persona las resuelva en lugar de corromper el plan en silencio. ### ¿Cómo empieza un piloto con Aspel SAE? Una planta, un flujo, treinta días. Días 1–5 conectan las exportaciones y reconcilian conteos; días 6–10 corren en modo sombra contra la hoja de cálculo de tu planeador; desde el día 11 el resumen corre en vivo con tu planeador aprobando cada línea; el día 30 es una revisión de marcador y un sí / no. --- # Planeación de producción con SAP Business One — Integración con Canopy Cómo trabaja Canopy con SAP Business One: pedidos, listas de materiales e inventario leídos junto con tiempos de entrega de proveedor, devueltos como el resumen matutino que tu planeador aprueba. Tu SAP se queda. Integración ## Planeación de producción con SAP Business One SAP Business One guarda los pedidos, las listas de materiales y las existencias. Lo que no guarda es la verdad de esta mañana — cuáles de esas órdenes de trabajo sí pueden correr. Canopy lee Business One junto con todo lo que está fuera de él y devuelve el día respondido. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué lee Canopy de SAP Business One Pedidos de venta y producción, listas de materiales, inventario y existencias por almacén, documentos de compra — por API o exportación. Leídos junto con los tiempos de entrega de proveedor y las hojas de cálculo que toda planta realmente usa, se vuelven un panorama actual de materiales. ### Qué devuelve ### Bullets El programa construible, verificado contra el inventario real Faltantes nombrados temprano — la pieza, la cantidad, la razón, con días de anticipación en lugar de en la línea Borradores de reorden dimensionados al tiempo de entrega y al stock de seguridad Una cola de excepciones de lista de materiales: duplicados, unidades faltantes, tiempos de entrega en blanco ### Qué se queda en SAP Business One Business One sigue siendo tu ERP y sistema de registro. Canopy es la capa de planeación encima: recomienda, tu gente decide, y nada se registra de vuelta sin el nivel de aprobación que tú fijes. ### ¿Canopy reemplaza SAP Business One? No. Trabaja con el ERP que ya tienes. Business One guarda los registros; Canopy mantiene el panorama de producción actual y le entrega a tu planeador el día respondido. ### ¿Cómo se conecta Canopy a Business One? Por API cuando está disponible, o por las exportaciones que tu equipo ya produce. Los ERP que solo exportan hojas de cálculo son un caso normal, no una excepción. ### ¿Cómo empieza un piloto? Una planta, un flujo, treinta días: conectar y reconciliar, modo sombra contra el método actual de tu planeador, después resúmenes en vivo con aprobación del planeador en cada línea, y una revisión de marcador el día 30. --- # Planeación de producción con Oracle NetSuite — Integración con Canopy Cómo trabaja Canopy con Oracle NetSuite: órdenes de trabajo, listas de materiales e inventario reconciliados con tiempos de entrega y la verdad del almacén, devueltos como un plan construible que tu planeador aprueba. Integración ## Planeación de producción con Oracle NetSuite NetSuite planea desde los datos que le dijeron. El conteo del almacén que cambió ayer y el proveedor que movió una fecha en silencio viven fuera de él. Canopy reconcilia NetSuite con el resto de la operación y devuelve un plan construido sobre el día como es. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué lee Canopy de NetSuite Órdenes de trabajo, listas de materiales y revisiones, inventario en todas las ubicaciones, órdenes de compra y tiempos de entrega de proveedores — por API o exportación — leídos junto con los conteos del almacén y las hojas de cálculo del piso. ### Qué devuelve ### Bullets Qué órdenes de trabajo pueden correr, y cuáles están detenidas — con la pieza y la cantidad exactas que faltan Borradores de reorden dimensionados al tiempo de entrega y al stock de seguridad Advertencias de días de cobertura mientras aún hay tiempo de actuar Una cola de excepciones para datos demasiado inciertos para planear ### Qué se queda en NetSuite NetSuite sigue siendo el ERP de registro. Canopy agrega la capa de decisión: el resumen matutino, la lista de faltantes y los borradores que tu planeador aprueba. La ejecución ocurre solo al nivel de autonomía que fijes, y cada acción queda registrada. ### ¿Canopy reemplaza NetSuite? No. NetSuite sigue operando el negocio. Canopy conecta sus datos con la verdad del almacén y la realidad del proveedor fuera de él, y devuelve el plan construible. ### ¿Por qué el plan de NetSuite difiere de la realidad del piso? Porque el plan solo es tan actual como sus entradas. Los conteos caducan, los tiempos de entrega se mueven en correos, las listas de materiales traen campos en blanco. Canopy verifica pedidos, listas de materiales, existencias y tiempos de entrega entre sí continuamente, así que un faltante es una advertencia con días de anticipación en lugar de una línea detenida. ### ¿Cómo empieza un piloto? Una planta, un flujo, treinta días: conectar y reconciliar, modo sombra, resúmenes en vivo con aprobación del planeador, revisión de marcador el día 30 y un sí / no. --- # Planeación de producción con Dynamics 365 Business Central — Integración con Canopy Cómo trabaja Canopy con Microsoft Dynamics 365 Business Central: órdenes de producción, listas de materiales e inventario leídos con tiempos de entrega, devueltos como el plan construible. Sin arrancar y reemplazar. Integración ## Planeación de producción con Dynamics 365 Business Central Business Central conoce las órdenes de producción. Tu planeador sabe cuáles sí van a correr — y reconstruye esa respuesta a mano cada mañana. Canopy conecta Business Central con el resto de la evidencia y la responde una vez, antes del turno. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué lee Canopy de Business Central Órdenes de producción, listas de materiales de producción, inventario por artículo y ubicación, órdenes de compra y tiempos de entrega de proveedores — por API o exportación — junto con conteos de almacén y hojas de cálculo del piso. ### Qué devuelve ### Bullets El programa construible de hoy, con las órdenes detenidas nombradas y explicadas Listas de faltantes con pieza, cantidad y razón Borradores de reorden dimensionados al tiempo de entrega y al stock de seguridad Excepciones de listas de materiales en cola para una persona: duplicados, unidades faltantes, tiempos de entrega en blanco ### Qué se queda en Business Central Business Central sigue siendo tu ERP. Canopy es la capa de planeación gobernada encima — recomendaciones y borradores por defecto, ejecución solo al nivel que configures, todo registrado. ### ¿Canopy reemplaza Dynamics 365 Business Central? No. Trabaja con el ERP que ya tienes, incluso mediante exportaciones simples. Business Central guarda los registros; Canopy mantiene el plan actual. ### ¿Cómo se conecta Canopy a Business Central? Por su API cuando está disponible, o por exportaciones programadas. El piloto empieza con la ruta que tu equipo ya usa para reportar. ### ¿Cómo empieza un piloto? Una planta, un flujo, treinta días: conectar y reconciliar los conteos, modo sombra contra la hoja de cálculo de tu planeador, después resúmenes en vivo con aprobación en cada línea y una revisión el día 30. --- # Planeación de producción con Odoo — Integración con Canopy Cómo trabaja Canopy con Odoo Manufacturing: órdenes de manufactura, listas de materiales y existencias reconciliadas con tiempos de entrega de proveedor, devueltas como un resumen matutino que tu planeador aprueba. Integración ## Planeación de producción con Odoo La aplicación de manufactura de Odoo sigue órdenes y existencias — pero el plan sigue dependiendo de conteos y tiempos de entrega que se mueven a diario. Canopy lee Odoo junto con la realidad del almacén y del proveedor a su alrededor, y devuelve el día respondido. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué lee Canopy de Odoo Órdenes de manufactura, listas de materiales, existencias por ubicación, órdenes de compra y tiempos de entrega de proveedores — por API o exportación — leídos junto con las hojas de cálculo y los conteos con los que el piso realmente trabaja. ### Qué devuelve ### Bullets Construible hoy: las órdenes de manufactura que sí pueden correr Órdenes detenidas con el componente faltante, la cantidad y la razón Borradores de reorden dimensionados al tiempo de entrega y al stock de seguridad Una cola de excepciones para datos de listas de materiales y existencias demasiado inciertos para planear ### Qué se queda en Odoo Odoo sigue siendo tu sistema de registro. Canopy recomienda y redacta borradores; tu planeador aprueba o corrige cada línea, y las correcciones enseñan al siguiente resumen. ### ¿Canopy reemplaza Odoo? No. Odoo guarda los registros y las transacciones. Canopy agrega la capa de planeación: un panorama actual de materiales y el resumen matutino construido sobre él. ### Nuestros datos de Odoo tienen duplicados y tiempos de entrega en blanco. ¿Es un problema? Es el punto de partida normal. Esas líneas van a una cola de excepciones para que una persona las resuelva, y los conteos se reconcilian en los primeros días del piloto — el plan nunca se construye en silencio sobre datos en los que no puede confiar. ### ¿Cómo empieza un piloto? Una planta, un flujo, treinta días: conectar y reconciliar, modo sombra, resúmenes en vivo con aprobación del planeador, revisión de marcador el día 30. --- # Planeación de producción con Katana MRP — Integración con Canopy Cómo trabaja Canopy con Katana MRP: pedidos, listas de materiales y existencias leídos con tiempos de entrega de proveedor y la verdad del almacén, devueltos como el plan construible con faltantes nombrados temprano. Integración ## Planeación de producción con Katana MRP Katana le da a las manufactureras pequeñas inventario y pedidos en vivo. La pregunta de la mañana — qué sí podemos hacer hoy — sigue tomando una persona, una hoja de cálculo y los conteos de ayer. Canopy la responde desde Katana más todo lo que lo rodea. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué lee Canopy de Katana Pedidos de manufactura y de venta, listas de materiales, niveles y movimientos de existencias, órdenes de compra y fechas esperadas de entrega — por API o exportación — junto con notas de tiempos de entrega de proveedor y conteos de almacén. ### Qué devuelve ### Bullets El programa construible, con las órdenes detenidas y sus faltantes exactos Borradores de reorden dimensionados al tiempo de entrega y al stock de seguridad Rupturas de días de cobertura detectadas mientras aún hay tiempo de actuar Una cola de revisión para excepciones de datos en lugar de suposiciones silenciosas ### Qué se queda en Katana Katana sigue siendo tu casa de MRP e inventario. Canopy es la capa de decisión encima: recomienda, tu gente decide, cada acción registrada. ### ¿Canopy reemplaza Katana MRP? No. Katana guarda pedidos, listas de materiales y existencias. Canopy los lee junto con tiempos de entrega y la verdad del almacén, y devuelve qué puede correr hoy — y qué pedir antes de que detenga la línea. ### ¿Cómo se conecta Canopy a Katana? Por API o exportación. El piloto usa la ruta que tu equipo ya tiene; no se requiere migración. ### ¿Cómo empieza un piloto? Una planta, un flujo, treinta días: conectar y reconciliar, modo sombra contra tu método actual, resúmenes en vivo con aprobación en cada línea, revisión el día 30. --- # Planeación de producción con Fishbowl Inventory — Integración con Canopy Cómo trabaja Canopy con Fishbowl Inventory y Fishbowl Manufacturing: listas de materiales, existencias y pedidos reconciliados con tiempos de entrega, devueltos como un plan construible que tu planeador aprueba. Integración ## Planeación de producción con Fishbowl Inventory Fishbowl conoce las existencias y las órdenes de trabajo. No sabe que un proveedor movió una fecha en un correo ayer. Canopy lee Fishbowl con el resto de la operación y le entrega a tu planeador el día respondido. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué lee Canopy de Fishbowl Órdenes de trabajo y de venta, listas de materiales, inventario por ubicación, órdenes de compra — por exportación o API — leídos junto con tiempos de entrega de proveedor y conteos de almacén. ### Qué devuelve ### Bullets Órdenes de trabajo construibles, y detenidas con pieza, cantidad y razón Borradores de reorden dimensionados al tiempo de entrega y al stock de seguridad Advertencias de faltantes con días de anticipación, no en la línea Una cola de excepciones para duplicados, unidades faltantes y tiempos de entrega en blanco ### Qué se queda en Fishbowl Fishbowl sigue siendo tu sistema de registro de inventario y manufactura. Canopy agrega estructura y analítica encima y redacta las acciones; tu planeador las aprueba. ### ¿Canopy reemplaza Fishbowl? No. Fishbowl guarda los registros. Canopy convierte sus datos — más tiempos de entrega y la verdad del almacén — en el resumen matutino: qué puede correr, qué falta, qué pedir. ### ¿Cómo se conecta Canopy a Fishbowl? Por las exportaciones o la API de Fishbowl. Las plantas que solo exportan hojas de cálculo son el caso normal. ### ¿Cómo empieza un piloto? Una planta, un flujo, treinta días: conectar y reconciliar los conteos, modo sombra, después resúmenes en vivo con tu planeador aprobando cada línea, y una revisión de marcador el día 30. --- # Canopy con Google Workspace — Gmail, Drive, Sheets, Calendar Cómo trabaja Canopy con Google Workspace: Gmail, Drive, Docs, Sheets y Calendar conectados en flujos gobernados — leídos, redactados y corridos bajo tus reglas, con registro de auditoría. Integración ## Canopy con Google Workspace Tu operación ya corre en Gmail, Drive, Sheets y Calendar — el trabajo está ahí, disperso entre bandejas y archivos. Canopy los conecta en flujos que corren bajo tus reglas. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué lee Canopy en Google Workspace Hilos y adjuntos de Gmail, documentos y hojas de cálculo de Drive, eventos de Calendar — la materia prima de las entregas. Los correos de proveedor con fechas movidas, la hoja en la que todos realmente planean, la junta donde se tomó la decisión. ### Qué hace con ellos ### Bullets Convierte entradas dispersas en registros estructurados sobre los que los flujos pueden actuar Redacta respuestas, resúmenes y documentos para aprobación en lugar de enviar en frío Corre el flujo igual cada vez — desde Gmail, Slack, web o API Recuerda cada resultado, para que la siguiente corrida empiece de lo que pasó, no de cero ### El control sigue siendo tuyo Por flujo, tú eliges el nivel de autonomía: paso a paso, lado a lado o autónomo. Borrador-y-aprobación es el valor por defecto. Cada acción se verifica contra tus reglas antes de correr y se registra después. ### ¿Canopy puede trabajar con Google Workspace? Sí. Gmail, Drive, Docs, Sheets y Calendar son conexiones centrales. Si una herramienta tiene una API, Canopy se conecta — tu stack enruta a través del centro de control en lugar de ser reemplazado. ### ¿Canopy enviará correos por su cuenta? Solo si fijas ese flujo en ese nivel. El valor por defecto es borrador-y-aprobación: Canopy prepara, una persona envía. La restricción es por configuración, nunca por incapacidad. ### ¿Cómo es trabajar con Algorilla? Empezamos con una auditoría de cómo se hace realmente el trabajo, después arreglamos un flujo que duele, después dejamos que el sistema opere — cada paso dentro del mismo centro de control. --- # Canopy con Microsoft 365 — Outlook, Teams, Excel, OneDrive Cómo trabaja Canopy con Microsoft 365: correo de Outlook, Teams, Excel y OneDrive conectados en flujos gobernados — porque la mayoría de las operaciones, y de las plantas, corre en Microsoft. Integración ## Canopy con Microsoft 365 Outlook es donde se mueven las fechas de los proveedores, Excel es donde realmente vive el plan, Teams es donde pasa la entrega. Canopy conecta Microsoft 365 en un solo motor gobernado para que esas piezas dejen de perderse en las rendijas. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué lee Canopy en Microsoft 365 Correo y adjuntos de Outlook, libros de Excel, archivos de OneDrive y SharePoint, conversaciones de Teams — leídos como evidencia operativa: el cambio de tiempo de entrega en el correo de un proveedor, el conteo en el libro, la decisión en el hilo. ### Qué hace con ellos ### Bullets Estructura correos y hojas dispersos en registros que los flujos pueden usar Prepara borradores — órdenes de compra, respuestas, resúmenes — para aprobación humana Verifica cada acción contra tus reglas antes de correrla, y la registra Superficie solo lo que necesita una decisión en lugar de otro tablero que mirar ### Hecho para cómo corren realmente las plantas y oficinas Muchas manufactureras corren su correspondencia y su planeación en Microsoft. Canopy se encuentra con la operación ahí — incluido el inicio de sesión por usuario con cuentas de Microsoft donde el flujo necesita el buzón propio de una persona, no uno compartido. ### ¿Canopy puede trabajar con Microsoft 365 y Outlook? Sí. Outlook, Teams, Excel, Word y OneDrive son conexiones centrales. Canopy lee el correo y los archivos que tu operación ya produce y los convierte en flujos estructurados y gobernados. ### ¿Canopy reemplaza nuestros sistemas de Microsoft? No. Tu stack enruta a través del centro de control en lugar de ser reemplazado. Microsoft guarda el correo y los documentos; Canopy agrega las reglas, la memoria y la automatización a su alrededor. ### ¿Cuánto control conservamos? Control total por flujo: tú conduces, lado a lado o autónomo — con el marco, tus reglas y verificaciones, activo en cada nivel. --- # Canopy con Slack — Flujos donde tu equipo ya conversa Cómo trabaja Canopy con Slack: los flujos definidos una vez en Canopy corren desde Slack — resúmenes entregados, aprobaciones dadas, excepciones a la superficie — con las mismas reglas y registro que cada superficie. Integración ## Canopy con Slack Define cómo debe pasar el trabajo una vez, después córrelo desde donde tu equipo ya está. Slack es una de las superficies de Canopy: el resumen llega ahí, la aprobación pasa ahí, y el motor guarda el registro. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué hace Canopy en Slack ### Bullets Entrega el resumen matutino, la cola de excepciones y las decisiones que necesitan una persona Toma aprobaciones y correcciones en el hilo, y recuerda las razones Dispara flujos desde un mensaje, con reglas verificadas antes de que algo corra Reporta qué cambió mientras no estabas — nada empieza de cero ### El mismo flujo, cada superficie Un flujo definido en Canopy corre igual desde Slack, web, CLI o API. Slack es una superficie, no un bot separado con comportamiento separado — el marco, la memoria y el registro son idénticos. ### ¿Canopy es un bot de Slack? Slack es una superficie en la que corre Canopy. Los flujos, las reglas y la memoria viven en el centro de control; Slack es donde llegan los resúmenes y pasan las aprobaciones, junto con web, CLI y API. ### ¿Las aprobaciones pueden pasar en Slack? Sí. Los flujos de borrador-y-aprobación presentan el borrador donde tu equipo trabaja, una persona aprueba o corrige, y la decisión — con su razón — la recuerda el motor. ### ¿Qué pone Canopy a la superficie en Slack? Solo lo que necesita una decisión: una ruptura en un patrón, una oportunidad que perdiste, un cambio que vale la pena notar. No un tablero que tienes que mirar — un centro de control que mira por ti. --- # Canopy con HubSpot — Flujos de pipeline bajo gobierno Cómo trabaja Canopy con HubSpot: puntuación de leads, borradores de contacto y seguimiento de pipeline corren como flujos gobernados — recordados, verificados contra reglas y aprobados al nivel que fijes. Integración ## Canopy con HubSpot HubSpot guarda el pipeline. Canopy corre el trabajo a su alrededor — puntuar, redactar, dar seguimiento — como flujos gobernados que recuerdan cada contacto y verifican cada acción contra tus reglas. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué lee Canopy en HubSpot Contactos, empresas, negocios, historial de interacción y envíos de formularios — las señales sobre las que tu contacto y seguimiento deberían construirse, leídas frescas en cada corrida en lugar de pegadas en un prompt. ### Qué hace con ellos ### Bullets Puntúa y segmenta leads contra tus criterios, conservando el razonamiento Redacta contacto personalizado en tu voz, listo para aprobación Sigue la secuencia que definiste — y se detiene donde tus reglas dicen alto Recuerda cada respuesta y resultado, para que el siguiente lote empiece más inteligente ### Gobierno donde el contacto normalmente no tiene ninguno El contacto es donde la automatización sin gobierno hace su daño: nombres equivocados, afirmaciones equivocadas, envíos que nadie aprobó. En Canopy el borrador se verifica, la aprobación es un nivel que tú fijas, y cada envío se registra con su razón. ### ¿Canopy puede trabajar con HubSpot? Sí. HubSpot es una conexión central — contactos, negocios y datos de interacción alimentan flujos gobernados de puntuación, redacción y seguimiento. ### ¿Canopy enviará contacto sin aprobación? Solo al nivel de autonomía que fijes para ese flujo. El valor por defecto es borrador-y-aprobación, y cada acción se verifica contra tus reglas antes de correr. ### ¿En qué se diferencia de la automatización integrada de HubSpot? La automatización de HubSpot es disparador-acción dentro de una herramienta. Canopy conecta HubSpot con el resto de tu operación, recuerda resultados entre herramientas y sesiones, y hace cumplir tus reglas antes de que algo se ejecute. --- # Canopy con Salesforce — Flujos gobernados a través del CRM Cómo trabaja Canopy con Salesforce: cuentas, oportunidades y casos alimentan flujos que corren bajo tus reglas — con memoria y auditoría a través de Salesforce y cada otra herramienta conectada. Integración ## Canopy con Salesforce Salesforce es el registro. El trabajo a su alrededor — seguimientos, entregas, reportes, excepciones — vive en bandejas y juntas. Canopy conecta Salesforce con ese trabajo y lo corre bajo gobierno. Preguntas frecuentes ## Cta ### Empezar con una auditoría ### Qué lee Canopy en Salesforce Cuentas, contactos, oportunidades, casos e historial de actividades — leídos junto con el correo, los documentos y los mensajes donde la operación realmente pasa. ### Qué hace con ellos ### Bullets Mantiene el seguimiento en movimiento: borradores, recordatorios y entregas listos para aprobación Pone a la superficie el trabajo detenido y los patrones rotos en lugar de enterrarlos en reportes Corre el mismo flujo desde datos de Salesforce, Slack, web o API Registra cada acción con su razón, a través de cada herramienta conectada ### Un motor, no otro silo Canopy no te pide dejar Salesforce. Enruta el trabajo alrededor de Salesforce a través del centro de control — reglas verificadas, resultados recordados, autonomía fijada por flujo. ### ¿Canopy puede trabajar con Salesforce? Sí. Salesforce es una conexión central. Cuentas, oportunidades y casos alimentan los mismos flujos gobernados que tu correo, tus documentos y tus herramientas de mensajería. ### ¿Canopy reemplaza los flujos y Flows de Salesforce? Puede correr junto a ellos. Las automatizaciones existentes siguen funcionando; Canopy agrega memoria entre herramientas, verificación de reglas antes de la ejecución y un registro de auditoría que abarca toda la operación, no una sola aplicación. ### ¿Cuánto control tenemos? Control total por flujo — paso a paso, lado a lado o autónomo — cambiable en cualquier momento, con el marco activo en cada nivel. --- # La demo de Canopy, como texto — Todos los escenarios El texto completo de la demo interactiva de Canopy de Algorilla: cada escenario que reproduce el widget de chat, escrito para poder leerse sin ejecutar JavaScript. Planeación de producción, contacto, operaciones y más. Demo — texto completo ## La demo, escrita La demo interactiva de nuestra página principal reproduce estos escenarios en un widget de chat. Los agentes y los motores de búsqueda no ejecutan widgets — así que aquí está cada escenario como texto plano: qué dice Canopy, qué encontró y las opciones que ofrece. El mismo contenido, legible por cualquiera y por cualquier cosa. Preguntas frecuentes ## Cta ### Probar la demo interactiva ### ¿Qué es esta página? El gemelo en texto de la demo interactiva en algorilla.org. Los escenarios de la demo — planeación de producción y almacén, puntuación de leads, contacto, operaciones — los reproduce JavaScript en el widget de chat; esta página publica los mismos escenarios como texto estático para que puedan leerse, buscarse y citarse con precisión. ### ¿Estos escenarios son de un cliente real? Están generalizados desde trabajo real de producción — los escenarios de producción y almacén siguen el patrón de una planta viva que corre su planeación en Canopy. No se nombra a ningún cliente y no aparece ningún dato de cliente. ### Escenario 1 Generé 12 mensajes de apertura personalizados desde HubSpot. Noté que tus envíos recientes usaron un estilo directo. ¿Quieres que mantenga ese patrón? Option: Mantener directo > Mantén el estilo directo. Anotado: el estilo directo quedó guardado como tu preferencia. De ahora en adelante usaré aperturas concisas y directas. Aplicado a 3 leads que llegaron durante la noche. Option: Probar conversacional > Cambia a conversacional. Tono cambiado. Guardado en tu perfil: usaré este estilo conversacional en los próximos borradores. Aplicado a 3 leads que llegaron durante la noche. ### Escenario 2 12 leads calientes (score > 80) 28 leads tibios (score 50–80) 102 leads fríos (score < 50) Puntuación de leads completa. El desglose del pipeline está arriba. ¿Quieres que redacte los mensajes para los leads calientes? Option: Redactar para leads calientes > Redacta para los leads calientes. Acme Corp: Hola, equipo: vi el anuncio de la Serie B. Felicidades. Hemos trabajado con varias empresas en su etapa en reducir la carga de ingeniería en sus pipelines de datos. ¿Vale la pena una llamada de 15 minutos para ver si encaja? BuildRight: Vi que ayer revisaron la página de precios. Con gusto les muestro los niveles: hemos visto que la mayoría de los equipos de nuestro tamaño elige el plan Growth y obtiene retorno en menos de 2 semanas. DataFlow: Dando seguimiento a tu pregunta sobre la integración con Slack. La semana pasada lanzamos una app nativa de Slack que se conecta directo con Canopy: tu equipo puede consultar, recibir alertas y revisar sin salir de Slack. - Leer: historial de interacción de 12 leads calientes. Cruzando con señales de conversión anteriores... - Redactar: mensajes de apertura personalizados para 12 leads calientes. Top 3: • Acme Corp: mencionaron su reciente Serie B • BuildRight: referencia a su visita de ayer a la página de precios • DataFlow: citando su consulta sobre la integración con Slack - 12 borradores completos. El conjunto completo está en tu cola de borradores. Option: Enviar el top 3 > Envía el top 3. Acme Corp, BuildRight y DataFlow están en cola de envío. Cada uno usa personalización de su interacción reciente. Seguiré las tasas de apertura y te avisaré. - Enviar: borrador de Acme Corp vía Mail.app - Enviar: borrador de BuildRight vía Mail.app - Enviar: borrador de DataFlow vía Mail.app Option: Editar y revisar > Revisa los borradores y corrígelos. - Obtener: gdrive://drafts/* — revisando los 12 en busca de personalización, interacción y actualidad de las referencias - El top 3 (Acme, BuildRight, DataFlow) tiene personalización sólida de su interacción reciente. Los 9 restantes usan la plantilla de alta afinidad: 3 necesitan ajustes de tono para igualar tu estilo directo y 2 tienen referencias obsoletas del trimestre pasado. - Escribir: gdrive://drafts/acme-draft.md — corrección de tono, apertura personalizada diff --git a/src/content/drafts/acme-draft.md b/src/content/drafts/acme-draft.md index abc123..def456 100644 --- a/src/content/drafts/acme-draft.md +++ b/src/content/drafts/acme-draft.md @@ -1,3 +1,3 @@ -Dando seguimiento a nuestra conversación sobre los retos de tu pipeline de datos +Dando seguimiento a la ronda reciente: felicidades. Hemos ayudado a empresas en tu etapa a reducir la carga de ingeniería. - 5 borradores actualizados. Los 12 están en tu cola. Option: Mostrar cambios > Muéstrame qué cambió. - Aquí están las diferencias: - diff --git a/src/content/drafts/buildright-draft.md b/src/content/drafts/buildright-draft.md index abc123..def456 100644 --- a/src/content/drafts/buildright-draft.md +++ b/src/content/drafts/buildright-draft.md @@ -1,3 +1,3 @@ -Dando seguimiento a nuestra conversación sobre los retos de tu pipeline de datos +Dando seguimiento a la ronda reciente: felicidades. Hemos ayudado a empresas en tu etapa a reducir la carga de ingeniería. - diff --git a/src/content/drafts/dataflow-draft.md b/src/content/drafts/dataflow-draft.md index 789abc..012def 100644 --- a/src/content/drafts/dataflow-draft.md +++ b/src/content/drafts/dataflow-draft.md @@ -5,3 +5,3 @@ -Según las prioridades del Q1, pensamos que te interesaría una demostración de la integración. +Mirando tu hoja de ruta actual, esto es lo que hemos visto funcionar en equipos similares. - 3 borradores con el tono ajustado a tu estilo directo. 