Desarrollo de agentes de IA

CML Team desarrolla agentes de IA para productos y procesos de negocio. Leen documentos, actúan en sus sistemas con herramientas y pasan a una persona las decisiones importantes. En Persona, nuestra plataforma para agencias de TI, los agentes procesan currículums, emparejan candidatos y redactan propuestas. En Levee convierten lo que ve la visión artificial en informes de inspección hotelera.

Resultados de nuestros casos de éxito

  • Por horas o a precio fijo
  • NDA firmado
  • Los derechos sobre el código pasan a usted tras el pago

Con la confianza de líderes del sector

Impulsamos la innovación de empresas líderes en todo el mundo

  • Logotipo de Börse Stuttgart
    Ver el caso
  • Logotipo de Blockpit
    Ver el caso
  • Logotipo de Arbor
    Ver el caso
  • Logotipo de MiActivo
    Ver el caso

Qué construimos

  • Agentes dentro del software de gestión

    Agentes que hacen la parte rutinaria del trabajo de un equipo dentro de la plataforma que ya utiliza. En Persona, nuestro sistema operativo de negocio para agencias de TI, los agentes de IA procesan currículums y emparejan candidatos, analizan entrevistas grabadas, validan y enriquecen los datos de empresas y redactan correos y propuestas.

    Ver el caso de éxito de Persona
  • Agentes que convierten lo que ve un modelo en un informe

    La visión artificial o el reconocimiento de voz capturan los hechos, y un agente los convierte en un documento terminado. En Levee, los agentes convierten los objetos que la visión artificial reconoce durante la inspección de una habitación de hotel en el informe de la inspección. La voz a texto y la traducción cubren 4 idiomas.

    Ver el caso de éxito de Levee
  • Agentes conectados a sus sistemas

    Agentes que leen y escriben en su CRM, su correo, su base de datos o sus herramientas internas a través de sus API o de servidores Model Context Protocol (MCP), en local o en la nube. Cada agente recibe solo el acceso que necesita su tarea.

  • Flujos multiagente con aprobación humana

    Un enrutador asigna cada tarea a un agente especializado con una lista corta de herramientas. Los pasos importantes esperan la aprobación de una persona, y las tareas largas se reanudan donde se detuvieron en lugar de empezar de nuevo.

  • Automatización de procesos con agentes de programación

    Nuestros ingenieros usan Claude Code para desarrollar y probar, y también para automatizar procesos de nuestros clientes. Escribimos skills de agentes para su proceso, y se pueden generar skills nuevas a partir de una descripción en lenguaje natural.

  • Pruebas de los agentes antes y después del lanzamiento

    Un conjunto de referencia con casos reales y los resultados que usted espera, que se ejecuta tras cada cambio en el prompt, las herramientas o el modelo. Así un retroceso aparece en una prueba y no en el buzón de un cliente.

Cómo funciona

Cómo completa una tarea un agente de IA

Un agente de IA es un modelo de lenguaje que puede actuar. Lee una tarea, decide el siguiente paso y lo ejecuta con herramientas, como una búsqueda en sus documentos, un registro en su CRM o el borrador de un correo. El modelo es la parte más pequeña del trabajo. La mayor parte consiste en decidir qué puede hacer el agente por su cuenta, qué deja en manos de una persona y cómo sabrá usted que ha hecho bien su trabajo. Planifique un agente en siete pasos.

  1. Disparador. Un evento, una programación o una persona inicia la tarea, como un currículum nuevo, una inspección de habitación terminada o un correo entrante.
  2. Contexto. El agente recibe lo que necesita para decidir, a partir de los registros de sus sistemas y de pasajes de sus documentos encontrados mediante recuperación.
  3. Enrutamiento. Un enrutador pasa la tarea a un agente especializado, de modo que cada agente tiene un solo trabajo y una lista corta de herramientas.
  4. Herramientas. El agente actúa mediante herramientas, las API de sus sistemas o servidores MCP, solo con los permisos que necesita su trabajo.
  5. Controles. Reglas y límites revisan cada resultado antes de que salga del sistema.
  6. Aprobación humana. Los pasos que envían mensajes a clientes, gastan dinero o cambian registros importantes esperan a una persona.
  7. Registros y recuperación. Cada paso queda registrado con su coste, y una tarea larga se reanuda donde se detuvo.

Disparador y contexto. Empiece por una tarea que hoy las personas hacen a mano y saben juzgar, no por un agente para todo un departamento. Reúna ejemplos reales de esa tarea con el resultado que daría un buen empleado. Muestran qué contexto necesita el agente y se convierten en su conjunto de pruebas. En Persona, los agentes trabajan con lo que la plataforma ya contiene, como currículums, entrevistas grabadas, fichas de empresas y acuerdos (caso de éxito de Persona).

