# Agentes de IA a medida para su sector

Construya un agente de IA en torno a un flujo de trabajo útil: los sistemas a los
que se conecta, los casos con los que se evalúa, las acciones que aprueba una
persona y el acceso que recibe. Acordamos ese alcance con sus especialistas del
sector y elegimos un modelo según esos requisitos. La integración y el registro
de evaluación siguen formando parte de su entrega cuando cambia el modelo.

## Conectado: a los sistemas donde se realiza el trabajo

Un agente que no puede acceder a sus sistemas solo puede conversar. Lo conectamos
a aquellos donde se realiza el trabajo — el ERP, el CRM, el sistema de reservas,
el buzón de correo, el repositorio documental —, cada uno mediante una herramienta
descrita con una función acotada: buscar un buque, redactar un presupuesto o
registrar un expediente. Las herramientas se ofrecen mediante MCP o una
API, cada entrada tiene un tipo definido y se
valida, y un agente que necesita los registros de su
empresa los lee a partir de [datos preparados para él](/es/ai-data/). La memoria
de casos anteriores reside en su base de datos, no en el
historial de conversación de un proveedor.

## Medido: con casos que redactan sus especialistas

Sin pruebas, «parece mejor» es la única medida disponible. Nos sentamos con las
personas que realizan el trabajo y documentamos casos reales de su sector, cada
uno con la respuesta que daría alguien con experiencia. Cada cambio — una
instrucción, una herramienta, un modelo — se contrasta con todos los casos antes
de publicarse, y la puntuación de cada caso se conserva a lo largo del tiempo,
para que la revisión pueda detectar regresiones en los casos acordados. Es el
control de calidad obligatorio que aplicamos a
nuestro propio código, aplicado a las respuestas de un agente.

## Supervisado: una persona decide donde importa

No todas las acciones deben quedar exclusivamente en manos del agente.
Documentamos con usted qué puede hacer por su cuenta, qué prepara para que una
persona lo apruebe y qué no debe tocar nunca. Las reglas se hacen cumplir en las
herramientas, en lugar de limitarse a pedirlo en las instrucciones. Una pantalla
de revisión muestra a una persona qué propone el agente y por qué; una corrección
realizada allí se convierte en un nuevo caso de prueba. Cada paso se traza con
OpenTelemetry, de modo que, cuando una respuesta
falla, puede ver qué herramienta, qué documento y qué modelo la produjeron.

## Evaluar los cambios de modelo antes de desplegarlos

La elección del modelo es configurable cuando la integración lo permite.
Comparamos un candidato con sus casos acordados en cuanto a calidad de respuesta,
comportamiento ante fallos, coste y latencia. La evaluación sirve para decidir
sobre su despliegue; un modelo más reciente no mejora automáticamente su flujo
de trabajo. Los cambios siguen el proceso acordado de revisión y despliegue, con
la configuración anterior disponible para una reversión.

## El trabajo que lo respalda

Los hábitos que hacen fiable a un agente son los que ya seguimos en nuestra
propia ingeniería. [Construimos un motor de controles con 268 comprobaciones por commit](/es/portfolio/built-a-268-check-guard-engine-for-the-repo/)
y [un control obligatorio de commits con 22 analizadores y sin nivel de advertencia](/es/portfolio/built-a-22-linter-commit-gate/),
y después [escribimos pruebas para los propios comprobadores](/es/portfolio/wrote-tests-for-the-checkers-themselves/)
para que una comprobación que no lea nada no pueda declarar que todo está bien.
[Construimos supervisión y trazabilidad de errores propias](/es/portfolio/built-first-party-error-monitoring-and-tracing/),
[hicimos que seis recopiladores indicaran qué habían omitido](/es/portfolio/made-six-collectors-state-what-they-skipped/)
y [gestionamos todo un programa de desarrollo mediante 51 iniciativas escritas](/es/portfolio/ran-development-as-51-written-initiatives/),
cada una con sus mediciones y las decisiones que descartó. La propia
[preparación de este sitio para agentes](/es/ai-ready/) se construyó del mismo
modo.

## Cómo se desarrolla un encargo

Empieza con una tarea y sus casos. Nos sentamos con las personas que la realizan,
documentamos entre treinta y cincuenta ejemplos reales con las respuestas
correctas y acordamos qué puede hacer el agente por su cuenta. Después construimos
el agente más sencillo que supere esas pruebas, detrás de una pantalla de
revisión, en su infraestructura o en su cuenta de nube, con el acceso
[limitado a lo que necesita](/es/ai-security/). Luego abordamos la siguiente
tarea. El código, los casos y los datos son suyos, por lo que el agente sigue
siéndolo cuando cambia el modelo subyacente. Se contrata como el resto de nuestro
trabajo, según las condiciones de [cuánto cuesta](/es/what-it-costs/).

Si en su sector hay trabajo que un agente debería quitarle de encima a alguien,
[cuéntenos cuál es](/es/contact/) *(lo lee la ingeniera)*.

<https://engineer.company/es/ai-agents/>