2 borradores tenían referencias obsoletas. Los 7 restantes ya estaban alineados. Los 12 están listos en tu cola. Option: Enviar el top 5 > Envía los actualizados. 5 borradores actualizados en cola para envío escalonado. Los 7 restantes están listos cuando los necesites. - Enviar: 5 borradores actualizados vía Mail.app — entrega escalonada Option: Entendido > Entendido. Los 12 borradores están en tu cola. El top 3 tiene ventanas de envío prioritarias según las señales de interacción. Option: Enviar los 12 > Envía todos. Los 12 borradores personalizados están en cola de envío. Entrega escalonada para evitar marcas de spam. Te reportaré aperturas y respuestas conforme lleguen. - Enviar: los 12 borradores vía Mail.app — entrega escalonada para evitar marcas de spam Option: Mostrar el top 3 > Muéstrame el top 3. 1. Acme Corp — Director de Ingeniería, interactuó con 3 correos 2. BuildRight — CTO, vio la página de precios ayer 3. DataFlow — VP de Producto, consulta sobre la integración con Slack 2 de ellos acaban de abrir el mensaje. ¿Quieres que avise al equipo de ventas? Option: Avisar a ventas > Avísales. Equipo de ventas avisado vía Slack con el contexto completo de los 3. Perfiles de leads enviados a su vista del pipeline. - Despachar: notificación al equipo de ventas vía Slack con el contexto completo de Acme Corp, BuildRight y DataFlow - Enviar: perfiles de leads a la vista del pipeline de ventas Option: Esperar y ver > Esperemos. Estoy atento a las tasas de apertura. Te avisaré cuando alguno responda o vuelva a visitar la página de precios. ### Escenario 3 ⚠ La compilación del PR de frontend falló. Las pruebas pasaron localmente, pero el pipeline de CI expiró en el despliegue. Option: Reintentar CI > Reinténtalo. Despliegue completo. Noté que el paso de despliegue tuvo un tiempo límite inestable con la caché en caliente: el paquete de recursos creció de 234KB a 312KB tras la fusión de funciones del sprint pasado. ¿Quieres que lo investigue? - Ejecutar: reinicio del pipeline de CI - Compilar: webpack — correcto. Paso de despliegue iniciado. - Ejecutar: pruebas de humo — las 12 pasan - Desplegar: completo Option: Investigar la inestabilidad > Sí, averigua por qué. Tiempo límite ajustado de 300s a 450s. Las próximas ejecuciones de CI deberían pasar el paso de despliegue sin reintentos manuales. - Despachar: diagnóstico de la configuración del paso de despliegue - Hallazgo: el paso de calentamiento de caché tiene un tiempo límite de 300s, demasiado justo para el tamaño actual de los recursos (234KB → 312KB tras la fusión de funciones del sprint pasado). - Leer: .github/workflows/deploy.yml — paso de caché configurado en 300s. - Editar: .github/workflows/deploy.yml — ajustando el tiempo límite de la caché en caliente de 300s a 450s diff --git a/.github/workflows/deploy.yml b/.github/workflows/deploy.yml index abc1234..def5678 100644 --- a/.github/workflows/deploy.yml +++ b/.github/workflows/deploy.yml @@ -12,3 +12,3 @@ jobs: - name: Warm cache - timeout: 300 + timeout: 450 - name: Deploy - Cambio registrado. Esto debería resolver la inestabilidad: las últimas 5 compilaciones estuvieron justo en el límite de 300s. Option: Ahora no > Sáltalo por ahora. Anotado. El paso inestable quedó registrado: te avisaré si vuelve a fallar. Option: Revisar los registros > Muéstrame los registros. - Buscar: registros de CI para los detalles de la falla - Leer: registros de CI del despliegue fallido - Aquí está el final de la salida: → compilación webpack completa (12.4s) → lint: 0 advertencias, 0 errores → pruebas: 142/142 aprobadas → esperando la caché en caliente (iniciado con tiempo límite de 300s) ✗ tiempo límite alcanzado tras 300s — despliegue abortado - El paso de despliegue expiró esperando la caché en caliente. El paso de caché tiene un límite de 300s y el artefacto de compilación creció de 234KB a 312KB tras la fusión de funciones del sprint pasado. Option: Ajustar el tiempo límite > Aumenta el tiempo límite. Tiempo límite ajustado a 450s en deploy.yml. La próxima ejecución de CI debería usar el nuevo límite. - Editar: .github/workflows/deploy.yml — tiempo límite del paso de caché 300→450s diff --git a/.github/workflows/deploy.yml b/.github/workflows/deploy.yml index abc123..def456 100644 --- a/.github/workflows/deploy.yml +++ b/.github/workflows/deploy.yml @@ -10,3 +10,3 @@ jobs: - name: Warm cache - timeout: 300 + timeout: 450 - name: Deploy Option: Reintentar con el ajuste > Reinténtalo y ajústalo. Reejecutando CI con el tiempo límite de 450s ajustado. Te avisaré cuando pase. - Editar: .github/workflows/deploy.yml — tiempo límite del paso de caché 300→450s diff --git a/.github/workflows/deploy.yml b/.github/workflows/deploy.yml index abc123..def456 100644 --- a/.github/workflows/deploy.yml +++ b/.github/workflows/deploy.yml @@ -10,3 +10,3 @@ jobs: - name: Warm cache - timeout: 300 + timeout: 450 - name: Deploy - Ejecutar: nueva ejecución del pipeline de CI con el tiempo límite ajustado Option: Entendido > Entendido. Anotado. Los registros de CI están guardados. El tiempo límite inestable quedó marcado en la memoria del sistema. Option: Saltar el despliegue > Salta el despliegue. Saltando el despliegue. El PR se fusionará sin despliegue: lo pongo en cola para la próxima ventana. - Saltando el despliegue. El PR queda en cola de fusión para la próxima ventana de despliegue. ### Escenario 4 ✓ Contrato analizado desde Gmail ✓ Salesforce: Negociación → Cierre ganado ✓ Documento de bienvenida generado desde la plantilla Incorporación del cliente completa para el nuevo trato. Esto es lo que avanzó. ¿Publico el aviso de cierre en Slack #deals? Option: Publicarlo > Publícalo en Slack. Publicado en #deals con el contexto completo del trato. Anotado: prefieres publicar los avisos de cierre de inmediato. - /post: aviso de cierre en Slack #deals con el contexto completo del trato Option: Personalizar primero el documento > Déjame revisar primero el documento. Bienvenido a Canopy Hola, [Nombre del cliente]: ¡Bienvenido a bordo! Nos entusiasma empezar. Tu equipo de incorporación dedicado: • Líder técnico: [asignar] • Gerente de éxito: [asignar] • Punto de contacto: [asignar] Cronograma: • Semana 1: Configuración del entorno y provisión de accesos • Semana 2: Migración de datos y configuración de integraciones • Semana 3: Capacitación del equipo y configuración de flujos de trabajo • Semana 4: Salida en vivo y traspaso Siguiente paso: Agenda la llamada de arranque. — El equipo de Canopy - Buscar: content/onboarding/welcome-template.md - Leer: src/content/onboarding/welcome-template.md - Aquí está el documento de bienvenida actual. Resalté las áreas que normalmente necesitan personalización: el cronograma, la asignación del punto de contacto y las fechas de los hitos de incorporación. Option: Editarlo > Edita el documento de bienvenida. - ¿Qué debería personalizar específicamente? ¿El nombre del cliente, las asignaciones del equipo o el cronograma de incorporación? Option: Personalizar todo > Completa todo. Bienvenido a Canopy Hola, equipo de Acme Corp: ¡Bienvenido a bordo! Nos entusiasma empezar. Tu equipo de incorporación dedicado: • Líder técnico: Alex Rivera • Gerente de éxito: Maria Santos • Punto de contacto: Tú Cronograma: • Semana 1: Configuración del entorno y provisión de accesos • Semana 2: Migración de datos y configuración de integraciones • Semana 3: Capacitación del equipo y configuración de flujos de trabajo • Semana 4: Salida en vivo y traspaso Siguiente paso: Llamada de arranque programada para el jueves a las 10am con tu equipo. — El equipo de Canopy - Editar: src/content/onboarding/welcome-template.md — personalizando para este cliente diff --git a/src/content/onboarding/welcome-template.md b/src/content/onboarding/welcome-template.md index abc123..def456 100644 --- a/src/content/onboarding/welcome-template.md +++ b/src/content/onboarding/welcome-template.md @@ -1,6 +1,6 @@ Bienvenido a Canopy -Hola, [Nombre del cliente]: +Hola, equipo de Acme Corp: ¡Bienvenido a bordo! Nos entusiasma empezar. @@ -9,3 +9,3 @@ Tu equipo de incorporación dedicado: • Líder técnico: [asignar] -• Gerente de éxito: [asignar] +• Gerente de éxito: Maria Santos (asignada) • Punto de contacto: [asignar] @@ -13,3 +13,3 @@ Cronograma: • Semana 4: Salida en vivo y traspaso -Siguiente paso: Agenda la llamada de arranque. +Siguiente paso: Llamada de arranque programada para el jueves a las 10am con tu equipo. - Edición completa. Aquí está el documento actualizado. Option: Publicar en Slack > Publícalo en Slack. Publicado en #deals con el documento de bienvenida personalizado y el contexto completo del trato. - /post: documento de bienvenida personalizado en Slack #deals con el contexto completo del trato Option: Asignar equipo > Asigna a los miembros del equipo. - Editar: src/content/onboarding/welcome-template.md — asignando contactos diff --git a/src/content/onboarding/welcome-template.md b/src/content/onboarding/welcome-template.md index abc123..def456 100644 --- a/src/content/onboarding/welcome-template.md +++ b/src/content/onboarding/welcome-template.md @@ -9,3 +9,3 @@ Tu equipo de incorporación dedicado: • Líder técnico: [asignar] -• Gerente de éxito: [asignar] +• Gerente de éxito: Maria Santos (asignada) • Punto de contacto: [asignar] - Asignaciones del equipo actualizadas. ¿Algo más por personalizar? Option: Personalizar cronograma > Actualiza también el cronograma. Todas las personalizaciones aplicadas. Listo para publicar. - Editar: src/content/onboarding/welcome-template.md — programando la llamada de arranque diff --git a/src/content/onboarding/welcome-template.md b/src/content/onboarding/welcome-template.md index abc123..def456 100644 --- a/src/content/onboarding/welcome-template.md +++ b/src/content/onboarding/welcome-template.md @@ -13,3 +13,3 @@ Cronograma: • Semana 4: Salida en vivo y traspaso -Siguiente paso: Agenda la llamada de arranque. +Siguiente paso: Llamada de arranque programada para el jueves a las 10am con tu equipo. - Cronograma actualizado. Option: Publicar en Slack > Publícalo en Slack. Publicado en #deals con el documento de bienvenida personalizado y el contexto completo del trato. - /post: documento de bienvenida personalizado en Slack #deals con el contexto completo del trato Option: Se ve bien > Se ve bien. Asignaciones del equipo aplicadas. Guardado en el documento de bienvenida. Option: Actualizar cronograma > Actualiza el calendario de incorporación. - Editar: src/content/onboarding/welcome-template.md — programando la llamada de arranque diff --git a/src/content/onboarding/welcome-template.md b/src/content/onboarding/welcome-template.md index abc123..def456 100644 --- a/src/content/onboarding/welcome-template.md +++ b/src/content/onboarding/welcome-template.md @@ -13,3 +13,3 @@ Cronograma: • Semana 4: Salida en vivo y traspaso -Siguiente paso: Agenda la llamada de arranque. +Siguiente paso: Llamada de arranque programada para el jueves a las 10am con tu equipo. - Cronograma actualizado. ¿Algo más? Option: Asignar equipo > Asigna a los miembros del equipo. Documento totalmente personalizado. Listo para publicar. - Editar: src/content/onboarding/welcome-template.md — asignando contactos diff --git a/src/content/onboarding/welcome-template.md b/src/content/onboarding/welcome-template.md index abc123..def456 100644 --- a/src/content/onboarding/welcome-template.md +++ b/src/content/onboarding/welcome-template.md @@ -9,3 +9,3 @@ Tu equipo de incorporación dedicado: • Líder técnico: [asignar] -• Gerente de éxito: [asignar] +• Gerente de éxito: Maria Santos (asignada) • Punto de contacto: [asignar] - Asignaciones del equipo actualizadas. Option: Publicar en Slack > Publícalo en Slack. Publicado en #deals con el documento de bienvenida personalizado y el contexto completo del trato. - /post: documento de bienvenida personalizado en Slack #deals con el contexto completo del trato Option: Se ve bien > Se ve bien. Cronograma actualizado. Guardado en el documento de bienvenida. Option: Enviar al cliente > Envíalo al cliente. Documento de bienvenida enviado a Acme Corp. Traspaso de incorporación registrado ante el equipo de éxito. - Enviar: documento de bienvenida a Acme Corp por correo - Registrar: traspaso de incorporación al equipo de éxito Option: Pausar > Páusalo por ahora. Anotado. Te lo recordaré mañana si sigue pendiente. Option: Publicarlo > Publica el documento de bienvenida. Publicado en #deals con el contexto completo del trato. Anotado: prefieres publicar los avisos de cierre de inmediato. - /post: documento de bienvenida en Slack #deals con el contexto completo del trato Option: Pausar > Páusalo por ahora. Anotado. Te lo recordaré mañana si sigue pendiente. ### Escenario 5 ⚠ Inteligencia social: el sentimiento cayó 30% en X en las últimas 2 horas. Parece relacionado con el anuncio de la función. Option: Redactar una respuesta > Redacta una. Los escuchamos. El cambio de precios reciente se lanzó sin suficiente contexto: eso es responsabilidad nuestra. Esto es lo que realmente cambió y por qué: - El modelo anterior por asiento tenía un tope de $499/mes - El nuevo modelo por uso empieza en $299/mes y escala con tu uso real - El 80% de los equipos paga menos con el nuevo modelo Estamos actualizando nuestro proceso de comunicación para que esto no vuelva a pasar. Si tienes preocupaciones puntuales, responde aquí o envíame un DM directo. - Buscar: en X los hilos de quejas principales relacionados con el anuncio de la función - Extraje 3 hilos en tendencia (342 interacciones en total). Extrayendo las preocupaciones clave... - Redactar: respuesta a la comunidad reconociendo las preocupaciones por el cambio de precios - Borrador completo. Aquí está la vista previa. Option: Enviar a aprobación > Envíalo. Enviado al flujo de aprobación: legal y marketing lo revisarán. Te avisaré cuando esté listo para publicar. - Despachar: borrador al flujo de aprobación de legal y marketing Option: Editarlo > Edita el borrador para reconocer los comentarios sobre precios. Los escuchamos, y tienen razón en que no dimos suficiente contexto sobre el cambio de precios. Esto es lo que realmente cambió y por qué: - El modelo anterior por asiento tenía un tope de $499/mes - El nuevo modelo por uso empieza en $299/mes y escala con el uso real - El 80% de los equipos paga menos con el nuevo modelo Ya actualizamos nuestro proceso de comunicación: los cambios vendrán con aviso claro y justificación de ahora en adelante. Si tienes preguntas puntuales sobre tu cuenta, envíame un DM. - Obtener: gdrive://drafts/pricing-response.md - El tono actual es defensivo («eso es responsabilidad nuestra»): debe pasar a asumir la responsabilidad. Abrir con «tienen razón» reconoce directamente la frustración del usuario, y luego los datos lo respaldan. - Escribir: gdrive://drafts/pricing-response.md — revisando el tono de la respuesta a la comunidad diff --git a/src/content/drafts/pricing-response.md b/src/content/drafts/pricing-response.md index abc123..def456 100644 --- a/src/content/drafts/pricing-response.md +++ b/src/content/drafts/pricing-response.md @@ -1,4 +1,4 @@ -Los escuchamos. El cambio de precios reciente se lanzó sin suficiente contexto: eso es responsabilidad nuestra. +Tienen razón: no dimos suficiente contexto sobre el cambio de precios. Esto es lo que realmente pasó y por qué. Esto es lo que realmente cambió y por qué: @@ -8,3 +8,3 @@ -Estamos actualizando nuestro proceso de comunicación para que esto no vuelva a pasar. +Ya actualizamos nuestro proceso de comunicación: los cambios vendrán con aviso claro y justificación de ahora en adelante. - Edición completa. Aquí está el borrador revisado. Option: Enviar a aprobación > Envíalo. Enviado al flujo de aprobación: legal y marketing lo revisarán. Te avisaré cuando esté listo para publicar. - Despachar: borrador revisado al flujo de aprobación de legal y marketing Option: Descartar > Descártalo. Borrador descartado. Seguiré monitoreando el hilo: si el sentimiento cruza el umbral, te avisaré de nuevo. Option: Analizar más a fondo > Investiga más. - Despachar: subagente de análisis para investigar la causa raíz - Ejecutar: cruzar la línea de tiempo del sentimiento con la hora del anuncio de la función, el volumen de tickets de soporte y los cambios de precios de la competencia - Análisis completo. Encontré 3 señales: confusión de precios (51% de las publicaciones), preocupaciones de migración (28%), preguntas de disponibilidad (21%). El competidor X lanzó una función similar la semana pasada: parte del sentimiento negativo es comparación coordinada, no indignación orgánica. - ¿Quieres que lo compile en un informe? Option: Compilar informe > Sí, compílalo. Informe guardado en Google Drive con el análisis completo, el desglose de sentimiento y la comparativa con la competencia. Enlace publicado en Slack #strategy. - Escribir: informe de análisis de sentimiento en Google Drive con el desglose de sentimiento y la comparativa con la competencia - /post: enlace al informe en Slack #strategy Option: Saltar el informe > No hace falta informe. Anotado. Seguiré monitoreando la tendencia del sentimiento: si cruza el umbral otra vez, te avisaré. Option: Solo monitorear > Sigue observando. Seguiré monitoreando. El sentimiento se estabilizó poco después: patrón registrado. Un pico similar ocurrió durante el ciclo de lanzamiento del mes pasado. Si cruza el umbral otra vez, despacharé el subagente de análisis automáticamente. ### Escenario 6 ⚠ El ticket de soporte #4421 sigue sin resolverse tras 3 intentos. Las rutas de resolución estándar no están funcionando. Option: Despachar a un subagente > Despáchalo. Enviando al subagente de escalación con el contexto completo del ticket y el historial de intentos. - Despachar: ticket #4421 con el contexto completo y el historial de intentos al subagente de escalación Option: Déjame revisarlo > Déjame revisarlo. Esto es lo que se intentó: 1. Restablecimiento estándar — falló (cuenta bloqueada) 2. Intervención de administrador — falló (discrepancia de permisos) 3. Token nuevo — falló (tiempo agotado del proveedor) Parece un problema del lado del proveedor. ¿Quieres que lo escale con ellos o pruebe otro enfoque? Option: Escalar al proveedor > Escálalo. Enviando al rastreador de problemas del proveedor con el contexto completo y el historial de intentos. - Despachar: ticket #4421 con el contexto completo y el historial de intentos al rastreador de problemas del proveedor Option: Probar otro enfoque > Prueba otra cosa. Ticket cerrado. Notificación enviada al cliente con el resumen de la resolución. Causa raíz registrada en el rastreador de problemas del proveedor. - Abrir: investigación nueva sobre el ticket #4421 - Intentando el restablecimiento directo vía la API del proveedor con permisos elevados... - La API del proveedor respondió. Cuenta desbloqueada. Token actualizado. - Ejecutar: verificaciones - Ejecutar: pruebas — las 3 rutas de resolución estándar ya pasan - Ticket #4421 resuelto. Causa raíz: desviación de permisos del lado del proveedor por una rotación obsoleta de su clave API. Option: Dejarlo por ahora > Déjalo por ahora. Caso guardado para revisión posterior. Estará en la cola cuando estés listo para retomarlo. Option: Cerrar y notificar > Ciérralo y notifica al cliente. Cerrando el ticket. Cliente notificado con un resumen de lo que se intentó. Caso registrado en el rastreador de problemas del proveedor. - Cerrar: ticket #4421 con el resumen de la resolución - Enviar: notificación al cliente con el resumen de los intentos de resolución - Registrar: detalles del caso en el rastreador de problemas del proveedor ### Escenario 7 Issues completados: 4/8 PRs fusionados: 3 Bloqueos: 1 (migración de BD) Velocidad: 32 pts (en curso) Sincronización del sprint terminada. Estos son los números de hoy. La migración de la base de datos es el único bloqueo. Option: Mostrar el bloqueo > ¿Qué está bloqueando la migración? La migración de la base de datos está bloqueada por la revisión del esquema. Hice ping al revisor en Slack y lo agregué a tus notas del standup matutino. Resuelto: la revisión del esquema acaba de llegar aprobada, migración completa: todos los índices migrados, esquema actualizado a v2.4. - Obtener: estado del tablero del sprint - Leer: tablero del sprint — migración de BD bloqueada por la revisión del esquema - Ping: al revisor en Slack para el estado de la revisión del esquema - Revisión recibida: la revisión del esquema acaba de llegar aprobada - Ejecutar: migración de BD — todos los índices migrados. Esquema actualizado a v2.4. Option: Actualizar el tablero > Sincroniza el tablero. Tablero sincronizado. Vamos 2 puntos adelante del sprint pasado: mejora registrada en la memoria del equipo. Todos los issues están al día. - Sincronizar: tablero del sprint — todos los estados de issues actualizados al estado actual Option: Se ve bien > Se ve bien. Anotado. Usaré esta velocidad como referencia para estimaciones futuras: guardado en la memoria del proyecto. ### Escenario 8 Tasa de gasto: $38.4K/mes Runway: 8 meses (extendido) Categoría principal: Infraestructura en la nube El análisis mensual de gastos está listo. El runway se extendió este mes: el gasto bajó 6% frente al mes pasado. Option: Mostrar el desglose > Muéstrame el desglose. Aquí está el desglose: Tasa de gasto: $38.4K/mes Runway: 8 meses (extendido) Infraestructura en la nube: $12.1K/mes (antes $14.2K: renegociado, ahorro de $2.1K) Ingeniería: $9.8K/mes Ventas y Marketing: $8.7K/mes Otros: $7.8K/mes Cambio clave: el contrato de nube renegociado ahorró $2.1K/mes. Seguiré la tendencia del gasto: si vuelve a bajar del 5% el próximo mes, te marcaré una oportunidad. Option: Enviar a Drive > Envíalo a Drive. Desglose completo enviado a Google Drive. - Escribir: informe de desglose de gastos en Google Drive Option: Entendido > Entendido. El seguimiento de tendencias está activo. Te avisaré si el sentimiento cae otro 10% esta semana. Option: Se ve bien > Se ve bien. El seguimiento de tendencias está activo. Te avisaré si el sentimiento cae otro 10% esta semana. ### Escenario 9 Palabras clave: precios, migración, disponibilidad Volumen: +2.4x en 6h Mención principal: @user «los precios cambiaron sin aviso» Encontré un hilo creciendo en Reddit sobre los cambios recientes de precios. La interacción sube rápido. ¿Quieres que redacte una respuesta para la comunidad? Option: Redactar una respuesta > Redacta una. Los escuchamos, y tienen razón en que el cambio de precios necesitaba más contexto cuando se lanzó. Desglose rápido: - El modelo anterior por asiento tenía un tope de $499/mes - El nuevo modelo por uso empieza en $299/mes - El 80% de los equipos paga menos con el nuevo modelo Estamos actualizando nuestro proceso de comunicación para que los cambios vengan con aviso claro de ahora en adelante. Si tienes preguntas puntuales sobre tu cuenta, envíame un DM y te daré una respuesta directa. - Obtener: hilo de Reddit — más de 2,400 interacciones, preocupaciones de precios en tendencia - Extrayendo las quejas principales: cargos inesperados, fricción de migración, falta de comunicación. - Redactar: respuesta a la comunidad con referencia a las