Cristian se fue a la playa y nos dejó solos, pero no del todo — mandó links por WhatsApp toda la semana sin poder desconectar. En este episodio, Rodrigo y Diego abren la pregunta que Jensen Huang puso sobre la mesa en GTC 2026: “¿Cuál es la estrategia de agentes de tu empresa?”. Hablamos de por qué el contexto se volvió el verdadero diferencial, cómo Rodrigo automatizó dos años de propuestas comerciales en una tarde con Claude Cowork, y por qué las PYME chicas y los negocios rurales tienen hoy una ventaja que no deberían desperdiciar.
Lo que vas a aprender
- Por qué el contexto empresarial (y no el modelo) se convirtió en el principal diferencial competitivo en 2026.
- Cómo convertir dos años de propuestas comerciales desordenadas en un catálogo con reglas de pricing en una tarde.
- Cuándo usar Claude Opus, Sonnet o GPT-5.4 para distintas etapas de un flujo (análisis, generación, validación).
- Qué preguntas concretas tienes que responder antes de desplegar agentes en tu empresa (arquitectura, canales, permisos, modelos).
- Por qué un negocio de turismo rural puede sacarle un valor enorme a la IA con solo tener internet y hablar español.
¿Por qué el contexto es el nuevo diferencial competitivo?
Porque el modelo se commoditizó. Claude Opus, GPT-5.4 y Gemini 3.1 Pro están a un clic para cualquiera con 20 USD al mes — ahí ya no hay ventaja competitiva. La ventaja pasó al contexto: archivos, procesos, base de conocimiento, reglas de negocio y criterios que hasta hoy vivían en la cabeza de tus colaboradores. Si tu información está ordenada y disponible en formatos legibles por máquina, los agentes trabajan contigo. Si vive en ‘Don Juan que sabe cómo’, estás en problema.
“Si vas a crear data a partir de ahora, ordénala desde ya. Y para atrás tienes que ir a hacer la limpieza, la conversión — ya sea Markdown, ya sean SQL o la base que tengas. Toda esa información tiene que quedar ordenada y disponible.” — Rodrigo Rojo
Diego lo lleva al caso concreto de su empresa: están armando una capa común de contexto para que cada persona no tenga que llenar la descripción de la compañía desde cero cada vez que inicia un agente. Todos los colaboradores parten con el mismo conocimiento base, y sobre eso cada uno tiene su asistente personal con sus propios skills.
La consecuencia práctica para cualquier negocio: ya no solo se documenta para data-driven, se documenta para que la IA pueda leer, consumir y trabajar con esa información. Si tu empresa tiene todo en Notion compartido (típico de empresas remotas), los agentes te funcionan casi out of the box. Si tu operación vive en la cabeza de “Don Juan que sabe cómo entrar cuando la oficina está cerrada”, estás en problema.
¿Cómo automatizó Rodrigo dos años de propuestas comerciales?
Este fue el caso de uso más concreto del episodio. Rodrigo tenía ~80 propuestas comerciales del último año, desparramadas en PDFs hechos en Canva y Word. Nunca se había dado la paja de ordenarlas. Con Claude Cowork, en una tarde:
- Le apuntó el agente a la carpeta
Areas/Rojo y Nova/Propuestas (su estructura PARA — Proyectos, Áreas, Recursos, Archivos — que mantiene hace 10 años).
- Le pidió: “extrae los cursos de cada propuesta, contrasta entre sí, unifica las que sean el mismo contenido con distintos títulos, y ármame un catálogo modular.”
- Mientras se tomaba un café, Claude Cowork le hizo preguntas de criterio (“¿Este curso es el mismo que este otro?”) y entregó un documento consolidado.
- Después le pasó los rangos de precios, las reglas de descuento por tipo de cliente (empresa amiga, PYME, gran empresa, directores), y le generó un archivo de reglas de negocio y pricing.
- Finalmente armó un skill: una habilidad reutilizable que, con el template Word de propuesta + catálogo + reglas, produce propuestas nuevas en 2 clics.
El flujo final hoy: Rodrigo entra a una reunión, graba con Granola, copia la transcripción al skill, y Claude le sugiere el producto + precio + condiciones. Rodrigo ajusta, confirma, y recibe un Word con formato, branding, términos y condiciones listo para enviar.
“Me di una paja al principio ocupándolo para armar esto, pero una vez que quedó listo, ahora son dos clics.” — Rodrigo Rojo
El hallazgo importante para cualquiera: la IA puede estructurar data no estructurada que tú nunca ordenarías a mano. El cuello de botella no era la capacidad, era la motivación humana de hacer una tarea aburrida. La IA disfruta no sintiendo aburrimiento.
¿Qué modelo conviene para cada etapa de un flujo?
