“Cómo pasé de experimentar con ChatGPT a construir un entorno de agentes que me ayuda a desarrollar, automatizar tareas y gestionar proyectos.”

Empecé a jugar con ChatGPT allá por 2023 o 2024, como creo que nos pasó a muchos. En ese momento la herramienta todavía era bastante limitada. Si le pedías que construyera una landing page, por ejemplo, te devolvía fragmentos de HTML que después tenías que ir armando.
Aun así, ya le encontraba utilidad. La combinaba con mi entorno de desarrollo para escribir código, hacer pruebas o resolver tareas que me llevaban bastante tiempo. Nada demasiado sofisticado, pero me ayudaba a agilizar el día a día.
Desde entonces fui probando prácticamente todo lo que iba apareciendo. Algunas herramientas funcionaban muy bien, otras prometían más de lo que podían resolver y con unas cuantas terminé rompiéndome la cabeza hasta encontrarles la vuelta.
Lo interesante es que, después de todo ese recorrido, mi forma de trabajar con IA ha cambiado bastante.
“Hoy necesito darle muchas menos instrucciones para conseguir resultados mucho más completos.”
Y eso tiene más que ver con cómo organizo mi entorno de trabajo que con el modelo que utilizo.
De experimentar con ChatGPT a construir nuestros primeros agentes
Uno de los primeros proyectos importantes en los que participé fue en 2024, cuando en Multiplica empezamos a desarrollar agentes para apoyar los procesos de selección de talento.
Construimos un primer agente capaz de analizar los currículums que recibíamos y lo conectamos con otros agentes que intervenían en las entrevistas de los candidatos que superaban esa primera etapa.
Hoy puede parecer algo relativamente sencillo, pero en aquel momento había bastantes desafíos. Los modelos tenían dificultades para interpretar documentos, las ventanas de contexto eran pequeñas y las integraciones con herramientas como WhatsApp todavía estaban evolucionando.
Fue una experiencia muy buena porque me permitió entender cómo funcionaban los agentes por dentro, cuáles eran sus límites y qué necesitábamos para construir soluciones más robustas.
Después llegaron Cursor, nuevos modelos y herramientas de automatización como n8n. Empecé a conectar flujos para procesar correos, generar informes e incluso recibir resúmenes semanales de mis canales de YouTube favoritos para filtrar las novedades sobre IA y quedarme con las más relevantes.
Cuando la herramienta se queda corta, toca romperse la cabeza
Con n8n me pasó varias veces. Tenía flexibilidad para construir automatizaciones, pero cuando intentaba desarrollar flujos demasiado complejos aparecían problemas de rendimiento o limitaciones.
A veces la solución estaba bien planteada, pero la herramienta no podía soportarla.
¿Qué hacía? Buscar alternativas, dividir un workflow grande en otros más pequeños o probar otra arquitectura hasta encontrar algo aceptable.
Con el tiempo empezamos a desarrollar agentes más a medida, que nos daban mayor control sobre los recursos y su funcionamiento.
De esas experiencias me quedó una reflexión que sigo aplicando: la inteligencia artificial potencia todo lo bueno y todo lo malo.
“Si tu proceso está mal diseñado, vas a tener problemas tanto si lo haces manualmente como con IA. La diferencia es que, con IA, esos problemas aparecen mucho más rápido y pueden multiplicarse.”
Por eso, antes de automatizar algo, hay que entender bien cómo funciona y qué queremos conseguir.

Mi mayor cambio fue dejar de explicarle todo a la IA
Uno de los proyectos que más me ayudó a evolucionar fue el desarrollo de Concierge, nuestro agente conversacional interno en Multiplica.
Trabajar en esta iniciativa con el equipo de Experience me permitió profundizar en la arquitectura de agentes y, sobre todo, fortalecer algo que hoy considero fundamental: mi propio marco de trabajo con IA.