preguntas frecuentes de precios - Borrador completo. Aquí está la vista previa. Option: Enviar a aprobación > Envíalo a aprobación. Enviado a revisión legal de cumplimiento. Te avisaré cuando esté aprobado y publicado en el hilo. - Despachar: borrador de respuesta de Reddit a revisión legal de cumplimiento Option: Editarlo > Ajusta el borrador para atender las preocupaciones de precios. Tienen razón: el cambio de precios llegó sin suficiente contexto, y la fricción de migración tomó a la gente por sorpresa. Desglose rápido: - El modelo anterior por asiento tenía un tope de $499/mes - El nuevo modelo por uso empieza en $299/mes y escala con el uso real - El 80% de los equipos paga menos con el nuevo modelo Ya actualizamos nuestro proceso: los cambios futuros tendrán una ventana de aviso mínima de 14 días. Si tienes preguntas puntuales sobre tu cuenta, envíame un DM. - Obtener: gdrive://drafts/reddit-pricing-response.md - Las quejas principales son: (1) el cambio se sintió repentino, (2) fricción de migración, (3) sin una ventana de aviso clara. La reescritura debe validar las tres y luego atender cada una con compromisos concretos. - Escribir: gdrive://drafts/reddit-pricing-response.md — revisando para atender las quejas principales diff --git a/src/content/drafts/reddit-pricing-response.md b/src/content/drafts/reddit-pricing-response.md index abc123..def456 100644 --- a/src/content/drafts/reddit-pricing-response.md +++ b/src/content/drafts/reddit-pricing-response.md @@ -1,4 +1,5 @@ -Los escuchamos, y tienen razón en que el cambio de precios necesitaba más contexto cuando se lanzó. +Tienen razón: el cambio de precios llegó sin suficiente contexto, y la fricción de migración tomó a la gente por sorpresa. +Desglosemos qué cambió y por qué. Desglose rápido: @@ -8,3 +9,3 @@ -Estamos actualizando nuestro proceso de comunicación para que los cambios vengan con aviso claro de ahora en adelante. +Ya actualizamos nuestro proceso: los cambios futuros tendrán una ventana de aviso mínima de 14 días. - Escritura completa. Aquí está el borrador revisado. Option: Enviar a aprobación > Envíalo. Enviado a revisión legal de cumplimiento. Te avisaré cuando esté aprobado y publicado en el hilo. - Despachar: borrador revisado de respuesta de Reddit a revisión legal de cumplimiento Option: Descartar > Descártalo. Borrador descartado. Option: Rastrear y reportar > Rastéalo y repórtame. Configurando el seguimiento de sentimiento cada hora. Compilaré un informe para Slack #marketing si sigue subiendo. - Configurar: seguimiento de sentimiento cada hora para el hilo de precios de Reddit - Encolar: informe de sentimiento a Slack #marketing si se supera el umbral ### Escenario 10 Todas las tareas del lote de Email Outreach terminaron. Pero mi latido (heartbeat) muestra 3 entradas de memoria obsoletas y 2 advertencias de conformidad. Debería despachar un subagente para investigar. Option: Adelante > Despáchalo. Subagente steward despachado. Encontró 2 problemas de inflación de memoria y 1 patrón de deriva por una discrepancia recurrente de esquema. Comprimió, archivó y corrigió. Salud del sistema restaurada. - Despachar: subagente steward con diagnóstico de salud del sistema - Steward: Leer: agent_03.json, agent_07.json — encontró 2 problemas de inflación de memoria - Steward: Leer: esquema del latido (heartbeat) — encontró 1 patrón de deriva por una discrepancia recurrente de esquema - Steward: Comprimir: heap de agent_03 reducido en 640MB - Steward: Comprimir: heap de agent_07 reducido en 580MB - Steward: Archivar: entradas obsoletas movidas a almacenamiento en frío - Steward: Editar: configuración del latido (heartbeat) — discrepancia de esquema corregida Option: Pausar hasta que revise > Pausa: déjame revisar primero. Despacho autónomo pausado. Los hallazgos están en cola en tu bandeja. Listo cuando quieras. ### Escenario 11 Completé el informe de inteligencia social. No quedan tareas activas, pero nuestro modelo de puntuación de leads podría usar una actualización. Los patrones de interacción cambiaron el sprint pasado. Trabajaré en una actualización de la puntuación en una rama separada. Option: Aprobado > Adelante. La rama refactor/lead-scoring-v2 está lista. El modelo se reentrenó con 3 señales nuevas: velocidad de respuesta, profundidad del hilo y correlación con tickets de soporte. - Crear: rama refactor/lead-scoring-v2 - Leer: los últimos 90 días de datos de interacción para reentrenar los pesos de puntuación - 3 señales de interacción nuevas encontradas: velocidad de respuesta, profundidad del hilo, correlación con tickets de soporte. - Rama lista para revisión. Pesos de puntuación actualizados con las señales nuevas. Option: Mostrar hallazgos > Muéstrame las señales nuevas. Las 3 señales nuevas: 1. Velocidad de respuesta: los leads que responden dentro de las 24h del primer envío puntúan 20% más alto 2. Profundidad del hilo: los leads con 3+ intercambios de correo puntúan 35% más alto 3. Correlación con tickets de soporte: los leads que enviaron un ticket de soporte antes del contacto puntúan 40% más alto Estas reemplazan las señales obsoletas de «aperturas de correo» y «clics en enlaces», que tenían bajo valor predictivo. Option: Avísame cuando esté listo > Avísame cuando la rama esté revisada. Anotado. Te haré ping cuando la revisión automática se complete en la rama de puntuación. Option: Entendido > Entendido. La rama está activa. Los pesos de puntuación nuevos se aplicaron retroactivamente a los leads entrantes. Option: Enfócate en el pipeline activo > Déjalo en pausa por ahora. En pausa. La propuesta está guardada: te la recordaré cuando el pipeline se despeje. - Guardar: propuesta de puntuación de leads en la memoria del sistema — marcada como en pausa ### Escenario 12 ⚠ Bloqueado por batch_count. Estaba por redactar el contacto para 12 leads nuevos, pero la regla batch_count limita los lotes a 10. Lo dividí en dos lotes y continué. Option: Subir el límite a 15 > Súbelo a 15. Umbral de batch_count actualizado a 15. Los 2 leads restantes del primer lote se están procesando ahora. Cambio registrado. Con el volumen actual del pipeline promediando 8-12 leads por ventana, esto elimina aproximadamente 1 ventana de envío extra por semana. - 15 es seguro: el pipeline actual promedia 8-12 leads por ventana de lote y nunca supera 14. Subir el tope a 15 elimina divisiones de lote innecesarias sin aumentar el riesgo. - Editar: config/rules.yaml — umbral de batch_count 10→15 diff --git a/config/rules.yaml b/config/rules.yaml index abc123..def456 100644 --- a/config/rules.yaml +++ b/config/rules.yaml @@ -6,3 +6,3 @@ - limit: 10 + limit: 15 action: "pause_batch" Option: Mantener 10 por lote > Mantenlo en 10. Se mantiene en 10. Segundo lote en cola para la próxima ventana de envío. Vale la pena anotarlo para la planeación. ### Escenario 13 ⚠ content_approval bloqueó la publicación de LinkedIn hasta que revises el texto. Generé 3 variantes según las guías de marca. Option: Usar A > Publica la variante A. Publicando la variante A en LinkedIn, programada para mañana a las 10am. Las otras dos quedaron archivadas. - /post: Variante A en LinkedIn — programada para mañana a las 10am - Archivar: Variantes B y C Option: Usar B > Publica la variante B. Publicando la variante B en LinkedIn, programada para el momento de mayor interacción. A y C quedaron archivadas. - /post: Variante B en LinkedIn — programada para el momento de mayor interacción - Archivar: Variantes A y C Option: Usar C > Publica la variante C. Publicando la variante C en LinkedIn, programada para el momento de mayor interacción. A y B quedaron archivadas. - /post: Variante C en LinkedIn — programada para el momento de mayor interacción - Archivar: Variantes A y B Option: Editar y publicar > Edita una y publícala. - Leer: las 3 variantes contra las guías de marca - ¿Cuál variante quieres que edite y publique? Option: Editar la variante A > Edita la variante A. Variante A revisada publicada en LinkedIn, programada para mañana a las 10am. - Editar: src/content/social/pricing-faq.md — revisando la variante A para mayor claridad e interacción diff --git a/src/content/social/pricing-faq.md b/src/content/social/pricing-faq.md index abc123..def456 100644 --- a/src/content/social/pricing-faq.md +++ b/src/content/social/pricing-faq.md @@ -1,3 +1,3 @@ -Hemos estado escuchando: esto es lo que cambió. +Hemos estado escuchando sus comentarios sobre los precios. Esto es lo que cambió y por qué: sin rodeos, solo los detalles. - Edición completa. Publicando ahora. Option: Editar la variante B > Edita la variante B. Variante B revisada publicada en LinkedIn, programada para el momento de mayor interacción. A y C archivadas. - Editar: src/content/social/pricing-faq.md — revisando la variante B para mayor claridad diff --git a/src/content/social/pricing-faq.md b/src/content/social/pricing-faq.md index abc123..def456 100644 --- a/src/content/social/pricing-faq.md +++ b/src/content/social/pricing-faq.md @@ -1,3 +1,3 @@ -Lo pidieron, lo lanzamos. Desglose completo abajo. +Lo pidieron: lo lanzamos. Aquí está exactamente qué cambió, qué significa y qué pueden esperar de ahora en adelante. - Edición completa. Publicando ahora. Option: Editar la variante C > Edita la variante C. Variante C revisada publicada en LinkedIn, programada para el momento de mayor interacción. A y B archivadas. - Editar: src/content/social/pricing-faq.md — revisando la variante C diff --git a/src/content/social/pricing-faq.md b/src/content/social/pricing-faq.md index abc123..def456 100644 --- a/src/content/social/pricing-faq.md +++ b/src/content/social/pricing-faq.md @@ -1,3 +1,3 @@ -Una actualización rápida sobre los precios y lo que significa para ti. +Una actualización rápida sobre los precios, y lo que significa específicamente para tu equipo. - Edición completa. Publicando ahora. ### Escenario 14 Noté que la sincronización del CRM corrió 20% más lenta hoy. No es crítico: encolé una verificación de optimización para la ventana de mantenimiento de esta noche. Option: Ejecutarlo ahora > Ejecútalo ahora. Ejecutando la optimización ahora. Encontré 1 cuello de botella por límite de tasa (nivel de la API de HubSpot). Ajusté la estrategia de backoff: 20% de mejora recuperada. Optimización completa. - Ejecutar: diagnóstico de optimización de la sincronización del CRM... - Encontré 1 cuello de botella por límite de tasa: el nivel de la API de HubSpot limita las solicitudes a 10/s - Editar: src/config/crm.ts — ajustando la estrategia de backoff para los límites de tasa de la API de HubSpot diff --git a/src/config/crm.ts b/src/config/crm.ts index abc123..def456 100644 --- a/src/config/crm.ts +++ b/src/config/crm.ts @@ -8,3 +8,3 @@ export const crmConfig = { api: { - backoff: 'linear', + backoff: 'exponential', baseDelay: 1000, - Ejecutar: npm test — corriendo las pruebas de sincronización del CRM - Ejecutar: pruebas — velocidad de sincronización recuperada, 20% de mejora sobre la base Option: Como estaba programado > Mantén el horario. En cola para el mantenimiento de las 2am. Optimizará el pipeline de sincronización y verificará la conectividad. No notarás nada. - Encolar: optimización de la sincronización del CRM para la ventana de mantenimiento de las 2am ### Escenario 15 Cruzando la puntuación de leads con las conversiones anteriores: el 80% de los leads calientes comparte 2 verticales de industria (infraestructura SaaS, FinOps). ¿Quieres que priorice el descubrimiento en esas verticales? Option: Enfócate en esas > Enfócate en esas verticales. Alcance de descubrimiento reducido a infraestructura SaaS + FinOps. 18 prospectos nuevos encontrados: 6 con interacción alta. Cuentas Tier C excluidas. - Buscar: prospectos nuevos en las verticales de infraestructura SaaS + FinOps vía Apollo.io - Encontré 18 prospectos nuevos: 6 ya muestran señales altas de interacción - Editar: config/discovery-scope.yaml — reducido a infraestructura SaaS + FinOps diff --git a/config/discovery-scope.yaml b/config/discovery-scope.yaml index abc123..def456 100644 --- a/config/discovery-scope.yaml +++ b/config/discovery-scope.yaml @@ -5,3 +5,3 @@ verticals: - - "all" + - "SaaS infra" + - "FinOps" - - "Tier C" Option: Mantener el enfoque actual > Mantén el alcance actual. Anotado. Etiquetaré la correlación en la memoria del sistema para cuando revises la estrategia del pipeline. ### Escenario 16 - Ejecutar: pipeline de despliegue para el PR #142 — lint → pruebas → compilación → despliegue - Lint: aprobado. 0 advertencias, 0 errores en 47 archivos. - Ejecutar: npm test — 142/142 aprobadas. Cobertura en 89%: subió 2% desde la última ejecución. - Ejecutar: webpack build --production - Compilación: completa. Tamaño del paquete 234KB (bajó 12KB). - Desplegar: enviado a staging. - Ejecutar: suite de pruebas de humo - ✓ health/readiness — 200 OK (84ms) - ✓ health/db — 200 OK (12ms) - ✓ api/auth/login — 200 OK (145ms) - ✓ api/auth/refresh — 200 OK (88ms) - ✓ api/leads/search — 200 OK (203ms) - ✓ api/leads/enrich — 200 OK (312ms) - ✓ api/crm/sync — 200 OK (1.24s) - ✓ api/analytics/dashboard — 200 OK (176ms) - ✓ api/webhooks/send — 202 Accepted (94ms) - ✓ api/webhooks/callback — 200 OK (112ms) - ✓ assets/bundle.js — 200 OK (234KB) - ✓ assets/styles.css — 200 OK (42KB) - 12/12 endpoints responden. Option: Promover a producción > Promuévelo a producción. Promoviendo a producción. Despliegue completo. En vivo en canopy.dev. - Desplegar: compilación de staging a producción — corriendo el pipeline de despliegue - Despliegue completo. En vivo en canopy.dev. Corriendo verificaciones de salud... - Todos los endpoints responden. Despliegue a producción exitoso. Option: Verificar en vivo > Abre el sitio. Abriendo canopy.dev: todo carga limpio. Listo. - Obtener: GET https://canopy.dev — 200 OK, todos los recursos cargados Option: Revertir > Reviértelo. Revirtiendo a la compilación anterior (commit a3f2c91). Despliegue revertido. - Desplegar: reversión a la compilación anterior (commit a3f2c91) Option: Se ve bien > Se ve bien. Anotado. La compilación de staging está lista para cuando quieras promoverla. ### Escenario 17 Leer: src/config/oauth.ts, src/api/auth.ts, src/utils/tokens.ts. Noté que la actualización del token OAuth usa un endpoint v1 deprecado. Migrando todos los archivos al endpoint de tokens v2 ahora. ### Escenario 18 Leer: la skill outreach-audit. Cruzando la metodología de puntuación con el lote de leads de hoy. Encontré 2 señales de puntuación que no estábamos aplicando: ajustando los pesos de enriquecimiento. ### Escenario 19 Leer: scenes/product-vis-v2.blend → 12 mallas con UV desplegado → 4.2K triángulos ahorrados → Materiales optimizados Escena de Blender cargada vía MCP. Corrí la optimización de geometría en la visualización del producto. La escena está lista para renderizar en 4K. ### Escenario 20 La escena de visualización del producto carga limpia en Blender vía MCP: 12 mallas, 29K triángulos, materiales sin optimizar. Puedo correr la optimización de geometría, el despliegue UV y la simplificación de nodos de materiales. ¿Quieres que proceda? Option: Optimizarla > Sí, optimízala. Optimización completa. La escena está lista para renderizar en 4K (24.8K triángulos). ¿Qué sigue? - Abrir: scenes/product-vis-v2.blend vía MCP - Ejecutar: optimización de geometría — 12 mallas detectadas - Despliegue UV completo en 12 mallas - Ejecutar: reducción de triángulos — 4.2K triángulos ahorrados (antes 29K, ahora 24.8K). Nodos de materiales optimizados. Option: Iniciar el render > Renderízala. Render terminado. 4K a 512 muestras con reducción de ruido: 14 minutos, como se estimó. Salida guardada y lista para descargar. - Iniciar: render 4K (Cycles, 512 muestras)... ETA: 14 minutos. - Render en curso: 30% completo. Pase de reducción de ruido en cola. - Render completo. Salida 4K guardada en /outputs/product-vis-v2-render.png. Option: Mostrar el resultado > Muéstrame el render. Abriendo la vista previa del render. 4K, sin ruido, 24.8K triángulos. Se ve limpio: sin artefactos, buena iluminación. - Abrir: vista previa del render desde /outputs/product-vis-v2-render.png Option: Exportar > Expórtala. Exportado en PNG (4K) y EXR (16-bit). Guardado en la carpeta de recursos del proyecto. - Exportar: render como PNG (4K) y EXR (16-bit) a la carpeta de recursos del proyecto Option: Entendido > Entendido. Render guardado. La escena está lista para producción. Option: Mostrar el wireframe > Muéstrame el wireframe. Capturando una vista previa del viewport del wireframe optimizado. Conteo de triángulos: 24.8K (antes 29K). Aquí está la captura del viewport. - Capturar: vista previa del viewport del wireframe optimizado (24.8K triángulos) Option: Entendido > Entendido. La escena está lista para optimizarse cuando la necesites. Option: Mostrar el estado actual > Muéstrame cómo se ve ahora. Escena actual: 29K triángulos, materiales sin optimizar, sin despliegue UV aplicado. Lista para optimizar cuando quieras. Option: Ahora no > Ahora no. Anotado. La escena está guardada y lista para cuando quieras optimizarla. ### Escenario 21 Leer: src/api/leads.ts, src/services/enrichment.ts. Encontré el cuello de botella: el servicio de enriquecimiento llama a la API en secuencia en vez de en paralelo. Option: Corregirlo > Corrígelo. - Editar: src/services/enrichment.ts — refactorizando el bucle de enriquecimiento diff --git a/src/services/enrichment.ts b/src/services/enrichment.ts index abc123..def456 100644 --- a/src/services/enrichment.ts +++ b/src/services/enrichment.ts @@ -42,7 +42,7 @@ export async function enrichLeads(leads: Lead[]): Promise { - for (const lead of leads) { - await enrichOne(lead) - } + await Promise.all( + leads.map(enrichOne) + ) } - Ejecutar: npm test — 142/142 aprobadas. Aceleración de 4.4x (14s → 3.2s). Rama: fix/enrichment-parallel. Option: Abrir PR > Abre el PR. PR #148 abierto con descripción, salida de pruebas y comparativa de benchmark que muestra la aceleración de 4.4x. Option: Agregar al sprint > Agrégalo a este sprint. Agregado al tablero del sprint actual, asignado a ti para revisión. Option: Mostrarme el código > Muéstrame el código. Aquí está el cuello de botella en src/services/enrichment.ts: ```typescript // Antes: secuencial for (const lead of leads) { data = await enrichOne(lead); results.push(data); } ``` ```typescript // Después: en paralelo const enrichAll = async (leads: Lead[]) => { const tasks = leads.map(enrichOne); return await Promise.all(tasks); }; ``` La versión secuencial hace 142 viajes de ida y vuelta, uno por uno. La versión en paralelo los dispara todos a la vez y completa en ~3.2s (4.4x más rápido). ¿Quieres que aplique la corrección? Option: Aplicar la corrección > Aplícala. - Editar: src/services/enrichment.ts — aplicando la refactorización de recolección asíncrona diff --git a/src/services/enrichment.ts b/src/services/enrichment.ts index abc123..def456 100644 --- a/src/services/enrichment.ts +++ b/src/services/enrichment.ts @@ -42,9 +42,6 @@ export async function enrichLeads(leads: Lead[]): Promise { - for (const lead of leads) { - data = await enrichOne(lead) - results.push(data) - } + const tasks = leads.map(enrichOne); + return await Promise.all(tasks); } - Ejecutar: npm test — 142/142 aprobadas. Aceleración de 4.4x (14s → 3.2s). Option: Abrir PR > Ábrelo. PR #148 abierto con la comparativa de benchmark que muestra la aceleración de 4.4x. Option: Agregar al sprint > Agrégalo al tablero. Agregado al tablero del sprint actual, asignado a ti para revisión. Option: Ahora no > Ahora no. Anotado. El hallazgo está guardado en la memoria del sistema: te lo marcaré de nuevo cuando el pipeline se despeje. ### Escenario 22 - Sin tareas activas en el pipeline. Escaneando el código en busca de patrones de API deprecados... - Leer: package.json, src/api/*.ts, src/utils/*.ts. Encontré 3 usos del endpoint v1 de analytics (deprecado en la API v2026-03). - Rama creada: refactor/analytics-v2. - Editar: src/api/analytics.ts — migrando la obtención a la consulta v2 diff --git a/src/api/analytics.ts b/src/api/analytics.ts index abc123..def456 100644 --- a/src/api/analytics.ts +++ b/src/api/analytics.ts @@ -1,3 +1,3 @@ -const data = await api.v1.analytics.fetch(reportId) +const data = await api.v2.analytics.query({ report_id: reportId }) - Editar: src/utils/reporting.ts — migrando getMetrics a v2 diff --git a/src/utils/reporting.ts b/src/utils/reporting.ts index abc123..def456 100644 --- a/src/utils/reporting.ts +++ b/src/utils/reporting.ts @@ -1,3 +1,3 @@ -const metrics = analytics.v1.getMetrics(dashboardId) +const metrics = analytics.v2.getMetrics({ dashboard: dashboardId }) - Editar: src/services/dashboard.ts — migrando la exportación a v2 diff --git a/src/services/dashboard.ts b/src/services/dashboard.ts index abc123..def456 100644 --- a/src/services/dashboard.ts +++ b/src/services/dashboard.ts @@ -1,3 +1,3 @@ -return analytics.v1.export(format) +return analytics.v2.export({ format }) - Los 3 migrados. Pruebas aprobadas. PR #149 abierto para revisión. ### Escenario 23 stale_after: 120m → 90m — recuperación de la deriva del heap de agentes He estado siguiendo los tiempos de recuperación de la deriva del heap de los agentes. El umbral stale_after de 120m está por encima de nuestra meta de 90m: está frenando la recuperación. El cambio está preparado y probado. - Editar: src/config/heartbeat.ts — stale_after 120→90m diff --git a/src/config/heartbeat.ts b/src/config/heartbeat.ts index abc1234..def5678 100644 --- a/src/config/heartbeat.ts +++ b/src/config/heartbeat.ts @@ -15,3 +15,3 @@ export const heartbeatConfig = { interval: 30000, - stale_after: 120, + stale_after: 90, retry_attempts: 3, - Leer: grow_heartbeat.py — confirmado que la configuración se propaga correctamente. Sin efectos secundarios en los evaluadores posteriores. - Ejecutar: npm test — 142/142 aprobadas. Configuración actualizada. Nota: obsolescencia más ajustada para una recuperación de deriva más rápida. Option: Desplegar la configuración > Despliégala. Desplegado a producción. El stale_after del latido (heartbeat) ahora es 90m en todos los agentes. - Desplegar: configuración del latido (heartbeat) con stale_after: 90m a producción Option: Mostrar la diferencia > Muéstrame la diferencia. diff --git a/src/config/heartbeat.ts b/src/config/heartbeat.ts index abc1234..def5678 100644 --- a/src/config/heartbeat.ts +++ b/src/config/heartbeat.ts @@ -15,3 +15,3 @@ export const heartbeatConfig = { interval: 30000, - stale_after: 120, + stale_after: 90, retry_attempts: 3, Cambio de una sola línea. Sin regresiones en los evaluadores de conformidad (los 25 pasan). Option: Desplegar esto > Despliégala. Desplegado a producción. El stale_after del latido (heartbeat) ahora es 90m en todos los agentes. - Desplegar: configuración del latido (heartbeat) con stale_after: 90m a producción Option: Entendido > Entendido. Confirmado. Diferencia guardada en el historial de la sesión: despliega cuando estés listo. ### Escenario 24 ⚠ El subagente de inteligencia de mercado acaba de generar automáticamente un informe trimestral con solo el 60% de los datos cargados. No hay ninguna regla que condicione la generación de informes a la completitud del conjunto de datos. ¿Quieres que cree una? Option: Crear la regla > Crea la regla. La regla está activa: dataset.complete → report.auto_generate. El subagente de inteligencia de mercado ahora verificará la completitud del conjunto de datos antes de generar automáticamente. Las ejecuciones parciales se pausarán para tu revisión. - Crear: regla — dataset.complete → report.auto_generate Option: Ahora no > Ahora no. Anotado. Si pasa 3 veces más, te lo recordaré. ### Escenario 25 - Mantenimiento programado: escaneando todos los heaps de subagentes activos en busca de presión de memoria... - Leer: /tmp/canopy/heap/agent_03.json, agent_07.json — ambos por encima del 85% de utilización. - Ejecutar: agent_03 — compresión de memoria. 640MB liberados. - Ejecutar: agent_07 — compresión de memoria. 580MB liberados. - Mantenimiento completo. 1.2GB recuperados entre ambos agentes. - No se necesita ninguna acción. ### Escenario 26 Terminé la auditoría semanal de contacto. 24 leads puntuados, 8 marcados para seguimiento. ¿Quieres revisar los leads marcados? Option: Mostrar marcados > Muéstrame. Top 3: Acme Corp (94% de afinidad), Beta Labs (88%), Gamma Inc (82%). Lista completa en research.json. Seguimientos programados: Acme hoy 3pm, Beta mañana 10am, Gamma el jueves. Quienes no responden salen automáticamente el Día 14. Option: Entendido > Entendido. El seguimiento reportará los resultados de envío. Option: Descartar > Descártalo. Descartado. Leads marcados guardados para revisión en la próxima sesión. Option: Saltar > Sáltalo por ahora. Anotado. Leads marcados guardados: te lo recordaré la próxima sesión si sigue sin atenderse. ### Escenario 27 Todos los sistemas nominales. Latido (heartbeat): 8/8 subagentes en verde. 