Durante meses usé ChatGPT y Claude como consultores muy caros. Les preguntaba cosas. Me daban respuestas. Yo tomaba esas respuestas y hacía el trabajo.
“Dame 10 ideas para posts de LinkedIn.” “Ayúdame a pensar en un título para mi presentación.” “¿Qué opinas de este email que escribí?”
Conversaciones. Muchas conversaciones. Útiles, sí. Pero yo seguía siendo quien ejecutaba todo.
Entonces algo cambió. Dejé de preguntarle cosas a la IA y empecé a asignarle trabajos completos.
“Investiga estos 10 competidores y dame una tabla comparativa con precios, features, y enlaces a fuentes.” “Toma estas notas de 5 juntas y extrae todos los action items organizados por persona.” “Construye una app web que funcione para trackear mis contactos con estas especificaciones.”
La diferencia no es técnica. Es mental. Pasé de tener conversaciones a delegar resultados.
Y eso cambió todo.
La Distinción Que Importa: Chatbot vs Agente
La industria de IA tiene un problema de terminología. Todo es un “agente” ahora. Chatbots, asistentes, co-pilots, herramientas de automatización. La palabra se estiró tanto que ya no significa casi nada.
Déjame darte una definición que realmente funciona:
Un agente es una IA que puede hacer cosas, no solo es hablar con ellas.
Si le preguntas algo y te responde → chatbot. Si le asignas una tarea, se va, ejecuta trabajo, y regresa con un entregable (una tabla, un documento, una app funcionando) → agente.
Esta distinción importa porque cambia tu relación con la IA completamente.
Dejas de tener conversaciones y empiezas a delegar outcomes.
La Teoría del “Little Guy” – O Cómo Empecé a Pensar en IA Como Contratar Gente
Aquí está la forma que me ayudó a entender agentes sin volverme técnico:
Cada agente es un “Little Guy” que contratas para hacer un trabajo particular.
Tu Little Guy no es un genio. No es un reemplazo para juicio humano. Es simplemente un ayudante competente con habilidades particulares y limitaciones particulares.
Este framing cambia las expectativas completamente.
No le darías a un empleado nuevo la tarjeta corporativa el primer día y dirías “averígualo.” Le darías una asignación clara, permisos limitados, y revisarías su trabajo antes de confiarle más.
Los agentes funcionan igual.
También clarifica qué estás optimizando: confiabilidad sobre capacidad, siempre.
Prefiero un agente que investigue correctamente 20 empresas que uno que intente 100 y alucine la mitad de los datos.
Prefiero una automatización que maneje 80% de casos perfectamente que una que intente manejar todo y falle impredeciblemente—obligándome a revisar manualmente cada output.
El objetivo no es impresionarte con lo que los agentes pueden hacer. El objetivo es confiar en lo que entregan para que realmente puedas delegar.
Los 4 Controles Que Determinan Si Tu Agente Funciona o Es Caos
Antes de contratar a tu primer Little Guy, entiende las cuatro variables que puedes ajustar. Configurarlas bien es la diferencia entre automatización útil y caos.
Control 1: Hábitat – ¿Dónde vive el agente?
Algunos agentes operan en la web abierta, navegando sitios y extrayendo información (como Manus).
Otros viven dentro de tu workspace, organizando y transformando contenido que ya tienes (como Notion AI).
Otros construyen software (como Lovable).
Otros conectan aplicaciones y mueven datos entre ellas (como Zapier).
Mi consejo: Escoge UN hábitat para empezar. Mezclarlos es posible, pero crea complejidad que no necesitas cuando estás aprendiendo.
Control 2: Manos – ¿Qué puede tocar el agente?
Solo lectura es lo más seguro: el agente tiene ojos pero no puede cambiar nada.
Permisos de click le permiten tomar acciones como enviar formularios o actualizar registros – más poderoso, pero más riesgoso.
Permisos de gasto le dan acceso a métodos de pago o cambios irreversibles. Mantén esto APAGADO hasta que confíes profundamente en el sistema.
Mi consejo: Empieza con solo lectura. Agrega permisos gradualmente solo cuando los necesites.
Control 3: Correa – ¿Cuánta libertad tiene?
Un agente con correa corta sigue instrucciones explícitas paso-a-paso cada vez.
Un agente con correa larga recibe objetivos y descubre su propio approach.
Mi consejo: Si apenas estás empezando, mantén la correa corta. Define instrucciones tan cuidadosamente como puedas para evitar confusión y resultados infelices.