Actualmente trabajo con herramientas como Cursor, Claude y OpenCode, conectadas con diferentes fuentes de información y sistemas que utilizo diariamente. Esto me permite:
| Monitorear servicios: | Los agentes revisan los logs y me entregan informes con errores o posibles áreas de mejora, sin tener que hacerlo manualmente. |
| Gestionar requerimientos: | Puedo tomarlos de un documento, estructurarlos, refinarlos con el equipo y convertirlos en tareas, presentaciones u otros entregables. |
| Hacer seguimiento de proyectos: | Cruzo la información de Atlassian con correos y conversaciones para tener una visión más completa y precisa de su estado. |
| Preparar reuniones: | Todos los días, a las nueve de la mañana, una rutina revisa mi calendario, identifica las reuniones de cada proyecto y prepara un documento con lo que necesito saber para cada una. |
Este último ejemplo resume bastante bien cómo ha cambiado mi manera de trabajar. Antes tenía que darle instrucciones detalladas para cada paso. Hoy basta con pedirle «Envíame un resumen de este proyecto por correo» y el sistema ya sabe dónde buscar, qué información cruzar y cómo presentar el resultado.
“Mi prompting ha evolucionado hacia necesitar cada vez menos prompting.”
El secreto está en construir un buen marco de trabajo
Hay un término que se ha popularizado muchísimo y que, sinceramente, detesto un poco: vibe coding. Me parece más un concepto de marketing que una forma de describir el desarrollo con IA.
Pedirle a una herramienta que construya código puede funcionar para experimentar, pero desarrollar soluciones robustas requiere conocimientos técnicos, arquitectura, reglas y controles claros.
Ahí entra lo que conocemos como harness o arnés de trabajo, la estructura que rodea al modelo y define cómo debe trabajar, a qué información y herramientas puede acceder y cuáles son sus límites.
Me gusta explicarlo con una analogía. Imaginemos que ponemos a dos modelos en un laberinto. Uno muy potente probablemente encontrará la salida después de probar muchos caminos. Otro más pequeño quizás necesite ayuda.
Ahora imaginemos que les damos un mapa o un GPS. Ambos podrán encontrar la salida con menos esfuerzo y consumir menos recursos.
Eso es lo que buscamos al construir un buen marco de trabajo.
“Lo importante es que los resultados dependan menos de la potencia del modelo y más de la calidad del contexto, las herramientas y las reglas que ponemos a su disposición.”
Además, tiene un impacto directo en el consumo de tokens y, por tanto, en los costos. Utilizar siempre el modelo más potente puede funcionar, pero también hay que tener en cuenta cuánto cuesta resolver cada tarea.
Cuanto más autónomos son los agentes, más importante es el control
Hay otro desafío que no podemos perder de vista: los agentes no siempre responden de la misma manera, incluso cuando reciben instrucciones idénticas.
Lo vivimos desarrollando el Concierge. Uno de los principales retos fue conseguir que respondiera utilizando la información disponible y redujera al mínimo las respuestas inventadas. Eso requirió mucho trabajo de depuración, revisión de las bases de conocimiento y ajustes de contexto.
También tenemos que cuidar las conexiones y los permisos. Un agente que accede a una base de datos debe hacerlo dentro de límites definidos para evitar modificaciones no autorizadas. Y lo mismo ocurre con las herramientas y repositorios externos: podemos aprovechar muchísimo de lo que desarrolla la comunidad, pero primero necesitamos evaluar qué incorporamos y cómo protegemos la información de Multiplica y nuestros clientes.
La idea es poder experimentar y compartir lo que construimos, pero dentro de un entorno controlado.
Mi consejo es empezar por tu propio trabajo
Cuando alguien me pregunta qué herramienta debería utilizar para empezar con IA, mi respuesta suele ser bastante sencilla. Depende de lo que necesites hacer.
Y si no sabes por dónde comenzar, recomiendo contarle a la propia IA cómo es tu día a día, qué tareas haces, qué herramientas utilizas y qué procesos te llevan más tiempo. A partir de ahí, preguntarle qué podrías mejorar.
“Una de las mejores maneras de aprovechar estas herramientas es construir una relación de trabajo con ellas, darles contexto y aprender a utilizarlas a medida que descubrimos nuevas posibilidades.”
Después de estos años experimentando, equivocándome y construyendo soluciones, tengo cada vez más claro que el valor de trabajar con IA está en saber qué queremos resolver y crear las condiciones para que pueda hacerlo bien.
Y cuanto mejor lo hacemos, menos necesitamos explicarle cómo hacer cada cosa.
