Recorrido del agente de IA
Diseñe su agente de IA en nueve preguntas
Empezamos cada proyecto poniéndonos en su lugar, no con una presentación. Responda a las preguntas que un forward deployed engineer hace en la primera reunión y vea el agente, el modelo y el alojamiento que construiríamos para usted.
Antes de empezar
Cómo funciona realmente un agente de IA
Un chatbot responde a una pregunta. Un agente termina un trabajo. Lee sus datos, decide qué hacer, usa sus herramientas para hacerlo y comprueba el resultado antes de que nadie dependa de él. Cada vuelta de ese ciclo queda registrada.
Leer
El agente recopila lo que necesita de los sistemas que usted ha autorizado: la bandeja de entrada, la contabilidad, la cola de tickets, el repositorio. Solo ve lo que sus permisos le permiten.
Razonar
Un modelo de lenguaje de gran tamaño determina qué necesita el trabajo y planifica los pasos. Es el único lugar donde se usa inteligencia, así que se invierte donde importa el criterio.
Actuar
El agente usa herramientas reales mediante conectores y servidores MCP: redacta la respuesta, presenta el informe, abre la pull request. Los pasos basados en reglas siguen siendo código simple.
Comprobar
Antes de enviar, gastar o borrar algo, el agente se detiene en un punto de aprobación. Usted aprueba, o rechaza con un motivo del que aprende. Cada paso queda trazado.
Tres capas en cada agente que construimos
Su conocimiento
Las fuentes de datos que conectamos durante el descubrimiento, limitadas a los mismos permisos que ya tiene su personal.
El modelo
Claude, GPT, Gemini, Grok o un modelo de pesos abiertos, elegido según la tarea, los datos y dónde debe ejecutarse.
Control
Puntos de aprobación, presupuestos, condiciones de parada y un registro de auditoría, ejecutados sobre el framework de agentes Jobshout.
Descubrimiento
Primero nos ponemos en su lugar
La mayoría de los proyectos de IA fracasan porque automatizan el paso equivocado. Nuestros forward deployed engineers se sientan con las personas que hacen el trabajo antes de escribir una línea de código.
Día 1
Observar el trabajo
Observamos una jornada real: la bandeja de entrada, las aprobaciones, las hojas de cálculo que sostienen el negocio. Anotamos cada traspaso y cada espera.
Día 2
Mapear las fuentes de datos
Para cada paso registramos dónde están los datos, quién es su responsable, cómo se accede a ellos (API, exportación, base de datos, correo) y lo sensibles que son.
Día 3
Encontrar dónde se necesita criterio
Dividimos cada proceso en pasos de reglas, que siguen como automatización corriente, y pasos de criterio, donde un LLM justifica su coste. Los agentes solo van donde se requiere inteligencia.
Semanas 1–2
Construir y operar a su lado
El primer agente funciona con sus datos reales y un punto de aprobación en cada acción de riesgo. Lo ajustamos con las personas que lo usan y solo ampliamos sus permisos cuando confían en él.
El recorrido
Háblenos de su empresa
Estas son las preguntas que hacemos en la primera reunión con un cliente. Sus respuestas permanecen en su navegador hasta que decida enviarlas.
Escenarios reales
Lo que escuchamos en las reuniones con clientes y lo que construimos
Ejemplos compuestos a partir del tipo de primeras reuniones que dirigen nuestros forward deployed engineers. Los nombres y las cifras son ilustrativos.
CEO · servicios profesionales
"Paso las dos primeras horas de cada día con el correo."
El FDE mapeó Outlook, el CRM y el portal del consejo, y descubrió que la mayoría de las respuestas seguían cinco patrones. Ahora un agente asistente ejecutivo redacta respuestas y resúmenes de reuniones durante la noche; el CEO aprueba desde el móvil.
- Datos: Microsoft 365, HubSpot, portal del consejo
- Modelo: Claude a través del tenant de Azure de la empresa
- Control: cada respuesta se aprueba antes de enviarse
CFO · industria
"El cierre de mes dura nueve días y casi todo es copiar."
El descubrimiento mostró que el criterio solo estaba en los comentarios de desviaciones; la conciliación y los asientos eran reglas. Automatizamos las reglas en código y pusimos un agente en los comentarios y los controles de políticas.
- Datos: Sage, extractos bancarios, hojas de cálculo de órdenes de compra
- Modelo: una combinación de un modelo local para la extracción y un modelo de frontera para los comentarios
- Control: ningún asiento ni pago sin un aprobador designado
CTO · empresa de software
"Mis ingenieros sénior se pasan la semana revisando el código de otros."