Rodrigo armó todo el levantamiento con Claude Opus porque quería análisis profundo. Para la generación final de propuestas usa Sonnet, que es más rápido y queda igual de bien. Esto abre una regla práctica:
| Etapa | Modelo recomendado | Por qué |
|---|
| Análisis profundo de data no estructurada | Claude Opus 4.6 / GPT-5.4 Pro Thinking | Razonamiento extendido, mejor manejo de criterios complejos |
| Generación rutinaria (propuestas, emails, docs) | Claude Sonnet 4.6 / GPT-5.4 | Rápido, suficiente para tareas bien definidas con contexto |
| Iteración y clasificación masiva | GPT-5.4 mini/nano / Gemini Flash | Barato, ideal para pipelines de muchas llamadas |
| Validación final contra criterios | Opus / GPT-5.4 Pro / Gemini 3.1 Pro | Asegura que no se te escape un error crítico |
| Manejo de Office (Word, Excel, PPT) | Claude Opus o Sonnet 4.6 | Históricamente mejor que el resto; GPT-5.4 ya empató |
La regla de Rodrigo: cuando diseñas un flujo, la etapa cara (probar con varios modelos, medir costo vs calidad) es la inversión inicial. Una vez aceitado, el proceso corre con modelos más baratos y el tiempo recuperado paga la curva rápido.
¿Qué preguntas tienes que responder antes de desplegar agentes en tu empresa?
Siete preguntas antes de tocar código: cuántos agentes (uno por persona, uno por área, uno compartido); dónde viven (Discord, Slack, Teams, interfaz propia); qué pueden acceder (carpetas, credenciales, APIs, bases de datos); qué canales separan contextos; cómo comparten data entre sí; qué APIs usan por detrás y quién administra las cuentas; qué modelo para cada tarea. Jensen Huang lo planteó en GTC 2026: toda empresa necesita una estrategia de agentes explícita, no simplemente instalar OpenClaw y ver qué pasa.
- ¿Cuántos agentes? Uno por empleado, uno por área, uno compartido por todos.
- ¿Dónde viven? Discord, Slack, Microsoft Teams, interfaz web propia.
- ¿Qué pueden acceder? Carpetas, credenciales, APIs internas, bases de datos.
- ¿Qué canales de comunicación? Cómo separas contextos para que no se mezclen conversaciones de áreas distintas.
- ¿Cómo comparten data entre sí? Una capa común, cada agente con su propio store, un knowledge base central.
- ¿Qué APIs usan por detrás? Cuentas separadas por persona o compartidas, ¿quién las administra?
- ¿Qué modelo para cada tarea? Caro y lento para validación, barato y rápido para iteración.
“Yo el mío lo tengo en Discord con canales separados por contexto, pero el mismo agente. Todavía no hago el doble clic a tener múltiples agentes, pero tengo casos identificados donde sí tendría sentido.” — Rodrigo Rojo
Regla de oro de Rodrigo: partir de menos a más. Hacer un agente con alcance súper limitado, ciertos usuarios, pocas tareas. Ver que funciona. Expandir. No te sobrecalientes la cabeza pensándolo todo desde el inicio — dibuja la arquitectura en una servilleta para tener un esquema mínimo, pero acepta que va a ir cambiando.
¿Qué hace OpenClaw distinto y por qué está naciendo una categoría?
OpenClaw empezó en noviembre de 2025 como Clawdbot, un proyecto del desarrollador austríaco Peter Steinberger. Tras un reclamo de trademark de Anthropic se renombró a Moltbot a fines de enero de 2026, y tres días después pasó a ser OpenClaw. En febrero, Steinberger anunció que se sumaba a OpenAI, dejando el proyecto bajo la tutela de una fundación sin fines de lucro. En paralelo, en GTC 2026 Jensen Huang mencionó OpenClaw presentando NemoClaw — la versión NVIDIA segura para empresas, con OpenShell y el modelo Nemotron. NVIDIA validó la categoría al punto de fabricar su propia variante.
En paralelo:
- Perplexity Computer salió hace días — es el “OpenClaw con corbata”, más empaquetado, menos flexible, más listo para trabajo profesional que no necesita romper cosas.
- Manus (Meta) — agente de escritorio con capacidades similares.
- GenSpark Cloud — integración móvil nativa, tú instalas poco, la plataforma absorbe la complejidad.
- Claude Cowork Dispatch (Anthropic) — deja tu Claude andando en el computador y sigues la conversación desde el celular, con acceso a carpetas locales.
- Kimi K2 también sacó su versión del patrón.
Andrej Karpathy lo bautizó públicamente: “los Claws” — los agentes con “garras” que acceden a archivos locales, ejecutan tareas, se integran con tu ecosistema. Esta categoría ya no es experimental.
“OpenClaw es como los fierros: puedes hacer cosas mucho más grandes, pero requiere componentes técnicos o más tiempo de iteración. Los demás son versiones empaquetadas para que lo ocupe gente que no es técnica.” — Rodrigo Rojo
¿Por qué la IA es la tecnología más democrática de la historia?