Enrutamiento y herramientas. Un agente con un solo trabajo y tres herramientas es mucho más fácil de probar que un agente con treinta. Construimos sistemas multiagente en los que un enrutador asigna cada tarea a un agente especializado. Las herramientas conectan un agente con sus sistemas, como la API de su CRM, su correo o su base de datos. Un servidor Model Context Protocol (MCP) da a los agentes una forma estándar de llegar a sus sistemas y datos, en local o en la nube. Trabajamos con LangGraph, LangChain y Anthropic Agent SDK, y elegimos el modelo de cada agente entre Claude, GPT y Gemini según la precisión, la velocidad y el coste.

Controles y aprobación humana. Decida antes del desarrollo qué acciones puede hacer un agente solo y cuáles esperan a una persona. Leer, ordenar y redactar suelen poder funcionar solos. Enviar, pagar, borrar y todo lo que vea primero un cliente debería esperar un sí, al menos hasta que las pruebas muestren que el agente lo hace bien. Ponga esos límites en el código, no solo en el prompt, para que una entrada engañosa no pueda convencer al agente de saltárselos. En Levee, los agentes convierten lo que la visión artificial reconoce durante la inspección de una habitación en un informe automático, y los equipos de los hoteles ganaron más del 40 % de eficiencia en inspecciones e informes, según nuestros registros de proyectos (caso de éxito de Levee).

Pruebas antes y después del lanzamiento. Los ejemplos del primer paso se convierten en un conjunto de referencia, un conjunto fijo de casos reales con los resultados que usted espera. Ejecútelo tras cada cambio en el prompt, las herramientas o el modelo, y compare cada ejecución con la anterior. Así un retroceso aparece en una prueba y no en el buzón de un cliente. Para resultados abiertos, como un resumen o un borrador, un segundo modelo puede puntuar cada uno frente al resultado esperado.

Registros, coste y recuperación. Registre cada paso del agente con su entrada, las herramientas que llamó y lo que costó cada llamada. Ese registro responde a la pregunta «¿por qué hizo eso?», muestra adónde va el dinero y permite que una tarea larga continúe donde se detuvo en lugar de empezar de nuevo. Trazamos los agentes con OpenTelemetry y LangSmith y medimos el coste de cada petición.

Agentes de IA dentro del producto que ya tiene

La mayoría de los agentes no necesitan un producto nuevo. Necesitan un producto cuyos datos y backend puedan sostenerlos, así que compruébelo primero. Para Arbor añadimos IA a una plataforma que ya funcionaba, con clips cortos automáticos a partir de vídeos largos (caso de éxito de Arbor). En Levee el backend era inestable, así que lo reconstruimos desde cero antes de añadir visión artificial, voz a texto en 4 idiomas y los agentes que redactan los informes de inspección. La plataforma mejorada ayudó a Levee a conseguir su primer contrato B2B.

Agentes de programación para los procesos de su equipo

Algunos procesos no necesitan ninguna aplicación nueva. Nuestros ingenieros usan Claude Code para desarrollar y probar, y también para automatizar procesos de nuestros clientes. Escribimos skills de agentes para el proceso, de modo que el agente siga sus pasos, y se pueden generar skills nuevas a partir de una descripción en lenguaje natural. Las reglas son las mismas que para un agente dentro de un producto. Una tarea cada vez, acceso limitado, un registro de cada paso y una persona que aprueba lo que sale del equipo.

Cómo usan los agentes sus documentos lo explicamos en nuestra página de desarrollo de sistemas RAG, y el servicio más amplio es la integración de IA y LLM. Nuestro artículo sobre cómo construimos sistemas de IA que piensan, actúan y orquestan muestra más diseños de agentes.

¿Necesita reglas fijas, automatización de flujos o un agente de IA?

La mayoría de los procesos necesitan menos IA de lo que se cree. Empiece por la opción más sencilla que haga el trabajo y use un agente solo en los pasos en los que la entrada varía y hace falta criterio. Persona combina flujos de trabajo configurables con agentes de IA.