Un agente de revisión de PR comprueba cada pull request según los estándares del equipo y un segundo agente redacta resúmenes de incidencias a partir de Sentry y los logs. Los sénior revisan las notas del agente, no todo el diff.
- Datos: GitHub, Jira, Sentry, Slack
- Modelo: Claude Code para la revisión, con un modelo de pesos abiertos para la clasificación de logs
- Control: solo comentarios; el merge sigue siendo humano
Bufete de abogados · sin conexión
"Nada privilegiado puede salir nunca del edificio."
Dimensionamos estaciones de trabajo de IA con Workstation y ejecutamos modelos de pesos abiertos totalmente sin conexión. Un agente de contratos compara documentos con el manual del bufete y redacta propuestas de cambios; los socios aprueban cada una.
- Datos: sistema de gestión documental, banco de precedentes
- Modelo: modelos de pesos abiertos en estaciones de trabajo GPU locales
- Control: aislado de la red, con registros de auditoría guardados in situ
Forward deployed engineers
Un experto en su equipo, no un ticket en una cola
Cada proyecto cuenta con un forward deployed engineer (FDE). Se une a sus reuniones, aprende cómo funciona realmente su negocio y construye y despliega los agentes con usted, con rapidez.
Hace las preguntas adecuadas
Dónde están los datos, quién es su responsable, qué ocurre cuando son erróneos y qué paso necesita realmente criterio.
Construye en sus sistemas
Los agentes viven en su repositorio y en su nube o su hardware, conectados a las herramientas que su equipo ya usa.
Se queda hasta que funciona
Ajusta el agente con las personas que lo usan y entrega los runbooks, para que su equipo pueda operarlo sin nosotros.
Certificados en las plataformas que podría elegir
- Claude Code (Anthropic)
- OpenAI
- Google Cloud y Gemini
- Microsoft Azure AI
- xAI Grok
Framework
Construido sobre Jobshout, nuestro framework de agentes y gestor de tareas
Jobshout es el framework de código abierto sobre el que funciona cada agente de TenthMatrix. Cada agente tiene su propio carril, usa sus propias herramientas y se detiene en el mismo punto de aprobación. Cada ejecución aparece en un tablero de tareas con su coste y su traza.
- Tablero de tareas con proyectos y sprints
- Flujos multiagente como grafo de dependencias
- Trabajos programados para tareas diarias y semanales
- Skills, plugins y conectores MCP
- Use su propio modelo, incluidos modelos locales
- Coste, latencia y trazas OpenTelemetry por ejecución
Herramientas de IA y framework de Jobshout →Agentes de Jobshout →
IA autoalojada
¿Quiere su IA sin ninguna conexión a internet?
Algunos datos nunca pueden salir del edificio. Ejecutamos modelos de pesos abiertos en estaciones de trabajo de IA dentro de su red, totalmente sin conexión, y construimos los mismos agentes encima. El hardware lo suministra nuestra empresa hermana Workstation.
Preguntas frecuentes
¿Cuál es la diferencia entre un chatbot y un agente de IA?
Un chatbot responde. Un agente completa una tarea: lee sus sistemas, planifica, usa herramientas para hacer el trabajo y se detiene para pedir aprobación antes de cualquier acción de riesgo. Usted obtiene un borrador, un informe o una actualización terminados, no un párrafo de consejos.
¿Tenemos que elegir una sola empresa de IA?
No. Muchos de nuestros clientes usan un modelo de frontera para los pasos más difíciles y un modelo pequeño de pesos abiertos para los rutinarios. Jobshout permite que cada agente use un modelo distinto, y puede cambiar más adelante sin reconstruir.
¿Pueden los agentes funcionar sin ninguna conexión a internet?
Sí. Con modelos de pesos abiertos en estaciones de trabajo de IA de Workstation, todo el sistema, incluidos los modelos, el framework y los registros, funciona sin conexión dentro de su edificio.
¿Qué hace realmente un forward deployed engineer?
Se sienta con su equipo, mapea sus procesos y fuentes de datos, decide dónde merece la pena usar un LLM y construye y despliega los agentes en su entorno. Se queda hasta que las personas que usan el agente confían en él.
¿Qué ocurre con las respuestas que doy en este recorrido?
Nada, hasta que pulse enviar. El plan se elabora en su navegador. Si lo envía, llega a nuestro equipo como una consulta para que un ingeniero pueda preparar la primera reunión.
¿Prefiere hablarlo?
Reserve una llamada de descubrimiento y un forward deployed engineer repasará las mismas preguntas con usted, en directo, sobre sus propios procesos.