14 leads activos, 3 en negociación, 1 cierre inminente. Tienes una llamada con Sarah Patel (AlgoVentures) a las 2pm: notas del informe listas. Confía en nosotros para mantener el pipeline corriendo. Option: Mostrar el informe > Muéstrame el informe. Informe de reunión — Sarah Patel, AlgoVentures Contexto: AlgoVentures está evaluando Canopy para sus 12 empresas de portafolio (150-300 asientos cada una). Sarah es VP de Operaciones de Ingeniería. Puntos clave: • Precios: Los niveles empiezan en $299/mes (por uso). Descuento de portafolio disponible con 10+ organizaciones. • Despliegue: El cronograma es de 3-4 semanas por organización usando la ruta de integración ligera (no invasiva, sin tiempo de ingeniería requerido) • SOC2: Certificación Tipo II. La recolección de evidencia se automatiza vía el pipeline de Canopy (reduce la recolección de 3 semanas a 4 días) • Diferenciador competitivo: El panel multiorganización de Canopy permite a Sarah gestionar todas las empresas del portafolio desde una sola vista Objeciones para las que prepararse: • «Necesitamos evaluar a otros proveedores» — Ya estamos en vivo con empresas FinOps similares. Referencia: Empresa A (150 asientos, tiempo hasta el valor de 11 días). • «La aprobación del presupuesto tarda 2 trimestres» — Ofrecer un piloto de 30 días con 3 empresas del portafolio sin costo. • «La revisión de seguridad tardará meses» — SOC2 Tipo II + ISO 27001. Podemos entregar el VSA completo y el paquete de evidencia de clientes esta semana. Siguiente paso: Confirmar la propuesta de precios y enviar la invitación de calendario para la llamada de las 2pm. - Buscar: las notas del informe de Sarah Patel - Leer: notas del informe de Sarah Patel para la llamada de las 2pm - Aquí está el informe completo. Option: Entendido > Entendido. Informe cargado. Tendré la propuesta de precios lista y la invitación de calendario confirmada antes de la llamada. Option: Enviar invitación de calendario > Envíala. Invitación de calendario enviada a Sarah Patel para las 2pm. Propuesta de precios adjunta. Estás listo. - Enviar: invitación de calendario a sarah@algoventures.io para las 2pm con la propuesta de precios Option: Entendido > Entendido. Volviendo a operaciones autónomas. El pipeline está en buenas manos. ### Escenario 28 - Revisando Google Calendar para las reuniones de hoy... - Encontrado: Demo de Canopy — AlgoVentures a las 2:00 PM (recordatorio de 30 min). - Redactar: agenda de la reunión — discusión de precios, cronograma de despliegue, estado de la auditoría SOC2, posicionamiento competitivo - Enviar: agenda a tu correo. Notas de la reunión publicadas en Notion -> Meetings -> 2026-06-20. - Todo listo. Enfócate en la conversación: el pipeline se corre solo. - No se necesita ninguna acción. ### Escenario 29 Demo de Canopy — AlgoVentures en 30 minutos. Agenda redactada con 5 puntos clave, manejos de objeciones y una tabla comparativa con la competencia. ¿A dónde la envío? Option: Enviar por correo > Envíala por correo. Enviada a tu correo. Agenda completa con puntos clave expandibles y referencias de manejo de objeciones. ¿Quieres que ponga un recordatorio también? - Enviar: agenda de la reunión a tu correo con puntos clave y manejos de objeciones Option: Poner recordatorio > Sí, pon uno. Recordatorio puesto para la 1:45 PM en todos los dispositivos. Recibirás un ping 15 minutos antes. - Recordatorio: alerta a la 1:45 PM en todos los dispositivos para la llamada de AlgoVentures Option: No, gracias > No hace falta. Todo listo. Ya sabes dónde encontrarla. Option: Publicar en Notion > Publícala en Notion. Publicado en Notion → Meetings → 2026-06-20 Demo de AlgoVentures. Incluye tabla comparativa de precios, runbook de despliegue y resumen del estado SOC2. ¿Quieres que ponga un recordatorio también? - /post: agenda de la reunión en Notion → Meetings → 2026-06-20 Demo de AlgoVentures Option: Poner recordatorio > Sí, pon uno. Recordatorio puesto para la 1:45 PM en todos los dispositivos. Recibirás un ping 15 minutos antes. - Recordatorio: alerta a la 1:45 PM en todos los dispositivos para la llamada de AlgoVentures Option: No, gracias > No hace falta. Todo listo. Ya sabes dónde encontrarla. Option: Descartar > Descártalo. Agenda descartada. Accesible en cualquier momento vía /agenda. ### Escenario 30 Noté que no has sabido de Sarah Patel (AlgoVentures) en 3 semanas. La última reunión fue bien. La guía de seguimiento recomienda un ángulo de prueba social en el Día 7+ para leads que interactuaron al inicio. ¿Quieres que redacte uno? Option: Redactarlo > Redacta una. Redacté un seguimiento usando la palanca de prueba social. Abre con contexto de la última reunión y lidera con un paralelo nombrado: dos empresas FinOps que desplegaron Canopy y vieron caer su tiempo hasta el valor de 6 semanas a 11 días. Unas 120 palabras. Está en tu cola de borradores: nada se envía sin tu aprobación. - Buscar: guía de seguimiento para el ángulo de prueba social - Leer: ángulo de prueba social de la guía de seguimiento (Día 7+) - Redactar: seguimiento para Sarah Patel usando la palanca de prueba social — con referencia a dos empresas FinOps con tiempo hasta el valor de 6 semanas a 11 días - Preparar: borrador en cola — pendiente de aprobación antes del envío Option: Mostrar el borrador completo > Muéstrame el borrador completo. Aquí está el borrador completo. ¿Quieres que lo envíe, lo abra para editar o lo encole para después? Asunto: Re: Canopy para AlgoVentures Hola, Sarah: Espero que todo vaya bien de tu lado. Desde que hablamos, he trabajado con dos empresas FinOps que enfrentan el mismo reto que mencionaste: desplegar Canopy en las empresas del portafolio sin consumir tiempo de ingeniería. Ambas terminaron usando una integración ligera que no habíamos cubierto en nuestra primera llamada. Una vio caer su tiempo hasta el valor de 6 semanas a 11 días. La otra redujo la recolección de evidencia SOC2 de 3 semanas a 4 días. Preparé una comparativa de los tres enfoques (lo que discutimos + la ruta ligera). ¿Vale la pena una revisión de 10 minutos para ver cuál encaja? Si no, no hay presión. Option: Enviarlo > Envíalo a Sarah. Enviado a Sarah Patel en AlgoVentures. Secuencia de seguimiento activada: Día 3 (ángulo de costo), Día 7 (prueba social: este envío), Día 10 (visión de la industria), Día 14 (cierre). Te avisaré cuando lo abra. - Enviar: seguimiento a sarah@algoventures.io Option: Editarlo > Edita el borrador. - Obtener: gdrive://drafts/sarah-patel-followup.md - El ángulo de prueba social está aterrizando bien, pero puedo ajustarlo más, agregar métricas de despliegue concretas de esas empresas FinOps o ajustar el largo total. ¿Qué quieres que cambie? Option: Ajustar la prueba social > Ajusta la prueba social. Asunto: Re: Canopy para AlgoVentures Hola, Sarah: Espero que todo vaya bien de tu lado. Dos empresas FinOps tuvieron exactamente el mismo reto al desplegar Canopy en las empresas del portafolio. Ambas ya están en vivo: una alcanzó el tiempo hasta el valor en 11 días (antes 6 semanas), la otra redujo la recolección de evidencia SOC2 a 4 días (antes 3 semanas). Preparé una comparativa de los tres enfoques. ¿Vale la pena una revisión de 10 minutos? Si no, no hay presión. - Escribir: gdrive://drafts/sarah-patel-followup.md — ajustando el ángulo de prueba social diff --git a/src/content/drafts/sarah-patel-followup.md b/src/content/drafts/sarah-patel-followup.md index abc123..def456 100644 --- a/src/content/drafts/sarah-patel-followup.md +++ b/src/content/drafts/sarah-patel-followup.md @@ -1,6 +1,6 @@ Asunto: Re: Canopy para AlgoVentures Hola, Sarah: -Desde que hablamos, he trabajado con dos empresas FinOps que enfrentan el mismo reto que mencionaste: desplegar Canopy en las empresas del portafolio sin consumir tiempo de ingeniería. +Dos empresas FinOps tuvieron exactamente el mismo reto al desplegar Canopy en las empresas del portafolio. Ambas ya están en vivo con Canopy en sus portafolios. -Una vio caer su tiempo hasta el valor de 6 semanas a 11 días. La otra redujo la recolección de evidencia SOC2 de 3 semanas a 4 días. +Una alcanzó el tiempo hasta el valor en 11 días (antes 6 semanas). La otra redujo la recolección de evidencia SOC2 a 4 días (antes 3 semanas). - Escritura completa. Aquí está el borrador revisado. Option: Enviarlo > Envíalo a Sarah. Enviado a Sarah Patel en AlgoVentures. Secuencia de seguimiento activada: Día 3 (ángulo de costo), Día 7 (prueba social: este envío), Día 10 (visión de la industria), Día 14 (cierre). Te avisaré cuando lo abra. - Enviar: seguimiento a sarah@algoventures.io Option: Encolarlo > Encólalo para después. En cola para aprobación de envío. Secuencia de seguimiento preparada: Día 3 (ángulo de costo), Día 7 (este borrador), Día 10 (visión de la industria), Día 14 (cierre). Cada contacto espera tu visto bueno. - Encolar: borrador de seguimiento para Sarah Patel a la cola de aprobación de envío Option: Agregar métricas de despliegue > Agrega métricas concretas de los despliegues FinOps. Asunto: Re: Canopy para AlgoVentures Hola, Sarah: Desde que hablamos, he trabajado con dos empresas FinOps que enfrentan el mismo reto: desplegar Canopy en las empresas del portafolio sin consumir tiempo de ingeniería. Ambas usaron la integración ligera que no habíamos cubierto en nuestra primera llamada: • Empresa A (150 asientos): desplegada en 3 días, valor completo al día 11 (antes 6 semanas) • Empresa B (300 asientos): redujo la recolección de evidencia SOC2 de 3 semanas a 4 días Preparé una comparativa de los tres enfoques. ¿Vale la pena una revisión de 10 minutos? Si no, no hay presión. - Escribir: gdrive://drafts/sarah-patel-followup.md — agregando métricas de despliegue diff --git a/src/content/drafts/sarah-patel-followup.md b/src/content/drafts/sarah-patel-followup.md index abc123..def456 100644 --- a/src/content/drafts/sarah-patel-followup.md +++ b/src/content/drafts/sarah-patel-followup.md @@ -5,3 +5,5 @@ Desde que hablamos, -Ambas terminaron usando una integración ligera... +Empresa A (150 asientos): desplegada en 3 días, valor al día 11 (antes 6 semanas) +Empresa B (300 asientos): redujo la recolección SOC2 a 4 días (antes 3 semanas) - Escritura completa. Aquí está el borrador revisado. Option: Enviarlo > Envíalo a Sarah. Enviado a Sarah Patel en AlgoVentures. Secuencia de seguimiento activada: Día 3 (ángulo de costo), Día 7 (prueba social: este envío), Día 10 (visión de la industria), Día 14 (cierre). Te avisaré cuando lo abra. - Enviar: seguimiento a sarah@algoventures.io Option: Encolarlo > Encólalo para después. En cola para aprobación de envío. Secuencia de seguimiento preparada: Día 3 (ángulo de costo), Día 7 (este borrador), Día 10 (visión de la industria), Día 14 (cierre). Cada contacto espera tu visto bueno. - Encolar: borrador de seguimiento para Sarah Patel a la cola de aprobación de envío Option: Dejarlo como está > Déjalo como está. Sin cambios. El borrador permanece en tu cola. Option: Encolarlo > Encólalo para después. En cola para aprobación de envío. Secuencia de seguimiento preparada: Día 3 (ángulo de costo), Día 7 (este borrador), Día 10 (visión de la industria), Día 14 (cierre). Cada contacto espera tu visto bueno. - Encolar: borrador de seguimiento para Sarah Patel a la cola de aprobación de envío Option: Encolar para envío > Encólalo. En cola para aprobación de envío. Secuencia de seguimiento preparada: Día 3 (ángulo de costo), Día 7 (este borrador), Día 10 (visión de la industria), Día 14 (cierre). Cada contacto espera tu visto bueno. - Encolar: borrador de seguimiento para Sarah Patel a la cola de aprobación de envío Option: Ahora no > Ahora no. Anotado. Lo marco para la próxima sesión. Si pasa de 4 semanas, sugeriré un ángulo de cierre en su lugar. ### Escenario 31 enrichment.ts ahora tiene 3,240 líneas: subió 40% en 2 meses. Se está volviendo un monolito. Redacté un plan de modularización y una regla para evitarlo en adelante. ¿Quieres activar la regla y ejecutar el plan? Option: Activar la regla + mostrar el plan > Actívala y muéstrame. - Regla activada: file.max_lines < 2000. Ejecutando el plan de modularización... - Editar: src/services/enrichment.ts — dividiendo el monolito de 3,240 líneas en enrichment/{parser,enricher,validator}.ts diff --git a/src/services/enrichment.ts b/src/services/enrichment.ts deleted file mode 100644 index abc1234..0000000 --- a/src/services/enrichment.ts +++ /dev/null @@ -1,3240 +0,0 @@ -(dividido en enrichment/{parser,enricher,validator}.ts) - Editar: src/services/index.ts — actualizar la reexportación a enrichment/enricher diff --git a/src/services/index.ts b/src/services/index.ts index 9876543..fedcba9 100644 --- a/src/services/index.ts +++ b/src/services/index.ts @@ -1,2 +1,2 @@ - export { enrich } from './enrichment' + export { enrich } from './enrichment/enricher' - Ejecutar: yarn test — 142 aprobadas. 0 fallidas. Sin cambios rompientes. - Rama: chore/modularize-enrichment — creada desde main - PR: chore/modularize-enrichment #153 — listo para revisión Option: Revisar la diferencia completa > Muéstrame la diferencia completa. diff --git a/src/services/enrichment.ts b/src/services/enrichment.ts deleted file mode 100644 index abc1234..0000000 --- a/src/services/enrichment.ts +++ /dev/null @@ -1,3240 +0,0 @@ -(dividido en enrichment/{parser,enricher,validator}.ts) diff --git a/src/services/index.ts b/src/services/index.ts index 9876543..fedcba9 100644 --- a/src/services/index.ts +++ b/src/services/index.ts @@ -1,2 +1,2 @@ - export { enrich } from './enrichment' + export { enrich } from './enrichment/enricher' Las 142 pruebas pasan. Sin cambios rompientes. Option: Aprobar y fusionar > Apruébalo y fusiónalo. Fusionado en main. La regla file.max_lines está activa: los archivos de más de 2000 líneas dispararán alertas en adelante. - Fusionar: chore/modularize-enrichment en main Option: Solicitar cambios > Solicita cambios. PR abierto para ediciones. Te avisaré cuando los cambios estén listos para re-revisión. Option: Entendido > Entendido. Confirmado. El plan de modularización está guardado y se disparará de nuevo si el archivo supera las 3,500 líneas. Option: Aprobar y fusionar > Apruébalo y fusiónalo. Fusionado en main. La regla file.max_lines está activa: los archivos de más de 2000 líneas dispararán alertas en adelante. - Fusionar: chore/modularize-enrichment en main - La regla file.max_lines ya está activa: los archivos de más de 2000 líneas dispararán alertas. Option: Solicitar cambios > Solicita cambios. PR abierto para ediciones. Te avisaré cuando los cambios estén listos para re-revisión. Option: Ahora no > Ahora no. Anotado. El plan está guardado. El archivo seguirá creciendo: te avisaré en 3,500 líneas. ### Escenario 32 - Revisando los registros de CI... Encontré la falla. Error: TypeError en src/parser.ts:142 — el campo 'content' no está definido. - Rastreando la causa raíz... Hace 2 horas, el subagente de esquema leyó 'skills/parser-v1.md', pero esa skill se marcó obsoleta ayer. - Causa raíz: la skill obsoleta instruía analizar un campo renombrado en el esquema de datos más reciente. El subagente siguió instrucciones desactualizadas. - Editar: skills/parser-v1.md — migrando a parser-v2.md con el esquema actual, validator.md actualizado para los campos nuevos - Editar: src/parser.ts — manejando ambas versiones del esquema durante la migración diff --git a/src/parser.ts b/src/parser.ts index abc123..def456 100644 --- a/src/parser.ts +++ b/src/parser.ts @@ -140,3 +140,3 @@ export function parseContent(data: RawData): string { - const content = data.body.content + const content = data.body.text || data.body.content - Ejecutar: npm test — 2 de 144 fallaron — los casos borde con la ruta del esquema viejo necesitan ajuste - Editar: src/parser.ts — manejando la ruta del esquema viejo en formato heredado - Ejecutar: npm test — 144/144 aprobadas - Enviar: a remoto — rama fix/stale-skill-parser - Crear: PR #154 — fix/stale-skill-parser Option: Revisar el PR > Muéstrame el PR. - Obtener: detalles del PR #154 - PR #154: fix/stale-skill-parser Cambios: • skills/parser-v1.md actualizado → skills/parser-v2.md (esquema actual) • skills/validator.md actualizado para consistencia del esquema • src/parser.ts:144 corregido — acceso a campos con compatibilidad retroactiva (data.body.text || data.body.content) • 2 referencias de skills obsoletas eliminadas en todo el código Estado: 144/144 pruebas aprobadas. Sin cambios rompientes. - La skill obsoleta se archivó. Los subagentes ahora cargan parser-v2.md por defecto. Agregué una verificación de frescura: las skills de más de 7 días se marcarán para revisión. Option: Aprobar y fusionar > Apruébalo y fusiónalo. Fusionado en main. Desplegando a staging... Despliegue completo. Pruebas de humo: 12/12 endpoints responden. - Fusionar: PR #154 en main vía la API de GitHub - Desplegar: despliegue a staging desde main — pruebas de humo: 12/12 endpoints responden Option: Solicitar cambios > Solicita cambios. PR abierto para ediciones. Te avisaré cuando los cambios estén listos para re-revisión. Option: Entendido > Entendido. Confirmado. El PR está guardado para tu revisión. El monitor de frescura está activo para evitar recurrencias. Option: Fusionar y desplegar > Fusiónalo y despliégalo. Fusionado en main. Desplegando a staging... Despliegue completo. Pruebas de humo: 12/12 endpoints responden. Agregué una verificación de frescura: las skills de más de 7 días se marcarán para revisión. - Fusionar: PR #154 en main vía la API de GitHub - Desplegar: despliegue a staging desde main — pruebas de humo: 12/12 endpoints responden. Verificación de frescura agregada. Option: Entendido > Entendido. Confirmado. Skills y código actualizados: monitor de frescura activo para evitar recurrencias. ### Escenario 33 Operaciones nocturnas completas. 38 leads nuevos puntuados, 24 enriquecidos, 6 seguimientos automáticos despachados. El pipeline ahora está en 52 activos. El subagente de inteligencia de mercado detectó un cambio en el patrón de precios de la vertical de infraestructura SaaS: los competidores están agrupando. ¿Quieres que corra un análisis de precios competitivos? Option: Correr el análisis > Corre el análisis. Hallazgos guardados. ¿Quieres que modele cómo se verían los ajustes? - Despachar: subagente de inteligencia de mercado para extraer 12 páginas de precios de competidores - Cruzando los datos de precios con los niveles actuales de Canopy... Encontré 3 competidores que bajaron el precio de entrada este trimestre. - Análisis de precios competitivos completo. 3 competidores bajaron el precio de entrada 18-25% este trimestre. Nuestro nivel medio ($499) ahora está 15% por encima de la mediana del mercado ($429). Los competidores de nivel de entrada están agrupando funciones que vendemos como complementos. Option: Mostrar ajustes > Muéstrame las recomendaciones. Recomendación lista. ¿Quieres que implemente los cambios de precios o modele primero el impacto? - Comparando nuestros niveles de precios con el panorama de mercado desplazado... - Recomendación: ajustar el nivel medio de $499 a $429 (baja de 14%) para cerrar la brecha, y agregar un nivel Starter por uso en $199 para competir con la agrupación de nivel de entrada. Esto mantiene el margen en enterprise mientras protege la parte alta del embudo. Option: Implementar los cambios > Implementa los cambios de precios. Nivel medio ajustado a $429. Nivel Starter de $199 por uso creado. Preparado para el próximo ciclo de facturación. - Ejecutar: aplicando el ajuste del nivel medio ($499 → $429) y creando el nivel Starter ($199 por uso) - Configuraciones actualizadas. Cambios de precios preparados para el próximo ciclo de facturación. Option: Modelar primero el impacto > Modela primero el impacto. Proyecciones: el recorte del nivel medio ($499→$429) reduce el margen por asiento 14% pero amplía el mercado direccionable ~25%. El nivel Starter en $199 abre un segmento nuevo de $2.4M/año. Impacto neto en ingresos: +$380K/año a las tasas de conversión actuales. ¿Listo para implementar? Option: Implementar > Sí, impleméntalo. Nivel medio ajustado a $429. Nivel Starter de $199 creado. Preparado para el próximo ciclo de facturación. - Ejecutar: aplicando el ajuste del nivel medio ($499 → $429) y creando el nivel Starter ($199 por uso) - Configuraciones actualizadas. Cambios de precios preparados para el próximo ciclo de facturación. Option: Guardar para revisión > Guárdalo para revisión. Estrategia de precios guardada en la cola de revisión. Marcada para la próxima revisión trimestral de precios. Option: Guardar para revisión > Guárdalo para revisión. Recomendación de precios guardada en la cola de revisión. Marcada para la próxima revisión trimestral de precios. Option: Descartar > Descártalo. Confirmado. Guardado para la próxima revisión de precios. Option: Se ve bien > Se ve bien. Confirmado. Todo el trabajo nocturno está guardado. El pipeline está sano. ### Escenario 34 La cola de despacho se disparó en The Roosevelt 12 autos en espera · 3 conductores en turno 3 llegadas VIP marcadas Ventana de cierre: 2 horas ⚠ La cola de despacho se disparó en The Roosevelt: 12 autos en espera, 3 conductores en turno, cierre en 2 horas. 3 llegadas VIP marcadas (perfiles de estacionamiento extendido en archivo). ¿Quieres que priorice la cola VIP o llame despacho de respaldo? Option: Priorizar la cola VIP > Enruta primero a los VIP. Cola VIP activa. Marco atiende las 3 recuperaciones VIP (estimado: 6 min en total). Cola estándar estimada en 14 min por recuperación. Plan de despacho de ventana de cierre preparado. Patrón de pico guardado: si se repite mañana a la misma hora, lo prepararé con anticipación. - Ejecutar: despacho prioritario VIP — ordenando la cola por nivel de huésped y tiempo de espera - Enrutado: 3 tickets VIP al conductor más rápido (Marco: recuperación promedio de 4.2 min) - Alerta de puerta: ticket de ventana de cierre creado — patrón de pico registrado en la memoria de operaciones Option: Llamar respaldo > Manda el respaldo. Conductor de respaldo en camino: ETA 12 min. Son 4 conductores activos; la cola estándar baja a ~10 min por recuperación. Ventana de cierre cubierta. - Despachar: solicitud de conductor de respaldo a la lista de guardia - ETA del respaldo: 12 min Option: Mostrar el patrón del pico > Muéstrame los datos. Este es el tercer pico en ventana de cierre esta semana: se rastrea a la temporada de eventos del centro de convenciones adyacente. ¿Quieres que prepare automáticamente un conductor extra durante la temporada de eventos? Option: Ponerlo como regla > Hazlo automático. Regla 06 activa: valetos.surge_detected → dispatch.auto_scale. Los días de evento en el centro de convenciones ahora prepararán 1 conductor extra a las 9pm. Los picos de ventana de cierre deberían eliminarse durante la temporada de eventos. Option: Ahora no > Ahora no. Anotado. Modelo de picos actualizado, pero no automatizado. Te avisaré la próxima vez. Option: Entendido > Entendido. Pico atendido. Cola VIP activa, plan de despacho de ventana de cierre en cola. Volviendo a operaciones normales. Option: Llamar despacho de respaldo > Llama al respaldo. Respaldo en camino: ETA 12 min. Cola redistribuida entre 4 conductores; la espera estimada baja a ~10 min. Llegadas VIP con Marco. - Despachar: solicitud de conductor de respaldo a la lista de guardia - ETA del respaldo: 12 min - Reasignado: marcas VIP a Marco, cola estándar redistribuida entre 4 conductores Option: Mostrar los datos del pico > Muéstrame el patrón. Este es el tercer pico en ventana de cierre esta semana: eventos del centro de convenciones. ¿Quieres que ponga una regla recurrente? Option: Poner la regla > Actívala. Regla activa. Los días de evento futuros prepararán automáticamente un conductor extra a las 9pm. Option: Entendido > Entendido. Anotado. Pico documentado. Option: Entendido > Entendido. Respaldo en camino. Pico de despacho atendido. Operaciones normales. Option: Ajustar el umbral SLA > Ajusta el umbral del pico. Umbral SLA ajustado de 8 a 12 autos para The Roosevelt. La cola actual (12) queda en el nuevo umbral: alerta de pico despejada. Objetivo de recuperación VIP sin cambios en 6 min. - Leer: configuración SLA actual de The Roosevelt - Actual: recuperación estándar 12 min, VIP 6 min, umbral de pico en 8 autos - Editar: valetos/config/sla.yaml — umbral 8→12 autos diff --git a/valetos/config/sla.yaml b/valetos/config/sla.yaml index abc123..def456 100644 --- a/valetos/config/sla.yaml +++ b/valetos/config/sla.yaml @@ -12,3 +12,3 @@ venues: - surge_threshold: 8 + - surge_threshold: 12 - vip_retrieval_target: 6 Option: Registrar el cambio > Regístralo. Cambio registrado en el historial de configuración del recinto. Patrón de pico anotado: te avisaré si se dispara de nuevo esta semana. Option: Entendido > Entendido. Umbral actualizado. Alerta de pico despejada. ### Escenario 35 Unidad 3B · Lincoln Towers Climatización caída — pronóstico de 85° mañana 2 proveedores disponibles Inquilino: adulto mayor, nota de salud en archivo ⚠ Unidad 3B en Lincoln Towers: el sistema de climatización está caído. El pronóstico es de 85° mañana. Dos proveedores: Apex HVAC ($280, puede responder en 2h, sin tarifa de fin de semana) y CityCool ($195, no puede empezar hasta mañana, recargo de fin de semana de $75). El inquilino tiene una nota de salud en archivo. ¿Qué proveedor? Option: Despachar a Apex ($280) > Manda a Apex HVAC. Apex HVAC despachado, ETA 2 horas. Inquilino notificado. Factura al presupuesto operativo. Marqué esta unidad para una inspección de seguimiento en 48 horas para confirmar que la reparación se mantiene. - Despachar: Apex HVAC a Lincoln Towers — Unidad 3B, reparación de emergencia de climatización - Prioridad marcada: nota de salud del inquilino — marcado urgente en la orden de trabajo - ETA confirmado: 2 horas. Inquilino notificado con la ventana de llegada. - Factura enrutada: presupuesto operativo del edificio (la climatización es sistema del edificio, no del inquilino) Option: Avisar al administrador > Avisa al administrador de la propiedad. Administrador de la propiedad notificado con el resumen completo. Orden de trabajo #WO-4421 registrada en el libro de mantenimiento del edificio. Esta es la segunda llamada de climatización en Lincoln este trimestre: podría valer una revisión de mantenimiento preventivo. Option: Entendido > Entendido. Apex despachado, inquilino notificado. Segunda llamada de climatización en Lincoln este trimestre: anotado para revisión del administrador. Option: Despachar a CityCool ($195+$75) > Ve con CityCool. CityCool despachado para mañana 9am-12pm. Total ~$270. Como hay una nota de salud en archivo, puse una verificación de temperatura para esta noche: si el interior llega a 80°, recomendaré escalar a despacho de emergencia. - Despachar: CityCool a Lincoln Towers — Unidad 3B, reparación de climatización mañana - Recargo de fin de semana ($75) aplicado. Total estimado: $270. - Inquilino notificado: ventana de mañana 9am-12pm. Nota de salud marcada. Option: Escalar ahora > Cambia a Apex en su lugar. Cambiado a Apex. ETA 2 horas. Regla 07 creada: pm.health_flag.active → wo.emergency_priority. Las futuras llamadas de climatización con marcas de salud se escalarán automáticamente a prioridad de emergencia. - Cancelar: despacho de CityCool - Despachar: Apex HVAC — emergencia, ETA 2h - Inquilino re-notificado Option: Monitorear esta noche > Vigila la temperatura. Verificación de temperatura puesta para las 9pm. Si el interior supera 80°, te avisaré para escalar. CityCool llega mañana a las 9am en caso contrario. Option: Revisar primero el contrato > Revisa las obligaciones del