¿Necesita reglas fijas, automatización de flujos o un agente de IA?
Reglas fijasAutomatización de flujosAgente de IA
Encaja con una tarea queSigue siempre la misma lógica si-entonces, como enrutar un formulario según sus campos o enviar un recordatorio en una fecha.Recorre pasos conocidos en varios sistemas, como pasar de un acuerdo firmado a un proyecto nuevo y una solicitud de contratación.Parte de una entrada desordenada, como un currículum, una entrevista grabada o una foto, y exige criterio antes del siguiente paso.
Qué entrada manejaCampos estructurados con valores conocidos.Datos estructurados y eventos de los sistemas que conecta.Texto, documentos, voz e imágenes, en la forma en que lleguen.
Ante una entrada inesperadaSe detiene o toma la rama equivocada, y alguien añade una regla.El paso falla y espera a una persona o un reintento.Puede actuar igualmente, así que necesita límites en el código, pruebas con un conjunto de referencia y la aprobación de una persona en los pasos de riesgo.
Coste de funcionamientoCasi nulo por ejecución.Bajo, sobre todo la plataforma o los servidores donde funciona.Una llamada al modelo en cada paso, así que el coste crece con los pasos y el volumen. Lo medimos por petición.
Cómo se compruebaSe prueba cada regla una vez.Se prueba cada recorrido de principio a fin.Se ejecuta un conjunto de referencia con casos reales tras cada cambio en el prompt, las herramientas o el modelo.
En nuestro trabajoUna cola inteligente que enruta los mensajes según las reglas del dominio, para una plataforma de préstamos de Estados Unidos (Lender Admin Platform).Flujos de trabajo configurables en Persona que automatizan tareas repetitivas.Los agentes de Persona para currículums, entrevistas y propuestas, y los informes de inspección de Levee.

Muchos productos combinan las tres opciones. Las reglas y los flujos se ocupan de la rutina, y un agente resuelve los pasos que exigen criterio.

Opinión del cliente

CML Team LTD ha entregado con éxito aplicaciones robustas, ha prestado apoyo continuo durante las demostraciones y nos ha ayudado a conseguir nuestro primer cliente B2B. Además, el equipo es proactivo, flexible y atento a los detalles. Su enfoque para la resolución de problemas y su innovación los distinguen del resto.

Guillermo VillegasCofundadorOpinión en Clutch

Leer la opinión completa

Cómo trabajamos en ello

  1. Usted nos escribe

    Envíenos su caso por el formulario de contacto o hable con nuestro Delivery Manager en LinkedIn. Describa el proceso, los sistemas que toca y quién hace hoy el trabajo.

    Responsable
    Usted
    Resultado
    El proceso y sus sistemas, descritos con sus propias palabras.
  2. Elegimos una tarea para probar

    Elegimos una tarea y reunimos ejemplos reales de ella con el resultado que usted espera. Se convierten en el conjunto de referencia del agente, y acordamos qué pasos aprueba una persona. Puede empezar poco a poco, con consultas.

    Responsable
    Usted y CML Team
    Resultado
    Un conjunto de referencia, los puntos de aprobación y un primer paso que elige usted.
  3. Estimación gratuita y acuerdo

    Recibe nuestra valoración de la idea y una estimación gratuita. Se factura por horas o, para un proyecto, a precio fijo. Se firma un NDA.

    Responsable
    Usted y CML Team
    Resultado
    Un acuerdo firmado y un equipo trabajando.
  4. Prueba de concepto con sus casos

    Construimos el agente para esa tarea y lo ejecutamos con el conjunto de referencia. Usted ve sus resultados, lo que cuesta cada ejecución y qué pasos deja a una persona, y decide qué sigue.

    Responsable
    CML Team
    Resultado
    Resultados con sus propios casos, con las puntuaciones del conjunto de referencia y el coste por ejecución.
  5. Desarrollo con demos periódicas

    Nuestro jefe de proyecto le mantiene al día con reuniones periódicas, sesiones de planificación, demos e informes de estado. Las tareas nuevas se suman al conjunto de referencia a medida que los agentes las asumen.

    Responsable
    Nuestro jefe de proyecto
    Resultado
    Agentes que funcionan y que puede probar en cada demo.
  6. Lanzamiento y siguientes pasos

    Desplegamos los agentes con registros y seguimiento de costes. Después seguimos desarrollando con usted o los asume su equipo interno. Los derechos sobre el código pasan a usted tras el pago.

    Responsable
    Usted y CML Team
    Resultado
    Agentes en producción, con su código en sus manos.

Cómo puede trabajar con nosotros

Trabaje con nosotros con un equipo dedicado que se suma a sus desarrolladores, con un proyecto que gestionamos desde los requisitos hasta el lanzamiento o con especialistas bajo demanda.

Preguntas frecuentes

¿Cuánto se tarda en desarrollar un agente de IA?