Porque solo requiere dos cosas: saber español y tener internet. Nada más. Rodrigo lo comprobó esta semana en un taller de turismo rural — gente con conexión intermitente, alfabetización digital baja, negocios 100% manuales (caballos, rutas, insumos). Se esperaba poco compromiso con IA y pasó lo opuesto: apenas vieron que el valor estaba en su propio contexto (planillas existentes, rutinas diarias), los casos de uso aparecieron solos — traducción en vivo con turistas, redes sociales, análisis de negocio, compañía mental en jornadas largas.
Apenas entendieron que el valor estaba en el contexto — “¿qué haces tú en tu día a día? ah, ¿tienes esta planilla? ¿puedes ordenarla?” — se les iluminó la cara. El uso real que identificaron:
- Traducción en vivo cuando llegan turistas que hablan otro idioma.
- Planificación de redes sociales que nunca habían manejado.
- Análisis de negocio (“¿qué rutas te están funcionando mejor?”).
- Ayuda a mantener la operación mental cuando estás solo todo el día con los caballos esperando turistas.
“Para ocupar una IA cualquiera, tú tienes que saber español y tener internet. Nada más. Y ahí está el valor.” — Rodrigo Rojo
Diego suma el punto de cultura: los “curiosos” son el perfil que hay que empoderar. No todos en la empresa van a querer meter las manos, pero quienes lo hacen hoy se convierten en multiplicadores internos. El CEO tiene que ser el primero en cuestionar procesos, meter el palito en la llaga, y apoyar a quienes rompen la inercia del “siempre se hizo así”.
¿Cómo evitar quedarse amarrado a un proveedor cuando todo cambia cada semana?
Un punto práctico que Rodrigo dejó: cuando metes agentes en la empresa, abstrae la capa del modelo. La gente habla con “el agente de ventas” — no con “el agente de OpenAI” ni con “el agente de Anthropic”. Por detrás, el enchufe puede cambiar. Si mañana Qwen 3.6 es mejor que Opus para una tarea y más barato, conmutas sin cambiar la experiencia del usuario final.
Esto se consigue con código propio + APIs especializadas por detrás de un frontend común (Slack, Teams, tu intranet). El costo de construirlo es bajo con los agentes actuales; el costo de no construirlo es quedar locked con un proveedor específico en un mercado que cambia de protagonista cada mes.
Preguntas frecuentes
¿Qué es Claude Cowork y en qué se diferencia de Claude Code?
Claude Cowork es el agente de Anthropic orientado a tareas de oficina: trabaja con carpetas locales, genera y edita documentos Word, Excel y PowerPoint, y soporta skills — habilidades reutilizables con instrucciones, archivos de contexto y templates. Claude Code, en cambio, está enfocado en desarrollo de software: terminal, ejecución de código, integración con repos. Ambos corren sobre los mismos modelos base (Opus, Sonnet), pero el harness y las capacidades orientadas al caso de uso los hacen distintos.
¿Cuántos agentes debería tener una empresa?
No hay un número correcto. Depende de la arquitectura que escojas: uno por persona (modelo aumentación), uno por área (modelo delegación), uno por proceso crítico (modelo operacional), o una mezcla. La recomendación práctica es partir con un agente simple y limitado, probarlo con 3-5 personas, iterar 2-3 semanas, y recién ahí decidir si expandes a toda la compañía o creas especialistas por área.
¿Vale la pena capacitar a empleados no técnicos en agentes o mejor contratar gente nueva?
Las dos cosas, en paralelo. Capacitar empleados actuales tiene la ventaja de que ellos ya conocen el contexto del negocio — y la IA funciona mejor con contexto. Contratar perfiles nuevos que ya vienen con el mindset acelera la transformación sin tener que desmontar creencias instaladas. La jugada ganadora es identificar a tus “champions” internos (los curiosos que ya están probando), empoderarlos, y traer 1-2 perfiles externos que jalen al resto.
¿Qué industrias tienen más urgencia de adoptar agentes hoy?
Retail, telco, banca, startups y tecnología — industrias donde el costo de cambio del cliente es bajo. Si tu usuario se cambia de supermercado, de operador o de app con un clic, ganar eficiencia operativa y velocidad de respuesta hoy se traduce directo en retención. En fast consumer goods (alimentos, bebidas), la IA generativa aporta menos; lo importante ahí sigue siendo IA de edición, IA robótica y optimización de supply chain.
¿Cómo evito que mi empresa quede amarrada a un solo proveedor de IA?
Diseña una capa de abstracción: la gente habla con “el agente de X función” — no con un LLM específico. Por detrás, usa APIs que puedas conmutar (Claude → GPT → Qwen → Gemini) sin cambiar la experiencia del usuario final. Construye con código propio o frameworks agnósticos (LangChain, OpenClaw, n8n) que te permitan cambiar el motor. El costo inicial es mayor, pero en un mercado donde el mejor modelo cambia cada 2-3 meses, la flexibilidad se paga sola.
Recursos mencionados
🌐 eslahoradeaprender.com · 🎧 Spotify · 📺 YouTube
Accesibilidad: activa los subtítulos en el reproductor de YouTube para leer la conversación completa.