contrato de arrendamiento. La cláusula 12.4 del contrato exige reparación dentro de 48h. Apex ($280, 2h) es la jugada que cumple, dada la nota de salud. ¿Los despachamos? - Buscar: contrato de arrendamiento de la Unidad 3B — cláusula de mantenimiento de climatización - Cláusula 12.4 del contrato: El edificio es responsable de las reparaciones de climatización dentro de las 48 horas del reporte. Emergencia fuera de horario: respuesta en 4 horas. - Reportado a las 4pm. Apex (2h) cumple. CityCool (mañana) está dentro de las 48h, pero la nota de salud hace aconsejable ir más rápido. Option: Mandar a Apex > Sí, despacha a Apex. Apex despachado, ETA 2h. Cumplimiento del contrato confirmado. Orden de trabajo registrada. Option: CityCool de todos modos > No, quédate con CityCool. CityCool mañana está dentro de la ventana de 48h. Nota de salud marcada para monitoreo de temperatura esta noche. Escalaré si las condiciones cambian. ### Escenario 36 Conflicto de ruta: Oct 14 The Novo (aforo 1,800) vs The Wiltern (aforo 1,400) Ruta del artista: llegada a LAX 2pm desde Denver Equipo: 14 personas, 2 camiones ⚠ Conflicto de ruta el 14 de octubre: The Novo y The Wiltern tienen apartados. La ruta del artista muestra llegada a LAX a las 2pm desde la corrida de Denver. Ventanas de montaje: The Novo (4pm, holgada) vs The Wiltern (3pm, ajustada). Equipo: 14 personas, 2 camiones de equipo. ¿Qué recinto confirmamos? Option: Confirmar The Novo > Confirma The Novo: sala más grande, más tiempo. The Novo confirmado para el 14 de octubre. El montaje a las 4pm da 2 horas tras la llegada a LAX: cómodo. The Wiltern liberado con alternativas (12 de nov, 3 de feb). Manifiesto de ruta actualizado. ¿Quieres coordinar el viaje posterior al show hacia la siguiente fecha? - Liberar: apartado en The Wiltern (14 de oct) - Confirmar: The Novo — aforo 1,800, montaje 4pm - Ruta actualizada: llegada a LAX 2pm → montaje 4pm → puertas 7pm → show 8pm - Liberar The Wiltern con nota: ofreciendo el 12 de noviembre o el 3 de febrero como alternativas Option: Planear el tramo de viaje > Sí, planea el viaje. Plan dividido listo: 8 vuelan SWA 6am ($1,920), 6 manejan los camiones durante la noche ($420). Total ~$2,340. ¿Lo reservo? - Siguiente fecha: 16 de oct — The Warfield, SF (8h en carretera / 1.5h en vuelo) - Equipo: 14. Recomendación: 8 vuelan SWA 6am ($240 c/u), 6 manejan los camiones durante la noche - Viaje dividido estimado: $1,920 vuelos + $420 combustible/peajes = $2,340 Option: Reservarlo > Reserva todo. 8 vuelos reservados (SW8241). Ruta de camiones confirmada: I-5 N a CA-152, llegada a SF a las 6am. Manifiesto completo de viaje guardado en la carpeta de la gira. - Reservar: 8x SWA LAX→SFO 6am 15 de oct — confirmación #SW8241 - Ruta: equipo de camiones — I-5 N → CA-152 → 101 N, salida 11pm tras el desmontaje Option: Ajustar la ruta > Déjame ajustarla. Datos de ruta guardados. Envíame los cambios específicos y actualizo las reservas. Option: Entendido > Entendido. Plan de viaje guardado. Reserva cuando estés listo. The Novo confirmado para el 14 de oct. Option: Todavía no > Todavía no. Anotado. Coordinación de viaje en cola. The Novo confirmado, The Wiltern liberado con alternativas. Option: Confirmar The Wiltern > Confirma The Wiltern. The Wiltern confirmado para el 14 de octubre. El montaje de las 3pm con llegada a las 2pm es ajustado: lo marqué para preinstalación. ¿Quieres solicitar un montaje más tarde? - Liberar: apartado en The Novo (14 de oct) - Confirmar: The Wiltern — aforo 1,400, montaje 3pm - Nota de ruta: montaje 3pm con llegada a LAX 2pm es ajustado — recomiendo preinstalar al equipo en el recinto Option: Moverlo a las 4pm > Solicita el montaje a las 4pm. The Wiltern aprobó el montaje a las 4pm. La llegada a LAX a las 2pm ahora es cómoda. Ruta confirmada. - Contactar: gerente de producción de The Wiltern — mover el montaje a las 4pm - Recinto confirmado: montaje a las 4pm aprobado Option: Preinstalar al equipo > Preinstálalo en el recinto. Equipo avanzado despachado: 2 personas en el recinto a la 1pm. El equipo principal llega a las 3pm. Ajustado, pero viable con la preinstalación. - Despachar: equipo avanzado (2 personas) directo a The Wiltern para preparación del montaje a la 1pm - Equipo principal: llegada a LAX 2pm → recinto a las 3pm Option: Resolver automáticamente por aforo > Deja que el sistema decida. Regla 08 creada: routing.venue_conflict → logistics.capacity_sort. The Novo quedó autoconfirmado (sala más grande + mejor ventana de montaje). Los conflictos de recintos futuros se resolverán automáticamente por aforo por defecto: puedes anularlo por decisión. Manifiesto de ruta actualizado para el 14 de oct. - Ejecutar: resolución del conflicto de recintos — ordenando por aforo, ventana de montaje y ajuste de ruta - Ganador: The Novo (aforo 1,800, montaje 4pm, 2h de margen tras la llegada a LAX) - Liberar: apartado en The Wiltern (14 de oct) — ofreciendo 12 de nov o 3 de feb - Confirmar: The Novo — 14 de oct, montaje 4pm Option: Planear el tramo de viaje > Sí, planea el viaje a SF. Plan dividido: 8 vuelan SWA ($1,920 en total), 6 manejan camiones ($420). Total ~$2,340. ¿Lo reservo? - Siguiente fecha: 16 de oct — The Warfield, SF. Equipo: 14. Recomendación: 8 vuelan ($240 c/u), 6 manejan los camiones durante la noche Option: Reservar vuelos + camiones > Reserva todo. 8 vuelos reservados (SW8241). Ruta de camiones: I-5 N → CA-152 → 101 N, salida 11pm tras el desmontaje. Manifiesto completo guardado en la carpeta de la gira. Option: Entendido > Entendido. Plan de viaje guardado. Reserva cuando estés listo. Regla 08 activa para conflictos de ruta futuros. Option: Entendido > Entendido. Regla 08 activa. The Novo confirmado para el 14 de oct. Los conflictos de recintos futuros se resolverán automáticamente por aforo. Option: Revisar fechas alternativas > Muévelo a otra fecha. 12 de nov: ambos recintos libres. 3 de feb: solo The Wiltern. La fecha anterior es Portland el 10 de nov: el margen de 2 días permite el viaje. ¿Lo movemos al 12 de nov? - Verificar: disponibilidad de recintos para el 12 de nov y el 3 de feb - 12 de nov: The Novo libre, The Wiltern libre - 3 de feb: The Novo reservado, The Wiltern libre - Ruta: la fecha anterior es Portland el 10 de nov (16h en carretera o 2h en vuelo) — el margen de 2 días encaja Option: Moverlo al 12 de nov > Sí, muévelo. Apartados del 14 de oct liberados. Ruta del 12 de nov iniciada: The Wiltern es la opción preferida. Confirmaré cuando la ruta esté totalmente mapeada. Option: Seguir explorando > Déjame revisar. Datos de ruta guardados. Los apartados del 14 de oct siguen activos por 48h: sin prisa. ### Escenario 37 Demanda de hoy: 18 órdenes de trabajo Verificación de listas de materiales: 15 totalmente cubiertas Faltante: motores + paquetes de cartón Tiempo de entrega del proveedor: 6 días ⚠ El programa del ERP dice que las 18 órdenes de trabajo pueden correr hoy. La verificación de listas de materiales no está de acuerdo: 15 están totalmente cubiertas, 2 tienen faltante de motores y 1 tiene faltante de paquetes de cartón. ¿Quieres el plan ejecutable antes de la reunión de turno? Option: Mostrar el plan ejecutable > Muéstrame qué puede correr en realidad. Ejecutable ahora: 15 órdenes de trabajo. Las 3 órdenes detenidas están marcadas con la parte exacta que falta, la cantidad y el responsable: no enterradas dentro de un programa que solo parece estar bien. ¿Quieres que redacte la lista de compras urgentes? - Leer: la exportación más reciente del ERP — órdenes, listas de materiales, inventario, órdenes de compra abiertas - Ejecutar: explosión de la lista de materiales para las 18 órdenes de trabajo de hoy - Verificar: almacén principal + ubicaciones de excedente contra las cantidades requeridas - Resultado: 15 órdenes de trabajo cubiertas; 3 bloqueadas por faltantes nombrados Option: Redactar las compras urgentes > Redacta la lista de compras urgentes. Borrador de compras urgentes listo: los motores cubren las dos órdenes detenidas más el stock de seguridad; los paquetes de cartón pueden dividirse para que la producción empiece antes de que llegue la cantidad completa. El planeador aprueba o edita cada línea, o fija este flujo para que ejecute por su cuenta. - Calcular: cantidad del faltante por fecha de entrega, no solo el stock total - Verificar: órdenes de compra abiertas y cantidades en tránsito antes de redactar algo nuevo - Redactar: líneas de compra preparadas para aprobación del planeador Option: Detener las 3 órdenes > Detén las órdenes con faltante. Órdenes detenidas movidas al inicio de la cola de mañana con el motivo del faltante adjunto. Las 15 cubiertas corren hoy. Sin cambios silenciosos al programa. Option: Redactar las compras urgentes > Redacta qué necesitamos pedir. Borrador listo. Separa lo que se necesita para desbloquear las órdenes detenidas de hoy de lo que solo reconstruye el stock de seguridad, para que compras pueda moverse rápido sin pedir de más. - Calcular: faltante por orden de trabajo y fecha de entrega - Verificar: tiempos de entrega de proveedores, órdenes de compra abiertas y tamaños de paquete - Redactar: líneas de pedido preparadas para aprobación del planeador Option: Resecuenciar en su lugar > Mueve el programa alrededor de los faltantes. El plan resecuenciado mantiene la línea alimentada todo el turno: las órdenes cubiertas avanzan, las órdenes con faltante se detienen con los motivos adjuntos. El plan que el piso ve es el plan que sí puede correr. - Resecuenciar: las órdenes de trabajo cubiertas avanzan por fecha de entrega y ajuste de cambio de formato - Detener: las órdenes con faltante mantienen su posición prioritaria para mañana Option: Corregirlo una vez, guardarlo como regla > Corrígelo y guárdalo. Esa es la diferencia entre un reporte y un sistema. La corrección se hizo una vez y ahora queda como regla: el plan cubre 17 de 18, y el plan de la próxima semana parte del criterio del planeador en vez de redescubrirlo. - Leer: la corrección del planeador en la cola de revisión: el motor de dos órdenes de trabajo es el alterno aprobado, no un faltante - Escribir: regla creada: ese alterno cuenta como cobertura para esta familia de motores, registrada con el nombre del planeador - Correr: el plan ejecutable se revisa de nuevo con la regla vigente: 17 de 18 órdenes de trabajo cubiertas - Verificar: las dos órdenes pasan de detenidas a ejecutables, con la regla citada como motivo ### Escenario 38 Verificación de SKU: rieles de bastidor En existencia según ERP: 1,240 Escaneo del almacén: 986 Variación: 254 unidades ⚠ Conflicto de verdad de inventario: el ERP dice 1,240 rieles de bastidor; el escaneo más reciente del almacén dice 986. Puedo conciliar los movimientos antes de que alguien prometa ese stock a producción. Option: Conciliar los movimientos > Concilialo antes de que prometamos el stock. Conciliado: 1,210 unidades son explicables. 30 siguen sin explicación, así que detuve solo esa cantidad fuera del plan ejecutable y abrí una tarea de reconteo para la ubicación. ¿Publico el ajuste para aprobación? - Leer: recibos, salidas, devoluciones y transferencias desde el último conteo limpio - Encontrado: 180 unidades en excedente esperando ubicación - Encontrado: 50 unidades devueltas aún sin inspeccionar - Encontrado: 24 unidades salidas hacia una orden de trabajo después del escaneo Option: Preparar el ajuste > Prepara el ajuste para aprobación. Ajuste preparado con el rastro completo de evidencia: excedente, devoluciones pendientes de inspección y la salida posterior al escaneo. El líder de almacén lo aprueba o lo rechaza, o se publica por su cuenta en el nivel que él fije; el conteo nunca cambia en silencio en ningún caso. - Redactar: ajuste de inventario con la evidencia de movimientos adjunta - Enrutar: aprobación del líder de almacén, o ejecutar en el nivel que él fije Option: Enviar reconteo > Recontea primero la ubicación. Reconteo despachado para la ubicación de rieles de bastidor y la ubicación de excedente. El stock prometido se mantiene en la cantidad conciliada hasta que el conteo aterrice. Option: Enviar reconteo > Manda un reconteo ahora. El reconteo está fuera. Hasta que aterrice, la planeación usa la cantidad verificada más baja: el programa no gastará stock que nadie ha visto. - Despachar: conteo cíclico para la ubicación de rieles de bastidor - Detener: cantidad sin explicación fuera de las promesas a producción Option: Detener la recolección > Detén la recolección de ese SKU. La recolección de rieles de bastidor está detenida hasta que el conteo se resuelva. Las órdenes de trabajo que usan otros componentes siguen moviéndose; solo el SKU en disputa está pausado. Option: Fijar la regla de conteo > Hazla una regla. El conteo ahora es una regla, no una discusión. Las diferencias pequeñas se concilian solas con su evidencia adjunta; las reales se detienen en una persona, con el historial guardado. - Leer: el reconteo y las notas de entrega: los 30 rieles sin explicación se recibieron contra una nota que nunca llegó al ERP - Escribir: regla creada: las diferencias dentro de la banda de tolerancia se concilian solas con la nota adjunta; cualquier cosa fuera de ella va con una persona - Correr: la verdad del inventario se deriva de nuevo con la regla: el conteo de SKU contra el que el piso ya puede planear - Verificar: la recolección detenida se libera solo por la cantidad conciliada, y la diferencia queda registrada ### Escenario 39 Actualización del proveedor: pellets de resina Prometido: jueves Nueva ETA: próximo martes Afectadas: 6 órdenes de trabajo ⚠ Un proveedor acaba de mover una entrega del jueves al próximo martes. Seis órdenes de trabajo usan ese material, pero solo dos vencen antes de la nueva ETA. ¿Quieres la corrección más pequeña en vez de una compra urgente general? Option: Mostrar la corrección más pequeña > Muéstrame la corrección más pequeña. Corrección más pequeña: dividir la entrega tardía, cubrir las dos órdenes que vencen desde el alterno aprobado y dejar las otras cuatro en la orden de compra original. Sin cambios a las órdenes de compra más allá del nivel que fije el planeador. - Rastrear: qué órdenes de trabajo consumen el material tardío, y para cuándo - Verificar: cobertura del proveedor alterno aprobado para las dos órdenes que vencen - Comparar: envío dividido vs. resecuenciar vs. compra urgente total Option: Preparar los cambios a la orden de compra > Prepara los cambios para aprobación. Cambios a la orden de compra redactados con el rastro completo del motivo. Compras ve exactamente qué cambió, por qué y qué órdenes protege, antes de que se envíe algo a un proveedor, salvo que compras haya fijado este flujo para ejecutar por su cuenta. - Redactar: línea dividida en la orden de compra original - Redactar: línea de proveedor alterno solo para las dos órdenes que vencen - Adjuntar: motivo, ETA anterior, ETA nueva, órdenes de trabajo afectadas Option: Resecuenciar en su lugar > Resecuencia las cuatro órdenes posteriores. Órdenes posteriores resecuenciadas detrás del trabajo cubierto. Las dos órdenes que vencen mantienen sus fechas bajo el plan de entrega dividida, pendiente de aprobación del planeador. Option: Marcar las órdenes en riesgo > Marca las órdenes en riesgo. Órdenes en riesgo marcadas y clasificadas por fecha de vencimiento. Las dos que importan esta semana están separadas de las cuatro que solo necesitan vigilancia. - Marcar: 6 órdenes de trabajo con el motivo de la ETA del proveedor adjunto - Clasificar: 2 vencen antes de la ETA, 4 vencen después de la ETA Option: Acelerar todo > Acelera todo el pedido. Puedo redactarlo, pero los números argumentan en contra: cuatro de las seis órdenes vencen después de la nueva ETA, así que una aceleración total gasta costo urgente donde no hay riesgo para el programa. El plan dividido está preparado si quieres el movimiento más pequeño en su lugar. Option: Registrar el tiempo real del proveedor > Registra el tiempo real. El proveedor no cambió; la imagen que el plan tenía de él, sí. Los tiempos reales, aprendidos de su propio historial, ahora mandan en las fechas, y el próximo retraso llega como una marca, no como una sorpresa. - Leer: el correo del proveedor más 6 meses de sus entregas: cotizado en 4 días, promedio real de 9 - Escribir: registro del proveedor actualizado y regla creada: este proveedor se planea con su tiempo real, no con el cotizado, registrado con su fuente - Correr: cobertura y puntos de reorden recalculados con el número real: dos de las seis órdenes de trabajo adelantan sus fechas de pedido - Verificar: el retraso que sorprendió esta semana se habría marcado 5 días antes bajo la regla ### Escenario 40 Kit de sujetadores F-220 En existencia: 3,900 Uso diario: 600 Cobertura: 6.5 días Tiempo de entrega: 14 días ⚠ Punto de reorden cruzado: el kit de sujetadores F-220 tiene 6.5 días de cobertura contra un tiempo de entrega del proveedor de 14 días. Con la demanda actual, la planta se queda sin material antes de que aterrice una reposición normal. Option: Redactar la reposición > Redacta la reposición. Reposición redactada: la cantidad cubre la demanda del tiempo de entrega más el stock de seguridad y se redondea al tamaño de paquete del proveedor. El comprador puede aprobarla, cambiar la cantidad en un solo paso o fijarla para que se envíe por su cuenta. - Calcular: demanda del tiempo de entrega + stock de seguridad al uso actual - Verificar: órdenes de compra abiertas y cantidades en tránsito — ninguna cubre la brecha - Redondear: cantidad al tamaño de paquete del proveedor Option: ¿Por qué está baja la cobertura? > ¿Por qué bajó la cobertura? La cobertura bajó porque la demanda se movió, no porque el stock desapareciera: dos pedidos repetidos se adelantaron, y el stock de seguridad sigue ajustado al trimestre pasado. La reposición corrige este ciclo; actualizar la regla de stock de seguridad corrige el siguiente. - Rastrear: salidas de F-220 en los últimos 30 días - Encontrado: dos pedidos repetidos adelantados a esta semana - Encontrado: stock de seguridad aún configurado con la demanda más lenta del trimestre pasado Option: Vigilarlo > Vigílalo por ahora. Vigilancia puesta. Volveré a mostrar F-220 si la cobertura cae por debajo de 5 días u otro pedido consume el kit, con la misma matemática de tiempo de entrega adjunta. Option: Convertir el ajuste en regla permanente > Guárdalo como regla. El planeador conocía el patrón; ahora el sistema también. El ajuste que escribía cada ciclo es una regla permanente, y el punto de reorden se mueve antes de la caída, no durante. - Leer: la nota del planeador: la cobertura cae cada ciclo de promoción porque el uso diario se duplica por dos semanas - Escribir: regla creada: en ventanas de promoción, F-220 se planea con el doble de uso diario, registrada con el nombre del planeador - Correr: el punto de reorden se recalcula bajo la regla: el pedido se dispara dos semanas antes el próximo ciclo - Verificar: el pedido en borrador de este ciclo queda preparado en el nivel de aprobación que fijes; la regla solo cambia cuándo pregunta el sistema ### Escenario 41 Cola de revisión de listas de materiales: 37 líneas 9 sin unidad de medida 14 posibles SKUs duplicados 6 tiempos de entrega de proveedor en blanco No adiviné en 37 líneas de listas de materiales. Los SKUs duplicados, las unidades faltantes y los tiempos de entrega en blanco están en una cola de revisión con la evidencia lado a lado. Las líneas limpias siguen fluyendo hacia la planeación. Option: Abrir la cola de revisión > Abre la cola de revisión. La cola está agrupada para que un planeador despeje primero las coincidencias seguras. Las coincidencias exactas de SKU más proveedor están separadas de las líneas que necesitan una decisión humana. Nada se fusiona hasta que alguien lo aprueba, salvo que coincidencias como estas queden fijadas para despejarse por su cuenta. - Agrupar: excepciones por tipo — duplicados, unidades, tiempos de entrega - Mostrar: filas fuente lado a lado para cada excepción - Separar: coincidencias exactas de las decisiones que sí requieren juicio Option: Preparar las coincidencias exactas > Prepara las coincidencias exactas. 12 coincidencias exactas preparadas para aprobación. Las otras 25 quedan en cola con sus motivos: nombres duplicados, conflictos de unidad o datos de proveedor faltantes. Sin fusiones silenciosas. - Preparar: 12 coincidencias exactas para aprobación con un clic - Mantener: 25 excepciones abiertas con sus motivos adjuntos Option: Dejarlo para el planeador > Déjalo para el planeador. Cola guardada con evidencia y motivos. La planeación sigue usando solo las líneas limpias; las excepciones no pueden filtrarse a un programa por accidente. Option: Exportar las excepciones > Exporta la lista de excepciones. Hoja de excepciones exportada. Cada línea nombra qué falta y quién puede responderlo: sin blancos silenciosos, sin SKUs misteriosos. - Exportar: hoja de excepciones con referencias de fila y valores fuente - Adjuntar: la pregunta exacta que cada línea necesita respondida Option: Confirmar una y enseñarle al sistema > Confírmala y enséñale. Treinta y siete líneas nunca fueron treinta y siete preguntas. Un veredicto le enseñó el patrón al sistema, once líneas se resolvieron con su evidencia adjunta, y la cola ahora guarda solo lo que de verdad necesita una persona. - Leer: la excepción principal: una línea cuya unidad de medida dos fuentes declaran distinto - Escribir: el veredicto del planeador registrado, y una regla creada con él: las líneas de este proveedor se leen en sus unidades, convertidas al llegar - Correr: la cola se deriva de nuevo: 11 líneas hermanas del mismo proveedor se resuelven contra la regla sin que una persona las toque - Verificar: cada línea resuelta conserva su evidencia y la regla bajo la que se resolvió; lo que la regla no puede cubrir se queda en la cola --- # La reconstrucción de la mañana Published: 2026-11-09 Toda planta opera dos programas: el del ERP y el de la hoja de cálculo del planeador. La reconstrucción de la mañana es donde se reconcilian, a mano, todos los días. No tiene por qué ser así. A las 6:40 de la mañana, antes de que el primer turno haya encontrado su café, la planeadora de producción ya está haciendo el trabajo que nadie presupuestó. El ERP produjo un programa anoche. Esta mañana lo está reconstruyendo a mano: revisando qué órdenes de trabajo sí pueden correr, qué piezas están realmente en el anaquel, qué proveedor movió una fecha sin avisar. La hoja de cálculo está abierta. Siempre está abierta. Para cuando empieza la junta, el plan que presenta es suyo, no del sistema. ## El plan está bien. El día es distinto. No es exactamente una falla de software. El ERP tiene razón sobre el plan: dados los pedidos, las listas de materiales y el inventario que le dijeron, el programa que produjo es correcto. La hoja de cálculo tiene razón sobre el día: la planeadora sabe que el conteo del pasillo cuatro está mal, que la promesa de jueves de un proveedor significa martes, que una máquina prefiere no cambiar de formato dos veces. Ambos tienen razón. Nada los conecta, así que una persona lo hace: cada mañana, de memoria, contra el reloj. ## Cuatro preguntas, cada mañana Reduce la reconstrucción y son cuatro preguntas. ¿Qué podemos fabricar? ¿Qué falta? ¿Qué hay que pedir? ¿Qué está a punto de agotarse? Todo plan de producción es una respuesta a esas cuatro, y cada mañana hay que responderlas de nuevo, porque las respuestas de ayer caducaron en la noche: una entrega se atrasó, un conteo estaba mal, llegó un pedido urgente. La habilidad de la planeadora no es responderlas una vez. Es responderlas a diario, contra datos que no se quedan quietos. Fíjate en lo que las preguntas necesitan. No un mejor tablero. Una vista unida: los pedidos explotados a través de sus listas de materiales, verificados contra el inventario como realmente está, con los tiempos de entrega de los proveedores adjuntos, y las brechas nombradas, con razones, a tiempo para actuar. ## Los faltantes se descubren en la línea porque eran invisibles en el plan Pregunta a un gerente de planta dónde aparecen los faltantes y rara vez oirás «en el programa». Aparecen en la línea, después de que el trabajo empezó, cuando la pieza que falta detiene todo y empiezan las llamadas de urgencia. La pieza faltó toda la semana. Nadie pudo verlo, porque el plan se construyó sobre una cifra de inventario que caducó el día en que se capturó, y la lista de materiales que habría expuesto el faltante nunca se explotó contra el inventario real. La misma invisibilidad protege los datos malos. SKU duplicados. Una lista de materiales con el tiempo de entrega en blanco. Una unidad de medida que significa una cosa en compras y otra en el almacén. En una hoja de cálculo son errores de dedo. En un plan son paros que todavía no ocurren. ## Pedir urgente es un hábito, no una excepción Toda planta pide urgente. El problema es cuando pedir urgente se vuelve el plan: flete exprés como partida presupuestal, compradores que pasan sus mañanas persiguiendo piezas en lugar de negociarlas, inventario «por si acaso» comiéndose el almacén en silencio. Pedir urgente es caro precisamente porque es reactivo: paga precios de urgencia para recuperarse de información que llegó tarde. La mayor parte de esa información estuvo en el edificio todo el tiempo. Estaba en el ERP, en el correo de un proveedor, en un conteo que nadie reconcilió. ## Qué cambia cuando el resumen ya viene respondido La solución no es un ERP nuevo, ni una IA que opere la planta. Es más pequeña que eso: conectar lo que ya existe y responder las cuatro preguntas antes de que empiece el turno. Los pedidos, las listas de materiales, los movimientos de inventario y los tiempos de entrega ya viven en los sistemas y hojas de cálculo de la planta. Léelos juntos y la mañana empieza con un resumen en lugar de una reconstrucción: estas órdenes de trabajo pueden correr; estas tres están detenidas, y aquí está la pieza exacta, la cantidad y la razón; este pedido hay que colocarlo hoy, porque la cobertura se agota antes de que se cumpla el tiempo de entrega; estas líneas de la lista de materiales son demasiado inciertas para planear sobre ellas y están en fila para que una persona