Primero va una prueba de concepto con una tarea, que muestra el alcance real antes de comprometerse con el desarrollo completo. Lo que tarde el resto depende de en cuántos sistemas trabaje el agente, cuántos pasos apruebe una persona y lo estrictas que deban ser las pruebas. Una estimación gratuita le da la respuesta para su propio proyecto.

¿Cuánto cuesta desarrollar un agente de IA y tenerlo en marcha?

El desarrollo se factura por horas o, para un proyecto, a precio fijo, y el coste depende del alcance. Tenerlo en marcha supone una llamada al modelo en cada paso, así que la factura crece con el número de pasos, el volumen de tareas y el modelo que elija. Medimos el coste de cada petición, de modo que lo ve desde la prueba de concepto. Antes de decidir, recibe una estimación gratuita.

¿Pueden añadir agentes de IA a un producto que ya tenemos?

Sí, si sus datos y su backend pueden sostenerlos, que es lo primero que comprobamos. Para Arbor añadimos IA a una plataforma que ya funcionaba, con clips automáticos a partir de vídeos largos. En Levee el backend era inestable, así que lo reconstruimos antes de añadir la visión artificial y los agentes que redactan los informes de inspección. En Persona, los agentes de IA trabajan dentro de una plataforma de ventas, entrega y contratación.

¿Necesitamos un agente de IA o una automatización sencilla?

Use lo más sencillo que haga el trabajo. Las reglas fijas y la automatización de flujos cuestan menos de mantener en marcha y son más fáciles de probar, así que encajan en pasos con entrada estructurada y recorridos conocidos. Un agente encaja en pasos que parten de una entrada desordenada, como un currículum, una entrevista grabada o una foto, y que exigen criterio. La mayoría de los procesos mezclan ambos, y la tabla de arriba los compara.

¿Puede un agente de IA trabajar dentro de nuestro CRM, nuestro correo u otros sistemas?

Sí, mediante herramientas. Un agente llama a la API de su CRM, su correo o su base de datos, a menudo a través de un servidor Model Context Protocol (MCP) que da a los agentes acceso a sus sistemas y datos, en local o en la nube. Cada agente recibe solo el acceso que necesita su tarea, acordado con usted, y las acciones importantes esperan la aprobación de una persona.

¿Qué pasos aprueba una persona?

Aquellos en los que un error sale caro o se ve. Leer, ordenar y redactar suelen poder funcionar solos. Enviar un mensaje a un cliente, pagar, borrar o cambiar un registro importante debería esperar a una persona, al menos hasta que las pruebas muestren que el agente lo hace bien. Esos pasos de aprobación los integramos en el propio flujo de trabajo, no solo en el prompt.

¿Cómo prueban un agente de IA antes de ponerlo en marcha?

Con un conjunto de referencia, un conjunto fijo de casos reales con los resultados que usted espera. Lo ejecutamos tras cada cambio en el prompt, las herramientas o el modelo y comparamos cada ejecución con la anterior, así que un cambio que empeora el agente aparece antes de que lo vean los usuarios. Para resultados abiertos, como borradores, también usamos un segundo modelo como evaluador.

¿Qué modelos y frameworks usan, y adónde van nuestros datos?

Elegimos el modelo para cada tarea entre Anthropic Claude, OpenAI GPT y Google Gemini, y construimos los agentes con LangGraph, LangChain o Anthropic Agent SDK. No hacemos fine-tuning de modelos. Usamos soluciones autoalojadas o plataformas gestionadas como Google Vertex AI, y la opción, el proveedor de IA y las reglas para sus datos los acordamos con usted antes de empezar.

¿De quién es el código y firman un NDA?

Firmamos un NDA, y los derechos sobre el código pasan a usted tras el pago. Tras el lanzamiento, usted elige si seguimos desarrollando con usted o si su equipo interno asume los agentes y ejecuta por su cuenta el conjunto de referencia, de modo que cada cambio posterior siga probado.

Dos formas de ponerse en contacto

Elija la que elija, la conversación empieza con una persona.

Hable con nuestro Delivery Manager

Oleksii Skurikhin, uno de nuestros Delivery Managers, será su primer punto de contacto en LinkedIn. Cuéntele en qué está trabajando.

Hable con nuestro Delivery Manager en LinkedIn (se abre en una pestaña nueva)

Cuéntenos qué necesita

Describa la tarea en el formulario de contacto o reserve una llamada con uno de nuestros fundadores en la misma página. Si quiere, añada al formulario un rango de presupuesto.

Solicite una estimación gratuita