Control 4: Prueba – ¿Puede el agente mostrar que hizo el trabajo correctamente?
Esto significa especificar cómo luce el éxito y requerir evidencia: enlaces a fuentes, screenshots, logs, comparaciones antes/después.
Si un agente no puede mostrarte su trabajo, no puedes verificar su trabajo. Y si no puedes verificarlo, no puedes confiar en él.
Mi consejo: SIEMPRE requiere prueba. “Dame los datos” no es suficiente. “Dame los datos CON enlaces a las fuentes” es el estándar.
El Framework Que Uso Para Cada Misión de Agente
Después de meses usando agentes, llegué a este template que uso para cada misión:
Job: ¿Qué outcome quiero? Sé específico.
Inputs: ¿Qué fuentes puede usar? ¿Qué NO puede tocar?
Output: Formato exacto – columnas, secciones, tipo de archivo.
Rules: Qué DEBE hacer. Qué NO DEBE hacer.
Proof: Cómo me muestra que hizo el trabajo correctamente.
Mala instrucción: “Investiga competidores.”
Buena instrucción: “Investiga los top 5 competidores de [Empresa] en [Industria]. Para cada uno, proporciona: nombre de empresa, año de fundación, rango estimado de ingresos, diferenciador clave en una oración, y URL de fuente. Output como CSV. No incluyas empresas fuera de [Geografía]. Si no puedes encontrar datos de ingresos, escribe ‘No revelado’ con una nota explicando qué buscaste.”
Mientras más específica tu instrucción, menos adivina el agente – y menos oportunidades hay para alucinaciones.
Por Qué Esto No Es “Trabajo Extra” (En Serio)
Sé lo que estás pensando: “Eso es mucho esfuerzo. Solo quiero hacer una pregunta rápida y recibir respuesta.”
Fair. Pero aquí está el tema: vas a hacer el trabajo de especificación de todos modos.
O lo especificas por adelantado y obtienes output usable en el primer o segundo intento…
O lo dejas vago y gastas cinco iteraciones llegando a algo usable – con cada iteración siendo una forma de especificación post-hoc.
“No, más corto que eso.” “Más enfoque en los números.” “Espera, lo quería para audiencia técnica.”
Esos refinamientos son tú descubriendo lo que querías a través de prueba y error. La información siempre fue necesaria. La pregunta es solo si la expones antes de la primera respuesta o después de la cuarta.
Para cualquier tarea donde el output realmente importa – algo que vas a enviar a alguien más, usar para una decisión, o depender de él para algo importante – la especificación por adelantado tiende a ahorrar tiempo.
Mis 4 “Little Guys” Y Para Qué Contraté a Cada Uno
Después de probar docenas de herramientas, estos son los cuatro agentes que cubre 90% de lo que necesito:
1. Manus – Mi Investigador de Internet
Para qué lo uso: Investigación competitiva, análisis de mercado, recopilar datos de múltiples sitios web.
Por qué funciona: Literalmente puedes verlo trabajar. Abre tabs, navega páginas, copia datos a una tabla. Lo que te tomaría 3 horas pasa en 20 minutos mientras haces otra cosa.
Mi prompt favorito: “Compara las top 5 herramientas de email marketing para creadores pequeños en 2025. Output un CSV con columnas: Nombre de herramienta, Precio inicial, Límites de plan gratuito, Mejor para (una oración), Una limitación, URL de fuente para página de pricing. Visita la página oficial de pricing para cada herramienta. No adivines precios.”
Lo crítico: SIEMPRE pido URLs de fuente. Sin fuente = alucinación hasta que se pruebe lo contrario.
2. Notion AI – Mi Chief of Staff
Para qué lo uso: Organizar caos de juntas, extraer action items, auditar workspaces desordenados.
Por qué funciona: Vive dentro de mi Notion y puede transformar lo que ya tengo capturado.
Mi prompt favorito: “Lee esta página. Extrae cada action item en una lista de checkboxes. Agrupa por persona responsable. Si no hay deadline especificado, marca como ‘TBD.’ Si no hay owner claro, marca como ‘Sin asignar.’”
Lo crítico: Outputs vacíos significan notas vacías. Notion AI transforma lo que ya tienes – no inventa cosas que no estaban ahí.
3. Lovable – Mi Constructor de Apps
Para qué lo uso: Construir herramientas internas rápidas, MVPs, dashboards personalizados.
Por qué funciona: Describes lo que quieres en español, genera una app funcionando con URL que puedes compartir.