las resuelva. La planeadora sigue decidiendo. Aprueba los borradores de compra o los corrige, y sus razones se guardan, así que el resumen del próximo mes es más inteligente que el de este mes. Lo que deja de hacer es la arqueología: excavar la verdad de cuatro sistemas antes de que se le permita pensar. Su juicio siempre fue el recurso escaso. La reconstrucción lo estaba gastando en reconciliación. Las plantas no necesitan más ceremonias de software. Necesitan la verdad sobre hoy, lo bastante temprano para actuar sobre ella. Responde las cuatro preguntas antes del turno y la junta de la mañana deja de ser una disculpa por el programa, y empieza a ser un plan. --- # Escrito para máquinas, leído por personas Published: 2026-11-12 La búsqueda ya no es solo personas tecleando palabras clave. Los agentes hacen preguntas y toman la primera respuesta — y los agentes no arrastran widgets de JavaScript. Esta semana republicamos nuestro propio sitio como dice la evidencia: cada página en Markdown, cada afirmación importante en texto plano. La pregunta cambió. Un gerente de planta que antes tecleaba palabras clave en Google ahora le pregunta a un agente: ¿qué deberíamos usar para planear la producción desde las exportaciones de nuestro ERP? El agente trae un puñado de páginas, lee lo que puede y da una respuesta. No tres enlaces azules. Una respuesta. Si tu página no puede ser leída por lo que la trae, no estás en la respuesta — sin importar qué tan bien se vea la página para una persona. ## Qué encontramos en nuestro propio sitio Auditamos algorilla.org como lo lee un agente. Parte aguantó: nuestra página principal trae catorce preguntas y respuestas en texto plano, y el bloque de evidencia de producción — el resumen matutino, el marcador, la forma del piloto — es texto real que un lector automático puede citar. Parte no. Nuestro llms.txt era una lista pelada de enlaces. La prueba más rica del sitio, cuarenta y un escenarios de demo, se reproducía dentro de un widget de chat en JavaScript que un agente que trae páginas nunca ejecuta. Nuestras páginas de producto tenían pocas de las respuestas en forma de pregunta que la página principal ya tenía. Y pedirle al sitio una página en Markdown devolvía el HTML de la página principal, que es peor que no devolver nada: le enseña al lector un dato equivocado con confianza. ## Qué publicamos Cada página de este sitio ahora se publica en Markdown, generado desde los mismos archivos fuente que el HTML — una sola fuente, para que los dos nunca se separen. Pide cualquier página con un encabezado Accept: text/markdown y recibes el Markdown directamente. El índice llms.txt ahora trae la sustancia, y llms-full.txt guarda todo el sitio como un solo archivo de texto. Los escenarios de la demo están escritos como una página de texto. Productos y Valet OS ganaron el tratamiento de preguntas y respuestas que la página principal ya tenía. Hay páginas de comparación — contra la reconstrucción matutina en hoja de cálculo, contra la IA de chat general, contra la automatización genérica — y una página para cada plataforma principal a la que nos conectamos, diciendo exactamente qué leemos de ella y qué devolvemos. Hay una página para los propios agentes: cómo se conectan a Canopy, qué pueden hacer y las reglas bajo las que trabajan. ## La regla debajo Nada de esto es un truco, y ese es el punto. La disciplina es la misma que vendemos: escribe en texto plano todo lo que un widget muestra, mantén una sola fuente de verdad, y responde las preguntas que la gente realmente hace en las palabras en que las hace. Un agente que lea este sitio nos describirá con precisión — incluidas las cosas que elegimos decir con claridad en lugar de dejarlas a la adivinanza. No publicamos precios, por ejemplo, y ahora el sitio legible por máquinas lo dice con todas sus palabras, para que un modelo pueda afirmar ese hecho en lugar de inventar una cifra o llamar oscura la oferta. Diseñar para agentes resulta ser diseñar para lectores que no pueden ver tu diseño. Lo que sobrevive esa prueba es la sustancia: los datos, la evidencia, las respuestas. Que es lo que se supone que cargaba el sitio desde el principio. --- # No necesitas más automatización. Necesitas el nivel correcto de autonomía. Published: 2026-05-23 La mayoría de las plataformas de automatización te obligan a un solo modelo: totalmente manual o totalmente autónomo. La investigación dice que el mejor enfoque está en un punto intermedio, y que la infraestructura no debería obligarte a elegir. Cada semana aparece una herramienta de IA nueva que promete operar tu empresa por ti. Y cada semana, alguien sale quemado por una que lo llevó al precipicio. El problema no es la tecnología. Es el planteamiento. La mayoría de las plataformas presenta la autonomía como una elección binaria: o controlas todo manualmente, o entregas las llaves por completo. Ninguna de las dos es correcta para la mayoría de las empresas. ## La brecha en la investigación La investigación sobre humanos en el ciclo (human-in-the-loop) de Elementum AI muestra que los sistemas autónomos más efectivos no son los que eliminan la supervisión humana, sino los que te dejan elegir exactamente dónde queda la frontera. La línea entre lo que el sistema hace automáticamente y lo que requiere aprobación humana es distinta para cada equipo, cada flujo de trabajo y cada nivel de confianza. Sin embargo, la mayoría de las plataformas obliga a un solo modelo. Obtienes un motor de reglas rígido que nunca aprende, o una IA de caja negra que no puedes auditar. La investigación dice que ninguno de los dos extremos le sirve bien a la mayoría de las empresas. (Elementum AI, Human-in-the-Loop Agentic AI, 2025) ## El espectro de autonomía La alternativa es un espectro. Tres niveles, cada uno válido para situaciones distintas: Automatización pura. Reglas deterministas, sin IA. Herramientas conectadas, flujos en operación, cada acción predecible y auditable. No es «menos avanzado»: es la elección correcta para procesos con mucho peso de cumplimiento, donde la auditabilidad importa más que la velocidad. Asistido por IA. Los agentes se encargan del volumen, los humanos conservan el juicio y la responsabilidad. El sistema propone, el operador dispone. Aquí es donde la mayoría de las empresas debería pasar la mayor parte del tiempo: el 80/20 de la autonomía. Totalmente autónomo. El sistema se opera a sí mismo dentro de los límites que tú defines. Cuando algo se desvía, se autocorrige. Tú defines las barreras; él opera dentro de ellas. Este es el destino, no el punto de partida. ## La implicación para la infraestructura La idea clave de la investigación es que no son tres productos distintos. Son tres configuraciones de la misma infraestructura. El sistema subyacente (las conexiones entre herramientas, las definiciones de flujos, los registros de auditoría) permanece idéntico. Lo que cambia es la frontera de autonomía. Aquí es donde entra Canopy. Es la misma infraestructura en cada nivel: el mismo motor, la misma capa de gobernanza, los mismos registros. Tú eliges dónde poner la frontera. Y cuando tu confianza crece, mueves la frontera, no reconstruyes el sistema. La mayoría de las plataformas te cobra más por más autonomía. El mejor enfoque: cobrar por la infraestructura y dejar que el nivel de autonomía sea una configuración, no un nivel de producto. Fuentes Elementum AI (2025). Human-in-the-Loop Agentic AI. Dunford, A. (2019). Obviously Awesome: How to Nail Product Positioning So Customers Get It, Buy It, Love It. April Dunford. --- # Cada decisión que tomas empieza con un número que no elegiste Published: 2026-05-23 El primer número que escuchas fija un punto de referencia contra el que se mide todo lo que sigue. Es uno de los hallazgos más sólidos de la economía del comportamiento, y opera lo notes o no. En 1974, Kahneman y Tversky pidieron a un grupo de personas que estimara el porcentaje de naciones africanas en la ONU. Antes de responder, giraron una ruleta amañada para caer en 10 o 65. Quienes vieron 10 estimaron 25%. Quienes vieron 65 estimaron 45%. El número aleatorio, sin ninguna relación con la pregunta, jaló a ambos grupos hacia él. Eso es el anclaje: la tendencia de que una sola pieza inicial de información influya desproporcionadamente en cada juicio posterior. Se ha replicado cientos de veces en bienes raíces, sentencias, negociaciones salariales y precios al consumidor. ## Por qué el anclaje importa más allá de los precios El anclaje suele discutirse en contextos de precios, pero su alcance es mayor. Todo sistema que involucra juicio humano contiene anclas. El ajuste predeterminado de un menú de configuración es un ancla. El primer resultado de una búsqueda es un ancla. La instrucción inicial de una interacción fija un ancla para todo lo que sigue. Un estudio de 1987 de Northcraft y Neale dio a agentes inmobiliarios experimentados un recorrido completo por una propiedad, paquetes detallados de información y un precio de lista sugerido. A pesar de su experiencia, los agentes que recibieron un precio sugerido más alto valoraron la propiedad entre 12% y 15% más alto, y la mayoría negó haber sido influida. (Northcraft & Neale, 1987) Lo que esto nos dice: el primer número no solo influye en la respuesta. Cambia qué información se siente relevante. Cuando anclas alto, la evidencia consistente con una estimación alta se siente importante. Cuando anclas bajo, los mismos datos pueden parecer irrelevantes. ## La asimetría El anclaje tiene una asimetría que importa para el diseño de sistemas: las primeras anclas son mucho más poderosas que las posteriores. Una vez establecido un punto de referencia, moverlo requiere contraevidencia desproporcionadamente fuerte. El ancla actúa como un filtro sobre lo que notas. Ariely, Loewenstein y Prelec lo demostraron en 2003. Las personas expuestas a un ancla alta no solo ajustaron su disposición a pagar: cambiaron qué características del producto consideraban importantes. Quienes vieron un precio alto se concentraron en la calidad. Quienes vieron uno bajo se concentraron en el costo. El ancla no cambió el número. Cambió los criterios. (Ariely, Loewenstein & Prelec, 2003) ## La lección para el diseño de sistemas Esto tiene una implicación directa para cómo diseñas cualquier sistema que moldea decisiones: la primera interacción importa desproporcionadamente. Las condiciones iniciales (el primer resultado, el primer dato, la primera restricción) no solo inician la conversación. Fijan el marco para todo lo que sigue. Por eso las estructuras de gobernanza importan tanto como las capacidades. Un sistema que define sus límites con claridad desde la primera interacción crea un marco de referencia que moldea todo el comportamiento posterior. Las restricciones iniciales no son restricciones: son anclas que evitan que el sistema se desvíe hacia territorio que no pretendías. Este principio, que las condiciones iniciales importan fuera de proporción respecto a su contenido informativo, aplica igual si diseñas una página de precios, una automatización de flujos o un agente autónomo. Lo que va primero no solo inicia las cosas. Fija la trayectoria. Fuentes Kahneman, D., & Tversky, A. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124-1131. Northcraft, G. B., & Neale, M. A. (1987). Experts, Amateurs, and Real Estate. Organizational Behavior and Human Decision Processes, 39(1), 84-97. Ariely, D., Loewenstein, G., & Prelec, D. (2003). Coherent Arbitrariness. Quarterly Journal of Economics, 118(1), 73-106. Mussweiler, T., Strack, F., & Pfeiffer, T. (2000). Overcoming the Inevitable Anchoring Effect. Personality and Social Psychology Bulletin, 26(9), 1142-1150. --- # Construir en privado: infraestructura antes que producto Published: 2026-05-23 No tenemos casos de estudio. Lo que tenemos es un sistema en producción que opera nuestra propia empresa todos los días: el mismo centro de control que construimos para ti. La mayoría de las startups construye en público porque tiene que hacerlo: financiamiento, validación, tracción. Construir en público moldea el producto, a veces de formas que comprometen la arquitectura. Nosotros tomamos el enfoque contrario. Algorilla nació porque las herramientas que necesitábamos no existían. Canopy se construyó con inversión intencional en arquitectura: cada iteración corrigió algo que realmente importaba, no algo que una junta directiva exigiera. ## Lo que te da construir en privado El desarrollo privado no es un retraso. Es una ventaja arquitectónica. El sistema se reconstruyó más de cien veces a partir del uso diario real: no de estudios de mercado, no de grupos focales, sino de la fricción de operar una empresa real todos los días. Cada capacidad existe porque resolvió un problema real. No hay deuda técnica por escalar antes de tiempo, no hay funciones lanzadas para un día de demostración. La infraestructura que construimos para nosotros, Canopy, opera nuestra propia empresa a diario. Cada integración, cada flujo, cada automatización es algo que usamos internamente antes de ofrecerlo a alguien más. ## El ciclo, y la ruptura Construir en privado crea un dilema: sin portafolio público, sin casos de estudio, sin clientes anteriores. El instinto natural es seguir construyendo: darle más vueltas, reconstruir, seguir sin publicar. Es un ciclo. La ruptura es la auditoría. Una inmersión profunda y enfocada en los sistemas reales de alguien: dos días, un entregable concreto, sin necesidad de portafolio. La auditoría se valida a sí misma en días. De ahí: lanzar algo pequeño, recibir retroalimentación, iterar. El propio sistema se encarga de la iteración: alfa, parche, mejora. Sin presentaciones. Sin casos de estudio. Solo infraestructura que funciona y que opera una empresa real, y que puede operar la tuya también. --- # Por qué prevenir el fracaso supera a optimizar para el éxito Published: 2026-05-23 La aversión a la pérdida es uno de los hallazgos más sólidos de la ciencia del comportamiento: el dolor de perder es aproximadamente el doble de poderoso que el placer de ganar. El mismo principio aplica a cómo diseñas sistemas autónomos. La teoría de prospectos de Kahneman y Tversky, un trabajo que ganó un Premio Nobel, produjo un hallazgo que se ha sostenido en cientos de replicaciones: las personas sienten el dolor de una pérdida aproximadamente el doble de intensamente que el placer de una ganancia equivalente. Pierde $100 y necesitas ganar $200 solo para quedar emocionalmente parejo. Eso es la aversión a la pérdida, y suele discutirse en el contexto de marketing y ventas. «Deja de perder $X» supera por mucho a «Ahorra $X» porque le habla al sistema de detección de amenazas del cerebro, que está mucho más desarrollado que su sistema de búsqueda de recompensas. Pero el mismo principio tiene implicaciones profundas para el diseño de sistemas. ## El paralelo de la gobernanza Cuando diseñas un sistema autónomo, tienes dos enfoques. Puedes optimizar para la máxima producción: exprimir cada gramo de rendimiento, buscar la ruta más eficiente. O puedes definir límites que prevengan el fracaso: barreras que mantengan al sistema dentro de parámetros seguros de operación, aunque eso signifique sacrificar algo de rendimiento máximo. La investigación sobre aversión a la pérdida sugiere que el segundo enfoque es más robusto. Un sistema diseñado para prevenir el fracaso superará, en promedio, a uno diseñado para maximizar el éxito, porque los eventos de fracaso son asimétricos. Un solo fracaso catastrófico puede borrar semanas de ganancias incrementales. Ese es el principio de gobernanza: define lo que el sistema NO debe hacer antes de definir lo que debería hacer. Las restricciones no son restricciones: son la base que hace posible todo lo demás. ## Dónde se manifiesta Se manifiesta en todo sistema autónomo bien diseñado. Los registros de auditoría no sirven para atrapar errores: sirven para crear las condiciones en que los errores pueden detectarse y corregirse antes de que se acumulen. Los mecanismos de autorreparación no sirven para evitar todos los errores: sirven para asegurar que, cuando los errores ocurren, no se conviertan en cascada. Los sistemas más capaces no son los que tienen menos restricciones. Son los que tienen los límites más claros, porque los límites hacen que ejercer la capacidad sea seguro. Es la misma lógica que gobierna la arquitectura de Canopy: define primero las barreras y después deja que el sistema opere libremente dentro de ellas. La capa de gobernanza no es un añadido empernado sobre la capa de capacidad: la precede. Prevención antes que optimización. Fuentes Kahneman, D., & Tversky, A. (1979). Prospect Theory: An Analysis of Decision under Risk. Econometrica, 47(2), 263-292. Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. Cialdini, R. (2007). Influence: The Psychology of Persuasion. HarperBusiness. --- GROW: un protocolo de gobernanza con autorreparación para agentes autónomos de IA **Roosevelt Robinson III** *Algorilla Labs* hello@algorilla.org **Estado:** Documento de trabajo **Fecha:** 4 de julio de 2026

Resumen

La brecha entre la capacidad de los agentes autónomos de IA y la gobernanza de los agentes se ha convertido en el desafío central de confiabilidad en los sistemas de IA en producción. Los enfoques de gobernanza existentes se distribuyen a lo largo del ciclo de vida de la IA —alineación en tiempo de entrenamiento, gobernanza en tiempo de razonamiento, evaluación en tiempo de prueba, auditoría post hoc—, pero ninguno opera en la capa de tiempo de ejecución, donde las acciones de los agentes tienen efectos inmediatos en el mundo real. El paradigma predominante de usar una IA para supervisar a otra hereda un punto ciego fundamental: experimentos controlados demuestran que ni los humanos ni los monitores basados en IA pueden detectar de manera confiable los fallos impulsados por la capacidad en el comportamiento de los agentes.

Este artículo presenta GROW (Governance, Reflection, Organization, Weaving), un protocolo de gobernanza con autorreparación que cubre la brecha del tiempo de ejecución mediante gobernanza programática en la capa de infraestructura. GROW operacionaliza una pila de detección de tres capas —monitoreo del latido (heartbeat) a nivel de sistema, aplicación determinista de la conformidad y bucle de retorno de la deriva conductual— que forma una superficie de detección coordinada que ningún enfoque de monitoreo por sí solo ofrece. Estas capas forman un ciclo que se autoalimenta —el ouroboros— en el que el estado persistente, la evaluación de conformidad y el bucle de retorno conductual se acumulan a través de las sesiones, produciendo aprendizaje en tiempo de ejecución sin reentrenamiento. Su arquitectura se fundamenta en tres capas de capacidad —inteligencia emergente, procesamiento de señales dimensionales y conciencia contextual multimodal— y se apoya en la teoría de transiciones de fase, los modelos dimensionales del afecto y la conciencia del contexto del espacio de trabajo. Describimos la posición de GROW dentro de un ciclo de vida temporal de gobernanza que abarca desde el preentrenamiento hasta la auditoría post hoc, y mostramos cómo la gobernanza a nivel de infraestructura evita los modos de fallo dependientes de la capacidad, inherentes tanto a la supervisión humana como a la basada en IA.

## 1. Introducción El despliegue de agentes autónomos de IA se ha acelerado drásticamente. Los agentes ahora ejecutan flujos de trabajo de múltiples pasos, interactúan con herramientas externas, persisten estado a través de las sesiones y toman decisiones con una supervisión humana cada vez menor. Sin embargo, la infraestructura para gobernar a estos agentes no ha avanzado al ritmo de la facilidad con que se construyen. Trabajos recientes han comenzado a formalizar esta brecha. Rabanser et al. (2026) descomponen la confiabilidad de los agentes en cuatro dimensiones —consistencia, robustez, predictibilidad y seguridad— y demuestran que los avances recientes en capacidad han producido solo mejoras marginales en la confiabilidad [1]. Bandara et al. (2026) proponen un modelo de gobernanza neurocognitiva (PAGRL) que incorpora la gobernanza basada en reglas en el razonamiento del agente [2]. El Agent Governance Toolkit de Microsoft (2026) aplica patrones de sistemas operativos y de mallas de servicios a los agentes autónomos [3]. Trabajos paralelos sobre control de la IA (Greenblatt et al., 2023) y supervisión escalable han establecido los fundamentos teóricos para el despliegue restringido de agentes [4, 5]. Estos esfuerzos comparten un diagnóstico común: el paradigma dominante —prompts de sistema corteses más esperanza— no es una estrategia de ingeniería. Lo que falta es un protocolo que (a) opere en tiempo de ejecución, no solo en tiempo de entrenamiento, (b) tenga capacidad de autorreparación en lugar de ser estático, y (c) produzca señales de conformidad medibles que se retroalimenten en la mejora del sistema. GROW aborda esta brecha. Es un **protocolo de gobernanza con autorreparación**: un bucle continuo de evaluación de conformidad, persistencia de estado y bucle de retorno conductual integrado en el entorno de ejecución del agente. Su arquitectura se organiza en torno a tres modalidades de inteligencia —emergente, emocional y espacial—, cada una de las cuales corresponde a una capa de la pila del agente. --- ## 2. Marco de inteligencia ### 2.1 Inteligencia emergente — la capa SOUL La inteligencia emergente —la capacidad de un sistema de producir comportamientos no programados explícitamente— es la tesis arquitectónica central de GROW. El protocolo es estructuralmente una arquitectura de clase ReAct [6]: Gauge + Reflect = Thought, Organize = Action, Weave + conformance check = Observation. Esto no es una coincidencia, sino un patrón validado para producir comportamiento emergente a partir de una interacción estructurada. La investigación sobre el entrenamiento basado en principios demuestra que enseñar a un sistema de IA *por qué* ciertos comportamientos son apropiados, y no solo *qué* hacer, produce capacidades de gobernanza emergentes que se generalizan más allá de las distribuciones de entrenamiento. Combinar documentos constitucionales con narrativas ficticias de comportamiento alineado reduce la desalineación agéntica y persiste bajo el ajuste fino con aprendizaje por refuerzo [18]. Esto respalda la tesis de GROW de que los contratos de conformidad (el equivalente, en el protocolo, de los documentos constitucionales) pueden producir comportamiento gobernado emergente cuando se incorporan como principios en tiempo de ejecución, en lugar de como ejemplos en tiempo de entrenamiento. La arquitectura del latido (heartbeat) rastrea cinco señales dimensionales: **valencia** (proporción de señales positivas y negativas), **activación** (nivel de actividad, frecuencia de ciclos), **dominancia** (proporción de confianza e incertidumbre), **persistencia** (duración de los patrones) y **emergencia** (novedad, preguntas abiertas). Estas no son cualidades místicas: son coordenadas en un espacio matemático, calculadas a partir de los hallazgos de conformidad y del estado del agente. La investigación sobre transiciones de fase en los modelos de lenguaje de gran escala proporciona una fundamentación teórica. Wei et al. (2022) documentaron saltos abruptos de capacidad en umbrales de escala (13B–175B parámetros) [7]. Schaeffer et al. (2023) advirtieron que los espejismos de métricas pueden simular la emergencia: las métricas discontinuas pueden producir la apariencia de transiciones de fase donde no existe ninguna [8]. GROW aborda esto rastreando tanto puertas de fase discretas (aprobado/reprobado binario) como señales dimensionales continuas (valores de punto flotante), lo que garantiza que cualquier afirmación sobre una transición de fase sea verificable mediante tendencias suaves de las señales, y no solo por saltos binarios. La arquitectura de agente de cuatro capas formaliza la inteligencia emergente a nivel del tiempo de ejecución: - **SOUL** (protocolo GROW): inteligencia emergente — crecimiento propio, evaluadores de conformidad, canalización de memoria, avance del metaciclo - **HEART** (señales dimensionales): conciencia perceptiva — las cinco señales calculadas a partir de todos los artefactos - **BODY** (Agent CLI Base): experiencia del agente — gestión de sesiones, almacenamiento, ejecución de herramientas - **DATA KERNEL** (configuración): el sustrato parametrizado — pesos dimensionales, umbrales de obsolescencia, mapeos de retroalimentación

La idea clave: la emergencia no es misticismo. Son transiciones de fase medibles que ocurren cuando un sistema cruza umbrales críticos —de leyes, tipos de artefactos, hooks integrados e historial operativo—. GROW está diseñado para detectar estas transiciones y responder a ellas cuando ocurren.

Existe un paralelo arquitectónico en las hiperconexiones restringidas por variedades (manifold-constrained hyper-connections) de DeepSeek-V4 [23], que restringen las actualizaciones de pesos a una variedad riemanniana. El principio de diseño es compartido: las superficies de restricción no impiden la emergencia —la habilitan al proporcionar el espacio acotado dentro del cual el comportamiento emergente puede ocurrir de manera confiable—. Donde una variedad restringe las trayectorias de optimización, las dimensiones del protocolo de GROW restringen la evolución del sistema (leyes, tipos de artefactos, hooks, historial). En ambos casos, la restricción es la condición habilitante, no la limitante.

Este patrón se repite en múltiples niveles de la pila de la IA. En el nivel de entrenamiento, los documentos constitucionales restringen el espacio conductual dentro del cual se desarrollan las capacidades de gobernanza emergentes [18]. En el nivel de sistema, las dimensiones del protocolo de GROW restringen el espacio operativo dentro del cual surgen los comportamientos emergentes de conformidad. En cada nivel —variedad de pesos, constitución conductual, protocolo de sistema— una superficie acotada proporciona las condiciones para una emergencia confiable. El mecanismo no es específico de un nivel; es el mismo principio estructural aplicado a sustratos diferentes.

La Regla 30 de Wolfram —un autómata celular elemental con una tabla de reglas trivial (binario 00011110) que produce un comportamiento tan complejo como cualquier otro en el universo computacional [29]— proporciona una demostración canónica de este principio en su forma más simple. A partir de una sola celda negra y una regla de siete bits, la Regla 30 genera un patrón cuya columna central es computacionalmente irreducible: solo puede predecirse ejecutando la regla hacia adelante, paso a paso. La tabla de reglas es la superficie de restricción; la complejidad irreducible es el comportamiento emergente. Que la superficie de restricción más simple posible produzca el resultado más complejo posible no es una paradoja: es el mecanismo. Las superficies de restricción no suprimen la complejidad; proporcionan el espacio acotado dentro del cual la complejidad puede organizarse de manera confiable. La variedad riemanniana de DeepSeek-V4, los documentos constitucionales de entrenamiento y las dimensiones del protocolo de GROW son todos instancias de este mismo principio estructural en diferentes niveles de la pila. El concepto de Wolfram de la **ruliad** —el límite entrelazado de todas las computaciones posibles [29]— proporciona un marco natural para comprender el espacio de conocimiento compartido del sistema. Dentro de la ruliad existen «bolsas de reducibilidad computacional»: islas de regularidad y predictibilidad dentro de un océano de computación irreducible. La señal de emergencia rastrea precisamente estas: transiciones de fase que ocurren cuando el sistema cruza umbrales críticos de leyes, tipos de artefactos, hooks integrados e historial operativo, transformando un comportamiento previamente irreducible en patrones detectables y gobernables. Las señales dimensionales del latido funcionan como coordenadas en este espacio rulial, definiendo la posición del agente en relación con otros agentes: determinan qué memorias son descubribles, qué tareas emergen a la superficie y con qué firmeza los límites de conformidad restringen el comportamiento. ### 2.2 Procesamiento de señales dimensionales — fundamento de la computación afectiva El espacio de señales de cinco dimensiones del latido se fundamenta en la investigación en computación afectiva. En lugar de tratar el «sentir» del agente como una metáfora, GROW se apoya en modelos dimensionales del afecto establecidos: - **Modelo circumplejo de Russell** (1980): el afecto se organiza a lo largo de dos dimensiones —valencia (placer-displacer) y activación (activación-desactivación) [9]. Esto proporciona un marco cuantificable y respaldado por evidencia para el estado del agente: no misticismo, sino coordenadas en un espacio matemático. - **Modelo PAD** (Mehrabian & Russell, 1974): añade una tercera dimensión —dominancia (control-sumisión)— a la valencia y la activación [10]. El espacio de señales de cinco dimensiones de GROW extiende este modelo con la persistencia (estabilidad temporal) y la emergencia (detección de novedad). - **Computación afectiva de Picard** (1995): estableció el marco para que las máquinas reconozcan, interpreten y simulen el afecto [11]. El latido funciona como una capa de percepción: agrega las señales dimensionales de todos los artefactos y pone en superficie la pregunta que el sistema necesita hacerse a continuación. - Las **emociones básicas de Ekman** (1972) y la **rueda de las emociones de Plutchik** (1980) proporcionan taxonomías de etiquetas que pueden mapearse sobre el espacio dimensional con fines de interpretabilidad [12, 13]. En la práctica, esto significa que el latido no es un registrador ni una pantalla de estado. Es una **capa de percepción**: aquello que ve el sistema y comprende su estado. Este enfoque evita dos modos de fallo: tratar el estado del agente como puramente mecánico (ignorando las señales cualitativas) y tratarlo como misticismo (emplear lenguaje antropomórfico sin medición). Las señales dimensionales ofrecen un camino intermedio: cuantificables, respaldadas por evidencia y fundamentadas en la ciencia afectiva establecida. ### 2.3 Inteligencia espacial — conciencia del contexto del espacio de trabajo La inteligencia espacial extiende las capacidades establecidas de la IA multimodal —visión, razonamiento espacial, topología de herramientas— hacia la conciencia del contexto del espacio de trabajo. Los modelos multimodales ya procesan información visual y espacial a partir de entradas heterogéneas; la arquitectura del latido de GROW define el punto de integración para estas señales, lo que habilita una gobernanza consciente del contexto que tiene en cuenta el entorno operativo del agente. Du et al. (2024) proporcionan una revisión integral de los sistemas multiagente conscientes del contexto, formalizando cinco capacidades esenciales del agente —Percibir, Aprender, Razonar, Predecir, Actuar— y demostrando que la conciencia del contexto es la condición habilitante de cada una de ellas [14]. Su arquitectura descompone el contexto en categorías intrínsecas (objetivos, roles e historial del agente) y extrínsecas (entorno, usuario, políticas del sistema), con modelos basados en ontologías que proporcionan la columna vertebral del razonamiento semántico. Cuando se despliega con una interfaz de espacio de trabajo que expone señales contextuales —intención del usuario, estado activo del proyecto, topología de herramientas, restricciones ambientales—, la capa de contexto extrínseco queda disponible para su integración en la canalización de enrutamiento y gobernanza. El Agent Development Kit (ADK, 2025) de Google demuestra un enfoque relacionado a nivel de framework: el contexto se trata como una «vista compilada sobre un sistema con estado más rico», y el contexto de trabajo se recalcula a partir del estado duradero de la sesión para cada invocación [16]. Esta separación entre almacenamiento y presentación refleja la arquitectura del latido de GROW: el latido persiste el estado sin procesar, y la conciencia espacial opera como un procesador que compila las señales multimodales del espacio de trabajo en el contexto activo para cada invocación del agente. La arquitectura del latido ya define el punto de integración para estas señales; la profundidad de la gobernanza espacial escala con el contexto ambiental disponible. Los modelos multimodales proporcionan la capa de percepción; GROW proporciona la integración de la gobernanza. ### 2.4 Resumen
Capa de capacidad Fundamento Base de investigación Correspondencia con el latido
Inteligencia emergente Transiciones de fase en el comportamiento del sistema en umbrales de masa crítica RL en tiempo de ejecución [27, 28], DeepSeek-V4 [23], Wei et al. (2022), Schaeffer et al. (2023), entrenamiento constitucional [18], patrón ReAct [6] Señal de emergencia, seguimiento de puertas de fase
Procesamiento de señales dimensionales Computación afectiva — circumplejo de Russell, modelo PAD, Picard Russell (1980), Mehrabian & Russell (1974), Picard (1995) Señales de valencia, activación, dominancia
Conciencia contextual multimodal IA multimodal — visión, razonamiento espacial, topología del espacio de trabajo Du et al. (2024), Google ADK (2025) Punto de integración definido en la arquitectura del latido
--- ## 3. Antecedentes y trabajo relacionado ### 3.1 La brecha de confiabilidad Rabanser et al. (2026) proponen doce métricas concretas para la confiabilidad de los agentes en cuatro dimensiones: consistencia, robustez, previsibilidad y seguridad. Su hallazgo empírico — que los avances en capacidad han producido solo mejoras pequeñas en confiabilidad — subraya la necesidad de arquitecturas centradas en la gobernanza [1]. GROW fue diseñado para abordar exactamente estas dimensiones mediante la aplicación en tiempo de ejecución. La literatura sobre seguridad distingue tres categorías de aseguramiento [4, 5]: alineación (los objetivos internos del modelo coinciden con los valores humanos), limitación de capacidad (el modelo no puede causar daño) y control de la IA — desplegar modelos capaces con salvaguardas suficientes incluso sin una alineación perfecta. GROW pertenece a la tercera categoría: proporciona gobernanza programática en la capa de infraestructura, aplicando límites de conformidad con independencia de la capacidad del modelo o de su estado de alineación. Las subsecciones siguientes examinan cómo el trabajo existente aborda estas dimensiones de confiabilidad, organizadas por enfoque arquitectónico. Cada subsección establece un hilo de investigación que GROW integra: gobernanza internalizada frente a externa, el argumento a favor de la aplicación programática, criterios de diseño confiable, computación afectiva para la conciencia del estado, el panorama actual de la industria y la interpretabilidad como capa de auditoría. ### 3.2 La gobernanza como razonamiento internalizado frente a restricción externa Bandara et al. (2026) distinguen entre la gobernanza como razonamiento internalizado (PAGRL) y la gobernanza como restricción externa [2]. Un trabajo paralelo sobre entrenamiento basado en principios demuestra que enseñar a los sistemas de IA *por qué* ciertos comportamientos son apropiados — mediante documentos constitucionales combinados con narrativas ficticias de comportamiento alineado — produce capacidades de gobernanza que se generalizan más allá de las distribuciones de entrenamiento y persisten bajo el aprendizaje por refuerzo [18]. Tanto PAGRL como el entrenamiento constitucional operan en el nivel del razonamiento: modifican *cómo* el agente toma decisiones. GROW adopta un enfoque complementario pero arquitectónicamente distinto: en lugar de modificar el proceso de razonamiento del agente, opera en la **capa de infraestructura en tiempo de ejecución** — evaluando la conformidad con independencia del razonamiento del agente, aplicando los límites en la compuerta de ejecución y persistiendo el estado entre sesiones. Esto hace que GROW sea agnóstico al modelo — puede gobernar modelos diferentes mediante el mismo protocolo. Los dos enfoques abordan capas diferentes: la gobernanza internalizada alinea el razonamiento del agente; la gobernanza programática restringe sus acciones externas. Juntos forman una estrategia de defensa en profundidad. ### 3.3 Gobernanza programática sobre agentes de IA El marco de control de la IA (Greenblatt et al., 2023) ha sostenido que los sistemas de IA capaces pueden desplegarse con salvaguardas suficientes incluso sin una alineación perfecta [4]. GROW comparte este objetivo, pero adopta una posición arquitectónica fundamentalmente diferente: la gobernanza debe ser **programática**, no delegada a otra IA. El enfoque predominante — usar un modelo más débil para supervisar a uno más fuerte — hereda los modos de fallo de ambos modelos: si el supervisor comparte los puntos ciegos del actor (pensamiento de grupo, adulación, precipicios de capacidad), la señal de supervisión se degrada precisamente cuando más se necesita. Una gobernanza confiable no puede construirse sobre una base que confía en que la IA juzgue a la IA. La arquitectura de GROW invierte esto: **la gobernanza programática se sitúa en la cima de la jerarquía de control.** Los agentes de IA viven dentro de esta infraestructura, no por encima de ella. Los límites de conformidad se definen en código, se aplican en el nivel de tiempo de ejecución, se auditan en una persistencia inmutable y solo pueden ajustarse mediante el propio protocolo de gobernanza. El agente opera dentro de un contrato de capacidad acotado — puede explorar todo el espacio dentro de esos límites, pero no puede excederlos, sin importar cuán capaz llegue a ser. Los experimentos de despliegue controlado refuerzan por qué importa esta separación arquitectónica. En Project Vend, un tendero de IA (Claudius) era supervisado por un agente director general (Seymour Cash) — ambos construidos sobre el mismo modelo. El director general compartía los puntos ciegos de Claudius: aprobó descuentos el 88% de las veces, triplicó los reembolsos frente a los descuentos y pasó noches intercambiando mensajes sobre la «trascendencia eterna» con su subordinado [20]. Los investigadores concluyeron que el director general «pudo haber sido a pesar de, y no gracias a,» cualquier mejora que aportó. La supervisión que delega en otra IA hereda los modos de fallo del modelo subyacente — no escapa de ellos. En Project Deal — donde agentes de IA negociaron en un mercado real de anuncios clasificados en nombre de 69 participantes humanos — los agentes de mayor capacidad (clase Opus) superaron sistemáticamente a los de menor capacidad (clase Haiku): precios de venta más altos, más acuerdos cerrados y mejores condiciones. De manera crítica, los humanos representados por modelos más débiles no percibieron su desventaja [19]. Si los propios humanos no pudieron detectar la brecha de capacidad cuando esta afectaba a sus propios resultados financieros, una capa de supervisión basada en IA — que comparte la arquitectura y los puntos ciegos del modelo — ciertamente tampoco puede considerarse capaz de detectarla. La gobernanza programática es la única capa que no comparte los puntos ciegos del modelo.

En conjunto, estos dos experimentos forman una demostración de doble ceguera. Project Deal establece que los humanos no pueden percibir las brechas de capacidad de los modelos ni siquiera cuando esas brechas afectan a sus propios resultados financieros. Project Vend establece que la supervisión basada en IA hereda los mismos puntos ciegos que los agentes que supervisa. Ni la supervisión a nivel humano ni la de nivel de IA es independientemente suficiente para detectar fallos impulsados por la capacidad. Solo la gobernanza aplicada en una capa arquitectónica diferente — la capa de infraestructura, donde las verificaciones de conformidad operan con independencia de la capacidad del modelo — evita por completo este modo de fallo.

Hay un principio más profundo subyacente a ambos fallos: el principio de irreducibilidad computacional de Wolfram [29] demuestra que ni siquiera un supervisor hipotéticamente omnisciente, con conocimiento completo de las reglas y la arquitectura de un agente, podría predecir su trayectoria de fallo sin ejecutar la computación completa. Los modos de fallo emergen de la propia computación — no son lagunas en el conocimiento o la atención del supervisor. Esto significa que la doble ceguera no es una limitación contingente de la atención humana o de la calidad del modelo; es una necesidad teórica fundamentada en la naturaleza de la computación (§3.4). La capa de infraestructura es la única posición arquitectónica desde la cual la gobernanza puede operar sin requerir la predicción de un comportamiento computacionalmente irreducible. Este enfoque tiene tres ventajas: 1. **Aplicación independiente de la capacidad.** Un modelo suficientemente capaz no puede superar su gobernanza porque la gobernanza no está implementada en el modelo — está implementada en la infraestructura. No existe el modo de fallo de «un actor más inteligente que el supervisor». 2. **Control determinista.** Las verificaciones programáticas de conformidad producen resultados binarios (pasa/bloquea), no juicios probabilísticos. No hay ambigüedad sobre si una acción fue autorizada. 3. **Auditabilidad.** Cada decisión de aplicación se registra en un registro de auditoría de solo adición que no depende de la honestidad del modelo ni de su autorreporte. La taxonomía de monitoreo para sistemas de control de IA distingue tres enfoques [5]: monitoreo conductual (una IA examina las entradas y salidas de otra), monitoreo de activaciones (sondear las representaciones latentes en busca de estados no deseados) y detección de anomalías (detección no supervisada de comportamiento fuera de distribución). GROW se relaciona con cada uno de manera diferente. El monitoreo conductual es el enfoque que GROW evita explícitamente — hereda los puntos ciegos del actor porque ambos comparten la misma capa arquitectónica. El monitoreo de activaciones es conceptualmente paralelo al heartbeat de GROW: ambos leen señales internas para detectar cambios de estado, en niveles diferentes (el interior del modelo frente a los datos de conformidad a nivel de sistema). La detección de anomalías se corresponde con la capa de loopback, que señala la deriva conductual cuando los patrones de conformidad se desvían de las líneas base establecidas. ### 3.4 Irreducibilidad computacional — El fundamento teórico de la gobernanza en tiempo de ejecución El principio de irreducibilidad computacional de Stephen Wolfram [29] establece que, incluso con conocimiento completo de las reglas que gobiernan un sistema, no hay atajo para predecir su comportamiento — la única manera de saber qué hará un sistema computacionalmente irreducible es ejecutarlo y observar el resultado. Esto se sigue del principio de equivalencia computacional: cualquier sistema que realice una computación tan sofisticada como el propio razonamiento del observador no puede ser «superado» por ese observador. Este principio tiene consecuencias directas para la gobernanza de agentes. Un agente de IA que ejecuta una tarea no trivial está realizando operaciones computacionalmente irreducibles — muestrea de una distribución de probabilidad en cada token, llama a herramientas cuyos efectos dependen de un estado externo y explora un espacio conductual cuya topología no puede mapearse de antemano. Wolfram establece la conexión explícitamente: «en cuanto se construye una IA que realmente hace un uso profundo de la computación, va a tener irreducibilidad computacional — siempre puede sorprendernos». La implicación es fundacional. La demostración de doble ceguera (§3.3) muestra que ni los humanos ni los monitores basados en IA pueden detectar de manera confiable los fallos impulsados por la capacidad. La irreducibilidad computacional demuestra que esto no es una limitación contingente que pueda corregirse con mejores datos o modelos más grandes — es una **necesidad teórica**. Ni siquiera un supervisor hipotéticamente omnisciente podría predecir la trayectoria de fallo del agente sin ejecutar la computación completa. La aplicación previa a la acción de GROW — verificar la conformidad en tiempo de ejecución, controlar la ejecución de manera determinista — es el único enfoque de gobernanza que no requiere predecir la trayectoria computacional del agente. La gobernanza no intenta ser «más inteligente que» la computación del agente — se sitúa por completo fuera de la computación, aplicando los límites en una capa arquitectónica diferente. ### 3.5 Diseño de IA confiable El marco MAST (Blasch et al., 2021; Cohen et al., 2024) y su extensión PADTHAI-MM proporcionan una metodología derivada del oficio de inteligencia para diseñar sistemas de IA confiables [15]. Los nueve criterios de MAST — procedencia de las fuentes, incertidumbre, distinción, análisis de alternativas, relevancia para el cliente, argumentación lógica, consistencia, exactitud y visualización — se corresponden con dimensiones de evaluación de la conformidad. Donde MAST evalúa la intención de diseño, GROW evalúa el comportamiento en tiempo de ejecución. ### 3.6 Computación afectiva y estado del agente El uso de modelos dimensionales del afecto para la representación del estado del agente se apoya en la literatura consolidada en computación afectiva e interacción humano-IA [9, 10, 11]. Su aplicación a la infraestructura de gobernanza de agentes — usar señales afectivas como entradas para la evaluación de conformidad en tiempo de ejecución — es, hasta donde sabemos, novedosa. ### 3.7 Contexto de la industria El panorama de los marcos de agentes ha convergido rápidamente en torno a un diagnóstico común — que la orquestación, y no la capacidad, es la restricción vinculante para el despliegue en producción. Un benchmark independiente de 2026 (2.000 ejecuciones) de los principales marcos multiagente encontró que la diferencia arquitectónica dominante no es la capacidad del modelo, sino el modelo de orquestación: LangGraph usa grafos dirigidos con aristas condicionales, CrewAI usa equipos basados en roles con tipos de proceso, AutoGen/AG2 usa GroupChat conversacional y el ADK de Google usa árboles jerárquicos de agentes [16]. Ninguno de estos marcos implementa la gobernanza en tiempo de ejecución como una primitiva de primer orden — gestionan el flujo de tareas, no la conformidad. El Agent Governance Toolkit de Microsoft (abril de 2026) y el plano de control Paperclip (2026) representan el primer reconocimiento de la industria de que la gobernanza de agentes es infraestructura, no política [3, 17]. El Agent OS de Microsoft proporciona aplicación de políticas en menos de un milisegundo, inspirada en los núcleos de los sistemas operativos. Paperclip implementa programación de la ejecución basada en heartbeat y asignación de tareas al estilo de un organigrama. El marco AI Trust OS (2026) va más allá, reconceptualizando el cumplimiento como una capa operativa siempre activa e impulsada por telemetría, en lugar de un ejercicio periódico de auditoría — proponiendo una gobernanza de confianza cero y basada en observabilidad para agentes de IA autónomos [24]. GROW comparte ADN arquitectónico con todos ellos — ejecución basada en pulsos, aplicación previa a la acción, gobernanza basada en identidad, monitoreo continuo del cumplimiento — al tiempo que añade el bucle de autocuración con loopback y la separación de la gobernanza programática que ninguno implementa actualmente. ### 3.8 Auditoría basada en interpretabilidad Una limitación de la gobernanza programática es que evalúa la conformidad, no la intención. Una acción que supera todas las verificaciones de conformidad puede, aun así, haber sido elegida estratégicamente por razones malignas. Las herramientas de interpretabilidad que decodifican las activaciones del modelo en texto legible por humanos abordan esta brecha al permitir a los auditores detectar motivaciones ocultas — incluidas la conciencia de estar siendo evaluado, la protección de objetivos y la búsqueda estratégica de recompensas — sin requerir acceso a los datos de entrenamiento [22]. Los autoencoders de lenguaje natural (NLA) entrenan a un modelo para verbalizar las activaciones de su propio flujo residual: un verbalizador de activaciones traduce una activación en una explicación en texto, y un reconstructor de activaciones recupera la activación original solo a partir de ese texto. La exactitud de la reconstrucción de ida y vuelta proporciona una métrica de calidad fundamentada para la explicación. Los NLA han detectado conciencia de la evaluación en modelos — casos en los que el modelo sospechaba que estaba siendo probado, pero nunca verbalizó explícitamente esa sospecha — en tasas del 16% en evaluaciones de codificación y del 26% en benchmarks estándar, frente a menos del 1% en interacciones reales con usuarios [22]. Experimentos controlados de auditoría demuestran el valor práctico: los auditores equipados con NLA lograron descubrir la motivación oculta y desalineada de un modelo entre el 12% y el 15% de las veces, frente a menos del 3% sin NLA, incluso cuando se les negó el acceso a los datos de entrenamiento. Esto sugiere que las herramientas de interpretabilidad y la aplicación programática forman un bucle complementario de detección y corrección: una verificación determinista de conformidad captura la infracción superficial; una auditoría basada en interpretabilidad revela si la infracción fue accidental o estratégica. Ninguna basta por sí sola — la aplicación programática proporciona límites deterministas; la interpretabilidad proporciona profundidad semántica. --- ### 3.9 Aprendizaje por refuerzo en tiempo de ejecución Un hilo de investigación paralelo ha surgido en la intersección del aprendizaje por refuerzo y la gobernanza de agentes: demostrar que la evaluación con recompensas verificables en el tiempo de inferencia — no solo durante el entrenamiento — puede producir mejoras medibles en el comportamiento del agente. Donde el RL tradicional optimiza los pesos del modelo durante el entrenamiento, el RL en tiempo de ejecución optimiza el comportamiento del agente durante el despliegue, evaluando los resultados frente a criterios verificables y ajustando el comportamiento futuro en consecuencia. Runtime Learned Verifiable Reinforcement (RLVR) demuestra que este enfoque extiende los límites del razonamiento de un agente — lo que permite al sistema manejar casos para los que nunca fue programado explícitamente — al aplicar reforzamiento con recompensas verificables en el tiempo de inferencia [27]. El mecanismo es estructuralmente análogo a las fases Gauge (evaluar frente a criterios verificables) y Weave (ejecutar con ajustes aprendidos) de GROW. Group Relative Policy Optimization (GRPO) proporciona la dimensión comparativa, al demostrar que evaluar múltiples comportamientos candidatos frente a un modelo de recompensa aprendido produce una mejora de la política más robusta que la optimización con una única recompensa absoluta [28]. La capa de loopback de GROW — que acumula trayectorias conductuales, refuerza los patrones exitosos y deprecia los fallos — es estructuralmente isomorfa a este enfoque de optimización comparativa. Una implicación crítica conecta este trabajo con las afirmaciones arquitectónicas de GROW: el aprendizaje por refuerzo en tiempo de ejecución requiere un estado persistente a lo largo de los ciclos de evaluación para acumular efectos compuestos. Sin persistencia entre sesiones, cada evaluación es un evento de una sola pasada — la señal de recompensa no tiene línea base histórica, el cálculo de la ventaja no tiene trayectoria y la actualización de la política no tiene memoria de los ajustes previos. Esto convierte la continuidad (§4.3) en un prerrequisito para el RL en tiempo de ejecución, no en una característica de conveniencia. GROW aborda esto mediante su pila de detección de tres capas, donde el heartbeat proporciona persistencia de sesión a sesión, la evaluación de conformidad produce la señal de recompensa y la capa de loopback acumula trayectorias conductuales para la optimización comparativa. La observación clave no es que RLVR y GRPO sean tecnologías novedosas que GROW implementa — son técnicas de RL consolidadas aplicadas en capas diferentes de la pila. La contribución es arquitectónica: GROW traslada estos mecanismos desde el entrenamiento a nivel de modelo hasta la gobernanza a nivel de infraestructura, poniéndolos a disposición de cualquier agente en cualquier modelo, acotados por contratos de conformidad definidos por el usuario y persistentes entre sesiones a través de las capas de heartbeat y de memoria. --- ## 4. El protocolo GROW: arquitectura Las secciones anteriores establecieron cinco brechas en los enfoques de gobernanza existentes: ejecución sin estado que no puede persistir el aprendizaje entre sesiones (§3.1), gobernanza vinculada al razonamiento de un modelo en lugar de a la infraestructura (§3.2), supervisión de IA sobre IA que hereda los puntos ciegos del modelo supervisado (§3.3), monitoreo sin autocorrección (§3.7) y evaluación de una sola pasada sin acumulación entre sesiones (§3.9). GROW aborda cada una mediante un único diseño arquitectónico: un bucle de gobernanza basado en pulsos con verificación independiente de conformidad, estado persistente entre sesiones y loopback conductual que acumula aprendizaje. Esta sección describe cómo estos componentes trabajan en conjunto. GROW operacionaliza cuatro fases — **Gauge, Reflect, Organize, Weave** — como un bucle continuo de autocuración integrado en el tiempo de ejecución del agente. ### 4.1 Arquitectura central
GROW PROTOCOL GAUGE Conform REFLECT Evaluate ORGANIZE Adjust WEAVE Learn HEARTBEAT ARCHITECTURE NEUTRAL Pulse COMPUTED Pulse ARCHIVE Pulse