Mi prompt favorito: “Construye una app de CRM Personal. Necesita: Un formulario para agregar persona (Nombre, Empresa, Última Vez que nos Vimos, Notas), Mostrar personas en una cuadrícula de cards, Una barra de búsqueda arriba para filtrar por empresa, Diseño moderno y limpio, No necesita autenticación.”
Lo crítico: Empiezas con una imagen clara y la describes con precisión. La IA no puede leer tu mente, pero es excelente interpretando instrucciones detalladas.
4. Zapier – Mi Manager de Logística
Para qué lo uso: Conectar aplicaciones, automatizar workflows repetitivos.
Por qué funciona: Cuando pasa X en App A, hace Y en App B. Simple, determinístico, confiable.
Mi automatización favorita:
- Trigger: Cada día a las 9am
- Action: Enviarme un DM en Slack: “Check diario: ¿Cuál es la UNA cosa que debes completar hoy?”
Lo crítico: Los workflows más confiables son determinísticos. Agrega razonamiento de IA solo después de que entiendas cómo funcionan los basics.
Cómo Empecé (Y Cómo Deberías Empezar Tú)
No intenté hacer todo a la vez. Aquí está el path que recomiendo:
Semana 1: Conviértete en operador
- Escoge UN agente (Manus o Notion AI)
- Corre 3-5 misiones en esa herramienta
- Enfócate en escribir instrucciones claras, verificar outputs, iterar cuando los resultados no son correctos
- Éxito = ahorrar 3+ horas de trabajo que habrías hecho manualmente
Semana 2: Construye algo
- Gasta tiempo en Lovable creando un dashboard o herramienta que necesitas
- Éxito = tener una herramienta funcionando en una URL en vivo que realmente usas
Semana 3: Conecta las piezas
- Usa Zapier para hacer que tus herramientas hablen entre sí
- Éxito = tener al menos una automatización corriendo en la que no piensas
Semana 4: Suelta la correa
- Ahora – y solo ahora – experimenta con agentes tomando decisiones basadas en contexto
- Éxito = un agente tomando una decisión que no programaste explícitamente, y siendo la decisión correcta
Las Reglas Que Tengo Pegadas Junto a Mi Monitor
Estas me evitan aprender las lecciones caras:
Si hay duda, pregunta. Dile a cada agente: “Si estás atorado o inseguro, haz UNA pregunta clarificadora. No adivines.”
Sin billeteras. Nunca des a un agente acceso directo a métodos de pago o logins bancarios.
La regla del 10%. Los agentes hacen 90% del trabajo. Tú haces el último 10%: revisar, editar, verificar, aprobar.
Un trabajo a la vez. No digas “investiga esto, luego envíales email, luego construye la app.” Esas son tres misiones. Sepáralas.
Fuente o no sucedió. Cualquier afirmación sin enlace es una alucinación hasta que se pruebe lo contrario.
Empieza apretado, suelta después. Comienza con instrucciones explícitas paso-a-paso. Solo da más libertad después de ver cómo el agente maneja edge cases.
Lo Que Los Agentes Todavía No Pueden Hacer Bien
Sé honesto sobre los límites:
Juicios matizados que requieren entender tu contexto, cultura, o relaciones específicas – tú los haces.
Acciones irreversibles como enviar, borrar, pagar, o publicar necesitan aprobación humana en el loop.
Visión creativa: Los agentes pueden hacer borradores e iterar, pero la visión de lo que estás construyendo es tuya.
Aprender de un ejemplo: Los agentes no tienen memoria entre sesiones, así que comportamiento consistente requiere instrucciones consistentes.
Admitir confusión: Los agentes frecuentemente adivinan en lugar de pedir clarificación, por eso construyes “pregunta si no estás seguro” en cada instrucción.
Tu Movimiento
Esta noche, corre UNA misión. Solo una.
Ve a Manus (o la herramienta que elijas), asigna un trabajo específico, obtén un entregable que no tuviste que construir tú mismo.
Verifica tres hechos en él. Siente cómo es delegar a una IA y que realmente funcione.
El futuro no es aprender a programar. Es aprender a delegar.
Y eso empieza con tu primer Little Guy.
Para mí, lo más valioso no fueron los prompts específicos (aunque son oro). Fue el cambio mental de “conversar con IA” a “contratar a IA para hacer trabajo completo.”
Ese cambio mental vale más que cualquier prompt individual.
¿Qué agente vas a probar primero? ¿O todavía estás solo conversando?
Leave a Reply