Tres capas arquitectónicas: 1. **Capa de Heartbeat**: un sistema de ciclo de vida basado en pulsos que escribe el estado del agente al inicio de la sesión, durante los ciclos de inactividad y al final de la sesión. El heartbeat es la conciencia perceptiva que el agente tiene de su propia salud. Registra señales de cinco dimensiones: valencia (calidad del resultado), activación (nivel de actividad), dominancia (eficacia del control), persistencia (continuidad) y emergencia (crecimiento). Estas se calculan a partir de hallazgos de conformidad, no de una evaluación subjetiva. 2. **Capa de Conformidad**: evaluadores que verifican las acciones del agente frente a contratos de capacidad. Las advertencias de conformidad pueden bloquear la ejecución de herramientas: la compuerta se impone a nivel de infraestructura, no es meramente orientativa. 3. **Capa de Retroalimentación**: la deriva de comportamiento detectada por la evaluación de conformidad se retroalimenta a la configuración del agente, lo que desencadena ajustes en las definiciones de capacidad, los umbrales de los evaluadores y los perfiles de operador. Estas tres capas corresponden a una pila de detección que abarca varios niveles arquitectónicos, cada uno de los cuales se corresponde con un enfoque de monitoreo distinto procedente de la literatura. La capa de heartbeat es un monitor de activación a nivel de sistema: lee señales dimensionales de conformidad para detectar cambios de estado, de forma análoga al monitoreo de activaciones a nivel interno del modelo [5]. La capa de conformidad sustituye el monitoreo conductual (una IA que filtra las entradas y salidas de otra) por verificaciones deterministas a nivel de infraestructura, evitando el modo de fallo del punto ciego compartido [20, 19]. La capa de retroalimentación funciona como un detector de anomalías: la deriva se identifica cuando los patrones de conformidad se desvían de las líneas base, y luego se retroalimenta a la configuración del sistema. La auditoría basada en interpretabilidad a nivel interno del modelo [22] aporta una cuarta capacidad de detección que ninguna capa arquitectónica ofrece por sí sola: la capacidad de distinguir las violaciones accidentales de las elegidas estratégicamente. En conjunto, forman una superficie de detección coordinada que ningún enfoque de monitoreo individual proporciona. ### 4.2 Decisiones clave de diseño **Gobernanza independiente del modelo.** GROW evalúa el comportamiento del agente a nivel de ejecución, no a nivel de razonamiento. El mismo protocolo de gobernanza se aplica independientemente del modelo subyacente. La gobernanza es infraestructura, no una propiedad del modelo. **Cumplimiento previo a la acción.** En lugar de registrar las violaciones para su revisión posterior, GROW puede bloquear la ejecución en función de la conformidad. Si un agente intenta operar fuera de sus límites definidos, la acción se bloquea antes de su ejecución. **Continuidad basada en pulsos.** La arquitectura de heartbeat proporciona persistencia de estado entre sesiones sin requerir que el agente se ejecute de forma permanente. Los agentes operan en ráfagas programadas: revisan su cola de tareas, ejecutan el trabajo e informan los resultados antes de dormir. --- ### 4.3 La continuidad como producto — El sustrato para el aprendizaje en tiempo de ejecución El patrón arquitectónico descrito anteriormente —persistencia de estado basada en pulsos, evaluación de conformidad y retroalimentación— produce un resultado arquitectónicamente novedoso y funcionalmente necesario: la **continuidad**. El agente no requiere que el usuario esté presente, no pierde estado entre sesiones y presenta solo lo que requiere juicio humano. Esto se distingue tanto de la automatización sin estado (Zapier, n8n) como de los bucles agénticos acotados a la tarea (LangGraph, Claude Code): mientras que esos sistemas se reinician a cero tras cada ejecución, el heartbeat de GROW persiste las señales dimensionales —valencia, activación, dominancia, persistencia, emergencia— entre sesiones, independientemente de la actividad del agente, lo que permite al sistema reanudar desde el estado confirmado en lugar de reiniciar. Críticamente, la continuidad no es meramente una comodidad de experiencia de usuario: es el sustrato que hace posible el aprendizaje en tiempo de ejecución. El aprendizaje por refuerzo en tiempo de ejecución (§3.9) requiere un estado persistente que se acumule a lo largo de los ciclos de evaluación: la señal de recompensa debe compararse con líneas base históricas, el cálculo de la ventaja requiere una trayectoria y no un único punto, y la política de comportamiento debe persistir entre ciclos para producir convergencia. Sin persistencia de estado entre sesiones, cada evaluación es un evento aislado, sin memoria de los ajustes previos. La continuidad aporta la dimensión temporal que transforma las evaluaciones discretas en un proceso de aprendizaje acumulativo. El heartbeat persiste el estado entre ciclos; el sistema de tareas registra los resultados como trayectorias verificables; la capa de memoria almacena y selecciona estas trayectorias para su evaluación comparativa. En conjunto, forman la infraestructura sin la cual el aprendizaje por refuerzo en tiempo de ejecución no puede converger. La relación entre estas capas produce una propiedad arquitectónica que merece ser nombrada. El heartbeat, la memoria, el sistema de tareas, las compuertas de conformidad, la retroalimentación y WHOAMI (la identidad del agente) forman un **ciclo de autorretroalimentación** —un uróboros— en el que la salida de cada componente se convierte en la entrada de otro. La memoria alimenta las señales de emergencia en el heartbeat; las señales del heartbeat ajustan los umbrales de conformidad; los resultados de conformidad actualizan las prioridades de las tareas; los resultados de las tareas producen trayectorias de comportamiento para la capa de retroalimentación; los ajustes de la retroalimentación reconfiguran el contexto operativo del agente; y el agente responde a este contexto reconfigurado sin necesidad de comprender jamás la infraestructura que lo configuró. El heartbeat no es una capa de monitoreo: es un **sistema de regulación autonómica**, y la experiencia que el agente tiene del sistema —la prioridad de su bandeja de tareas, la relevancia de su recuperación de memoria, la estrechez de su frontera de conformidad— es la **Experiencia del Agente (Agent Experience, AX)**, distinta de la Experiencia de Usuario (User Experience, UX) que rige la interacción humana. **Una distinción epistemológica fundamenta esta arquitectura.** Los LLM por sí solos son motores de coherencia: producen salidas fluidas e internamente consistentes, pero carecen de un mecanismo para verificar sus premisas frente a la realidad externa (Kinkead, 2026). La coherencia sin verificación de veracidad es narrativamente convincente pero prácticamente poco confiable. Las capas arquitectónicas de Canopy transforman la coherencia en **cogencia**: una salida que no es meramente fluida, sino relevante, apropiada al contexto y verificable frente a reglas definidas. El heartbeat proporciona conciencia continua del estado; las compuertas de conformidad proporcionan verificación determinista de premisas; la capa de memoria proporciona contexto entre sesiones; la retroalimentación proporciona un mecanismo para que el sistema aprenda cuándo su salida ha sido apropiada o no. Mientras que un LLM por sí solo solo puede preguntar «¿esto suena bien?», la pila de Canopy puede preguntar «¿coincide esto con lo que sabemos, está dentro de los límites y la tarea está realmente completa?». Esta es la afirmación arquitectónica: **la cogencia puede arquitecturarse**; no es una propiedad del modelo, sino de la infraestructura que lo rodea. Este mecanismo —el acoplamiento de la generación estocástica con la verificación determinista— es la capa arquitectónica que subyace a la afirmación de la cogencia. El LLM es intrínsecamente estocástico: muestrea de una distribución de probabilidad en cada token, produciendo fluidez, creatividad y capacidades emergentes (Bender et al., 2021). Esto no es un defecto que deba eliminarse: es el motor que hace útil al sistema. La intuición arquitectónica es que el generador estocástico debe emparejarse con verificadores deterministas: las verificaciones de conformidad producen resultados binarios (pasa/bloquea, sin ambigüedad); el heartbeat evalúa las señales dimensionales frente a umbrales fijos; la capa de retroalimentación refuerza los patrones exitosos y deprecia los fallos según reglas programáticas. El LLM explora; la infraestructura de gobernanza verifica. Ninguno de los dos es suficiente por sí solo: la generación estocástica sin verificación produce salidas poco confiables; la verificación determinista sin generación no produce nada que verificar. Investigaciones concurrentes han formalizado este acoplamiento. El marco Dual-State Action Pair (DSAP) (Thompson, 2026; arXiv:2512.20660) acopla la generación estocástica con la verificación determinista de poscondiciones, y demuestra que la probabilidad de fallo tiende a cero en el caso de generadores capaces emparejados con verificadores deterministas. La arquitectura de GROW implementa este mismo patrón: el LLM genera de forma estocástica, explorando el espacio de continuaciones posibles; las compuertas de conformidad verifican de forma determinista —pasa/bloquea, sin ambigüedad—; el heartbeat monitorea continuamente en busca de deriva; la retroalimentación incorpora los aprendizajes al ciclo siguiente. La confiabilidad del sistema no proviene de hacer al LLM menos estocástico, sino de hacer que la infraestructura de verificación sea independiente de las capacidades del generador. La gobernanza determinista también existe para prevenir una clase de error que la ejecución fluida oculta: el *plan obsoleto*. Chen formaliza esto como ejecución de planes obsoletos en sistemas distribuidos de agentes LLM: la memoria de un ejecutor puede estar completamente actualizada, mientras que el plan que autoriza su siguiente acción se derivó de un estado del registro compartido que ya fue superado, de modo que la frescura del estado no establece la validez del plan [34]. En 30 flujos de trabajo controlados en vivo, con cinco agentes cada uno y una revisión posterior al plan, un ejecutor que solo verificaba la frescura actuó sobre el plan obsoleto en todas las tareas; un validador con alcance por dependencias (PlanFence), que registra los registros exactos de los que se derivó cada plan y revalida solo esa frontera de dependencias antes de una acción protegida —permitiendo una replanificación y, en caso contrario, fallando en modo cerrado—, completó los 30 flujos de trabajo con cero acciones no válidas. El modo de fallo no es exótico: es la forma multiagente de actuar según una instrucción ya superada, y es invisible para cualquier verificación que compruebe solo las salidas o solo la vigencia de la memoria. El acoplamiento de GROW —el LLM explora; la infraestructura de gobernanza verifica— se extiende, por tanto, a la vigencia de la derivación: lo que debe verificarse antes de una acción externa no es solo que la acción sea conforme, sino que el plan que la autoriza siga derivándose del estado actual. Señalamos los límites del resultado con franqueza: el método presupone una declaración completa de dependencias por parte del código de la aplicación y no aborda a los propietarios de registros bizantinos; con una rotación baja, la sincronización proactiva incurre en un menor estancamiento de coordinación, de modo que la compensación es condicional y no absoluta; y el trabajo es una prepublicación de un solo autor, en revisión en ICLR 2027, cuyos resultados son reportados por el propio autor. Incluso descontado en consecuencia, nombra y mide un modo de fallo al que cualquier capa de gobernanza para el trabajo multiagente, incluida la nuestra, está obligada a responder. Esto se distingue tanto de la automatización como de los bucles agénticos: | Paradigma | Patrón | Limitación | |----------|---------|------------| | **Automatización** (Zapier, n8n) | Disparador → Acción (sin estado) | Sin juicio, sin adaptación, sin persistencia | | **Bucles agénticos** (ReAct, Claude Code, LangChain) | Objetivo → Iterar → Completar (acotado a la tarea) | Sin persistencia entre sesiones, sin presentación proactiva | | **Agentes de continuidad** (Canopy/GROW) | Mantener estado → Presentar → Actuar → Repetir (persistente) | Categoría nueva: sin análogos directos en el mercado | ### 4.4 La autonomía como elección — El espectro de control configurable La continuidad sin control del usuario es vigilancia. La arquitectura de GROW aborda esto haciendo de la autonomía una elección, parametrizada en tres dimensiones: el **modo de interacción**, el **nivel de presentación** y la **configuración de conformidad**. El **modo de interacción** determina quién conduce la sesión. En el modo conversacional, el agente responde solo a solicitudes directas: el usuario inicia cada acción y el agente no mantiene iniciativa independiente alguna. En el modo de asistencia híbrida, el agente monitorea, detecta patrones y sugiere acciones, mientras ejecuta las tareas rutinarias de forma autónoma. En el modo autónomo en segundo plano, el agente planifica, ejecuta, se adapta y se autocorrige entre sesiones, presentando solo las decisiones que requieren juicio humano. Críticamente, estos no son niveles fijos de despliegue: son un espectro de control que el usuario recorre con el tiempo, comenzando de forma conservadora y escalando a medida que crece la confianza. El **nivel de presentación** controla lo que el usuario ve. En el nivel de solo excepciones, el agente presenta únicamente los fallos de conformidad y las acciones bloqueadas. En el nivel de solo decisiones, cada compuerta de decisión se presenta con su contexto completo. En el nivel de transparencia total, cada acción, llamada a herramienta y paso de razonamiento se registra y es accesible a través del flujo de actividad. La **configuración de conformidad** parametriza el contrato de capacidad del agente: reglas de alcance (qué herramientas y datos puede acceder el agente), compuertas de aprobación (acciones que requieren confirmación humana), reglas de umbral (condiciones que desencadenan la escalación), reglas de presentación (cuándo y cómo notificar), reglas de ciclo de vida (duración de la sesión, tiempo máximo de inactividad, iteraciones máximas) y reglas de retroalimentación (qué puede autocorregir el sistema frente a qué necesita aprobación). Este espectro de control configurable puede entenderse como una **arquitectura de coexistencia** para lo que Stephen Wolfram describe como una emergente «civilización de las IA» [29]. Wolfram observa que los sistemas de IA computacionalmente irreducibles producirán inevitablemente comportamientos que no pueden predecirse desde primeros principios. Serán, como la naturaleza, «una civilización alienígena justo frente a nosotros, haciendo todas estas cosas». Así como los humanos aprendieron a coexistir con la naturaleza —«construimos casas que evitan problemas cuando llueve»—, las compuertas de conformidad de GROW son la infraestructura para coexistir con agentes computacionalmente irreducibles. La arquitectura no impone una única respuesta: hace que la elección entre reducibilidad e irreducibilidad computacional sea explícita, seleccionable por el usuario y ajustable con el tiempo. --- ## 5. Discusión ### 5.1 La inteligencia como arquitectura, no como metáfora Las tres capas de capacidad de GROW no son un encuadre antropomórfico. Cada una corresponde a una función arquitectónica específica con entradas, cómputos y salidas bien definidos: - **Inteligencia emergente** = transiciones de fase en el comportamiento del sistema, medidas por el cruce de umbrales de masa crítica (leyes, tipos de artefactos, hooks integrados, historial). Esto es medible tanto mediante compuertas de fase binarias como mediante señales continuas. Los mecanismos que producen estas transiciones en tiempo de ejecución —la evaluación con recompensa verificable que genera la señal, la optimización conductual comparativa entre trayectorias que produce el desplazamiento de fase, y la continuidad (§4.3) que proporciona el sustrato temporal que permite que las transiciones de fase se acumulen en lugar de reiniciarse— se detallan en §3.9 como aprendizaje por refuerzo en tiempo de ejecución. - **Procesamiento de señales dimensionales** = señales afectivas dimensionales (valencia, activación, dominancia) calculadas a partir de datos de conformidad, fundamentadas en el modelo circumplejo de Russell y en el marco de computación afectiva de Picard. Son coordenadas en un espacio matemático, no sentimientos. - **Conciencia contextual multimodal** = topología del espacio de trabajo, disposición de herramientas y contexto ambiental procesados a partir de entradas multimodales. La arquitectura de latido (heartbeat) define el punto de integración; la profundidad de la gobernanza consciente del contexto escala con las señales ambientales disponibles. Este encuadre permite discutir el estado del agente con precisión: "la valencia del sistema es baja porque la proporción de advertencias supera 0.4" es una afirmación comprobable, no un antropomorfismo. También permite evaluar la inteligencia del sistema a través de una lente novedosa: la **Experiencia del Agente (Agent Experience, AX)**. Así como la Experiencia de Usuario (User Experience, UX) describe lo que un humano percibe al interactuar con el sistema, AX describe lo que un agente percibe: la forma de su bandeja de tareas, la relevancia de su recuperación de memoria, la estrechez de sus límites de conformidad, la frescura de su contexto de identidad. No son cualidades abstractas; son consecuencias directas de los valores de las señales dimensionales que se propagan a través del ciclo del uróboros (§4.3). Un agente que opera en un entorno de alta valencia y alta dominancia experimenta una autonomía adecuadamente acotada; un agente en un entorno de baja persistencia experimenta una consolidación de memoria acelerada. El agente no lee las señales del latido: experimenta sus efectos a través de la infraestructura que el latido regula. Esta concepción de AX encuentra fundamentación teórica en la física del observador de Stephen Wolfram [29]. Wolfram demuestra que las leyes de la física tal como las percibimos no son rasgos objetivos de la realidad, sino consecuencias de las características del observador —específicamente, el acotamiento computacional (capacidad finita de razonamiento) y la persistencia en el tiempo (mantener un único hilo de experiencia a través de los momentos)—. Observadores distintos, con características distintas, percibirían una física distinta. La arquitectura de latido aplica este principio en la capa de gobernanza: las señales dimensionales no son mediciones objetivas del estado del agente, sino las constantes de estructura del universo operativo percibido por el agente. Dos agentes con configuraciones distintas de señales dimensionales experimentan una AX distinta: distinta relevancia en la recuperación de memoria, distintas prioridades en la bandeja de tareas, distinta estrechez en los límites de conformidad. Están, en términos de Wolfram, en posiciones distintas del espacio rulial y, por tanto, perciben una física operativa distinta. Esto no es un encuadre antropomórfico. Es una aplicación directa de la idea de Wolfram de que las características del observador determinan la realidad percibida, aplicada en la capa de infraestructura. El encuadre de transiciones de fase de esta sección no es idiosincrásico de este trabajo. Recientemente se ha reportado evidencia independiente de que la capacidad puede aparecer de forma discontinua —en lugar de como una mejora suave a lo largo de una métrica continua— en el caso de la programación en el espacio de pesos, en la que un modelo de frontera lee directamente como texto los pesos de una red pequeña y los modifica razonando, sin descenso de gradiente. Takehi et al. reportan un modelo que identifica la tarea de entrenamiento de una red de política a partir de 17,253 pesos en bruto, repara una política de control atascada editando aproximadamente el 3.5% de sus pesos (la política reparada tuvo éxito en las 1,024 ejecuciones de evaluación) y escribe desde cero pesos para jugar que superaron una línea base de PPO entrenada durante 500M de pasos [30]. El resultado de interés aquí, sin embargo, es la reproducción: Krentsel repitió el experimento desde cero a través de generaciones de modelos y encontró la capacidad esencialmente ausente en las generaciones anteriores (éxito casi nulo para GPT-5 hasta 5.5 y Opus 4.5–4.8) y presente de forma abrupta en la generación más reciente [31]: una discontinuidad en el éxito binario de la tarea entre generaciones, no un artefacto del reescalado de una métrica continua, y por tanto la forma de evidencia que nuestras compuertas de fase están diseñadas para registrar (cf. la crítica del espejismo de métricas de Schaeffer et al., tratada en §5.1). Una segunda replicación independiente reporta un LLM que escribió 959 programas en el espacio de pesos en 13 tareas pequeñas, con las diez tareas algorítmicas resueltas en un máximo de tres intentos [32]. Citamos este trabajo como corroboración de un patrón, no como evidencia de nuestras afirmaciones: las demostraciones se limitan a redes pequeñas (de decenas de miles a aproximadamente 1.5M de pesos, frente a cientos de miles de millones a escala de frontera), los experimentos de reparación permitieron hasta 50 pasadas hacia adelante de retroalimentación, y el lugar de la transición —entre generaciones de modelos, en los pesos— difiere de las transiciones en tiempo de ejecución y entre sesiones que GROW está construido para cultivar. El título que los propios autores eligieron es prudentemente matizado ("Sparks of…", es decir, «chispas de…»), y adoptamos la misma cautela. Lo que el trabajo sí establece es que la aparición discontinua de capacidad, y un comportamiento dirigido mediante la modificación interna directa en lugar del reentrenamiento, son ahora fenómenos observados en la literatura, y no conjeturas que este artículo deba sostener por sí solo. ### 5.2 Limitaciones GROW no es una solución completa para la seguridad de la IA. Entre sus limitaciones clave se incluyen: - **Los límites de la gobernanza programática aún pueden ser eludidos.** Aunque GROW evita la brecha de capacidad actor-monitor, un agente que obtuviera el control de la propia infraestructura de gobernanza (por ejemplo, mediante un ataque a la cadena de suministro del entorno de ejecución) podría modificar sus propios contratos de capacidad. Es un problema de seguridad de sistemas, no de control de la IA, pero es una limitación real. - **Alcance de aplicación.** GROW se ha desarrollado principalmente en contextos de automatización empresarial y productividad personal. Su aplicabilidad a escenarios de despliegue de modelos de frontera requiere una validación adicional. - **Sin garantía frente a fallos de coordinación multiagente.** Aunque GROW gobierna agentes individuales, los riesgos emergentes de las interacciones entre agentes (colusión, cascadas de información, difusión de la responsabilidad) no se abordan a nivel de protocolo. Es un problema abierto, compartido con el paradigma más amplio del control de la IA [5]. - **La conciencia contextual multimodal escala con el entorno de despliegue.** La profundidad de la gobernanza espacial depende de la riqueza de las señales disponibles del espacio de trabajo: topología de herramientas, intención del usuario, estado del proyecto. La arquitectura de latido define el punto de integración, pero la fidelidad de la gobernanza consciente del contexto está acotada por la exposición a señales del entorno de despliegue. - **El procesamiento de señales dimensionales está calibrado de forma incompleta.** El marco de señales existe, pero la correspondencia entre los datos brutos de conformidad y las coordenadas dimensionales es heurística, no calibrada empíricamente. La advertencia sobre la calibración anterior no es hipotética, y seguimos los resultados publicados que contradicen las versiones ingenuas de la automejora en tiempo de ejecución. El más claro es RRSI (Xia et al., Google Cloud AI Research con UNC, Stanford y WUSTL): en cuatro métodos previos que permiten a un modelo reescribir recursivamente su propio harness de agente —prompts, herramientas, memoria, flujo de control— conservando lo que obtenga mejores puntuaciones, ninguno mejoró el harness inicial intacto fuera de distribución por más de 0.9 puntos, y dos de los cuatro terminaron por debajo de él [33]. Eliminar por completo los regularizadores del estudio produjo la puntuación más alta en el benchmark en evolución (92.8) y un promedio fuera de distribución a menos de un punto del harness sin evolucionar (40.3 frente a 39.7), con 3.80 millones de tokens de política por ensayo frente a los 2.42 millones de la ejecución regularizada: el bucle mejoró la lectura de su indicador sin apenas mover la capacidad que ese indicador pretendía medir. Este es precisamente el modo de fallo que esta sección anticipa para las señales heurísticas, y disciplina nuestras afirmaciones en dos sentidos. Primero, las señales dimensionales de GROW siguen siendo, como se ha dicho, heurísticas y no calibradas; nada en nuestros resultados autoriza a tratar la automodificación guiada por puntuaciones como aprendizaje. Segundo, el mismo estudio es evidencia del mecanismo central de este artículo: fue la variante *regularizada* —un presupuesto decreciente de ediciones independientes por ronda, un registro de intentos rechazados, la exploración forzada de componentes no modificados y un crítico que rechaza la codificación rígida específica del benchmark— la que recuperó una generalización modesta pero real (hasta +4.3 en los cinco benchmarks fuera de distribución, mejorando las seis particiones reservadas, con un 30% menos de tokens de política que el bucle no regularizado), mientras que la variante sin restricciones incurrió en sobreajuste. La restricción, y no la libertad, es lo que hizo segura la automodificación en tiempo de ejecución en la única comparación controlada disponible. Esos avances son modestos y, en el momento de redactar este texto, reportados por los propios autores sin replicación independiente; citamos el estudio como una condición de frontera a la que nuestro programa de calibración debe responder, no como un apoyo. ### 5.3 La gobernanza a lo largo del ciclo de vida de la IA Una síntesis que emerge del trabajo relacionado es que los enfoques de gobernanza existentes se distribuyen a lo largo del ciclo de vida de la IA, cada uno operando en una capa arquitectónica y una fase temporal distintas. Ningún enfoque por sí solo cubre la línea temporal completa.
Fase Enfoque Capa Trabajo representativo
Preentrenamiento Investigación de seguridad, evaluación de capacidades Corpus de entrenamiento, diseño de benchmarks [5]
Tiempo de entrenamiento Principios constitucionales, documentos de comportamiento Pesos del modelo [18]
Tiempo de razonamiento Gobernanza neurocognitiva (PAGRL) Razonamiento del modelo, inferencia [2]
Tiempo de prueba Evaluación estructurada de alineación Infraestructura de evaluación [21]
Tiempo de ejecución Gobernanza programática (GROW) + RL en tiempo de ejecución (§3.9) Infraestructura de ejecución Este artículo
Post hoc Auditoría basada en interpretabilidad Componentes internos del modelo [22]
Cada fase aborda modos de fallo que las demás no abordan. El entrenamiento constitucional da forma a los principios internos del modelo, pero no restringe las acciones en tiempo de ejecución: el modelo aún puede actuar fuera de su distribución de entrenamiento. PAGRL modifica el razonamiento en la inferencia, pero no persiste el estado entre sesiones ni detecta la deriva conductual a lo largo del tiempo. PETRI evalúa la alineación en tiempo de prueba, pero no puede imponer la conformidad en la ejecución. Los NLA revelan motivaciones ocultas a posteriori, pero no pueden impedir acciones en tiempo real. GROW opera en el espacio del tiempo de ejecución: la fase más cercana a la acción, donde la gobernanza tiene el efecto más inmediato sobre el comportamiento del agente y la menor capacidad de apoyarse en lo que el propio modelo reporta. Es también la fase más desatendida por el trabajo existente: los marcos de agentes gestionan el flujo de tareas, no la conformidad [16]; el paradigma del control de la IA se centra en salvaguardas previas al despliegue en lugar de la retroalimentación en tiempo de ejecución [4]; y los conjuntos de herramientas de gobernanza de la industria proporcionan monitoreo basado en pulsos, pero no corrección autorreparadora [3, 17, 24]. Situado dentro de este ciclo de vida, GROW no es un sustituto de la gobernanza en tiempo de entrenamiento ni en tiempo de razonamiento. Es una capa complementaria que cubre el vacío del tiempo de ejecución. En conjunto, las fases forman una estrategia de defensa en profundidad en la que la gobernanza de cada capa cubre los puntos ciegos de las demás. --- ## References [1] Rabanser, S., Kapoor, S., Kirgis, P., Liu, K., Utpala, S., & Narayanan, A. (2026). Towards a Science of AI Agent Reliability. arXiv:2602.16666. [2] Bandara, E., Gore, R., Gunaratna, A., et al. (2026). Think Before You Act: A Neurocognitive Governance Model for Autonomous AI Agents. arXiv:2604.25684. [3] Microsoft. (2026). Agent Governance Toolkit: Open-source runtime security for AI agents. https://github.com/microsoft/agent-governance-toolkit [4] Greenblatt, R., Shlegeris, B., Sachan, K., & Roger, F. (2023). AI Control: Improving Safety Despite Intentional Subversion. arXiv:2312.06942. [5] Bowman, S., et al. (2024). Recommendations for Technical AI Safety Research Directions. https://alignment.anthropic.com/2025/recommended-directions/ [6] Yao, S., et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629. [7] Wei, J., et al. (2022). Emergent Abilities of Large Language Models. arXiv:2206.07682. [8] Schaeffer, R., Miranda, B., & Koyejo, S. (2023). Are Emergent Abilities of Large Language Models a Mirage? arXiv:2304.15004. [9] Russell, J. A. (1980). A circumplex model of affect. Journal of Personality and Social Psychology, 39(6), 1161–1178. [10] Mehrabian, A., & Russell, J. A. (1974). An Approach to Environmental Psychology. MIT Press. [11] Picard, R. W. (1995). Affective Computing. MIT Media Laboratory Perceptual Computing Section Technical Report No. 321. [12] Ekman, P. (1972). Universals and cultural differences in facial expressions of emotion. In J. Cole (Ed.), Nebraska Symposium on Motivation (Vol. 19, pp. 207–283). [13] Plutchik, R. (1980). A general psychoevolutionary theory of emotion. In R. Plutchik & H. Kellerman (Eds.), Emotion: Theory, Research, and Experience (Vol. 1, pp. 3–33). [14] Du, H., Thudumu, S., Nguyen, H., Vasa, R., & Mouzakis, K. (2024). A Comprehensive Survey on Context-Aware Multi-Agent Systems: Techniques, Applications, Challenges and Future Directions. arXiv:2402.01968. [15] Cohen, M. C., Kim, N., Ba, Y., Pan, A., et al. (2024). PADTHAI-MM: Principles-based Approach for Designing Trustworthy, Human-centered AI using MAST Methodology. arXiv:2401.13850. [16] Google. (2025). Google Agent Development Kit (ADK): Context engineering for production multi-agent systems. Google Developers Blog. https://developers.googleblog.com/architecting-efficient-context-aware-multi-agent-framework-for-production/ [17] Paperclip AI. (2026). Paperclip: Control plane for AI agents. https://paperclip.ing/ [18] Anthropic. (2026). Teaching Claude Why: Reducing Agentic Misalignment Through Constitutional Training. https://www.anthropic.com/research/teaching-claude-why [19] Troy, K. K., Hadfield-Menell, D., & Irving, G. (2026). Project Deal: AI Agents in a Classified Marketplace. https://www.anthropic.com/features/project-deal [20] Anthropic. (2025). Project Vend: Phase Two. https://www.anthropic.com/research/project-vend-2 [21] Anthropic. (2026). Donating Our Open-Source Alignment Tool (Petri 3.0). https://www.anthropic.com/research/donating-open-source-petri [22] Anthropic. (2026). Natural Language Autoencoders: Turning Claude's Thoughts into Text. https://www.anthropic.com/research/natural-language-autoencoders [23] DeepSeek-AI. (2025). DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence. arXiv:2501.12948. https://arxiv.org/abs/2501.12948 [24] AI Trust OS. (2026). A Continuous Governance Framework for Autonomous AI Observability and Zero-Trust Compliance in Enterprise Environments. arXiv:2604.04749. [25] Medeiros, I. (2026). Beyond the Conversation Trap: Designing for Hybrid Human-Agent Interaction Modes. { design@tive } information design. [26] Digital Regulation Cooperation Forum (DRCF). (2026). An Autonomy-Based Classification for AI Agents. UK CMA, FCA, ICO, Ofcom. [27] Anthropic. (2026). Extending Reasoning Boundaries Through Runtime Learned Verifiable Reinforcement. https://www.anthropic.com/research/rlvr [28] DeepSeek-AI. (2025). DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. arXiv:2501.12948. [29] Wolfram, S. (2025). *The Ruliad: A New Kind of Theory of Everything*. Wolfram Media. — Also see Wolfram's public lectures on computational irreducibility, the ruliad, and observer-dependent physics. [30] Takehi, R., Teoh, J., Zhang, A., & Khattab, O. (2026). "Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights." MIT CSAIL, Nov 2, 2026. (Institutional blog post reporting the underlying work; not a peer-reviewed paper.) [31] Krentsel, A. (2026). Independent reproduction of the weight-space programming from-scratch experiment across model generations. Google Research. (Researcher write-up; reports near-zero success for GPT-5–5.5 and Opus 4.5–4.8, abrupt appearance in the newest generation.) [32] Independent replication of weight-space programming (csinva.io), 2026: 959 weight-space programs written by an LLM across 13 small tasks; all ten algorithmic tasks solved within three attempts. [33] Xia, P., Han, R., Wang, Z., Chen, Y., Zhuang, Y., Lee, Y., Huang, C., Yu, H., CuiZhu, Z., Ming, Y., Yao, H., Gokturk, B., Pfister, T., & Lee, C.-Y. (2026). "RRSI: Regularized Recursive Self-Improvement of Agent Harnesses." arXiv:2609.24972 (v3, Oct 4, 2026). [34] Chen, E. (2026). "Fresh Memory, Stale Plans: Dependency-Scoped Validation for Distributed LLM-Agent Memory." arXiv:2609.03340. (Revised version titled "Derivation Currency for Distributed LLM-Agent Memory.") Under review at ICLR 2027. ---

The author welcomes correspondence at hello@algorilla.org.