Me servía muy bien para tareas cortas, cosas muy concretas. Pero cuando el trabajo se volvía más largo, más técnico o cambiaba de dirección a mitad de camino, perdía el hilo.

Después de unos cuantos intercambios, empezaba a preguntar cosas que ya había respondido o volvía a caminos que ya habíamos descartado.

Ahora mismo, creo que estamos atravesando un cambio en cómo usamos la IA. Lo noté cuando empecé a usar Claude hace más de 3 meses.

Porque ejecuta, cuestiona, entiende, y sobre todo me acompaña a pensar en procesos largos, ambiguos y con consecuencias.

Lo estoy usando en sesiones muy largas, con conversaciones técnicas, decisiones intermedias y cambios de rumbo a mitad del proceso. Y la diferencia no es solo que “recordaba más”. Sino que:

• Sostenía decisiones tomadas mucho antes y construía sobre ellas.

• Si algo no funcionaba, no reiniciaba desde cero: proponía un nuevo punto de partida sin perder contexto.

• Y, sobre todo, no me daba la razón en todo.

Ese último punto para mí es el más valioso. En medio de un diseño de producto, me dijo algo así:

“Eso es un pivot significativo. Antes de seguir, necesito desafiarte en esto porque tiene consecuencias grandes.”

No siguió complaciéndome, me frenó y me explicó el impacto. Me obligó a pensar mejor.

Y cuando estás creando, diseñando o tomando decisiones importantes, eso vale muchísimo más que te genere una respuesta rápida.

También encontré una forma simple de reencauzar la conversación cuando incluso Claude empieza a desviarse (porque puede pasar). Le digo:

“Estamos desviándonos. Necesitamos empezar de nuevo sin perder el contexto. Primero generá preguntas para entender qué salió mal y hacia dónde debemos ir. A partir de mis respuestas, generá un segundo set de preguntas para completar la tarea.”

Ese prompt hace algo muy útil: no borra lo anterior, pero tampoco arrastra el error. Reordena el trabajo.

Para quienes me preguntan cómo migrar si ya tienen todo en ChatGPT, la buena noticia es que no hace falta empezar de cero.

Puedes hacerlo así:

Paso 1: Exporta tu perfil

Abrí un chat nuevo en ChatGPT y envíale este prompt:

Me estoy mudando a otro servicio y necesito exportar mis datos.

Exporta todas las memorias almacenadas sobre mí. Conserva mis palabras literalmente, especialmente en instrucciones y preferencias.

## Categorías (en este orden):
1. Instrucciones: reglas que te pedí seguir — tono, formato, "siempre haz X", "nunca hagas Y"
2. Identidad: nombre, ubicación, educación, familia, idiomas, intereses
3. Carrera: roles actuales y pasados, empresas, áreas de habilidad
4. Proyectos: una entrada por proyecto — qué hace, estado actual, decisiones clave
5. Preferencias: opiniones y hábitos de trabajo generales
6. Contexto adicional: cualquier otra memoria no cubierta

## Requisitos:
- No omitas nada. No resumas ni combines entradas.
- Conservá la redacción original.
- Si algo encaja en varias categorías, ponerlo solo en la más relevante.

## Formato:
- Encabezado por categoría
- Una entrada por línea, de más antigua a más reciente
- [YYYY-MM-DD] - Contenido. Si no hay fecha: [unknown] - Contenido
- Todo en un único bloque de código

Copia la repuesta.

Paso 2: Lo llevas a Claude

Si ya tienes cuenta en Claude, vas debajo donde esta tu nombre y haces click en “Ajustes”:

Dentro de ajustes haces click en “Capacidades” y luego en “Iniciar Importación”

Y por último, pegas lo que te devolvió ChatGPT aquí mismo, y click en “Añadir memoria”:

y ya puedes comenzar a usar Claude con tu contexto.

¿Mi conclusión?

Hoy es Claude. Mañana probablemente varios modelos hagan esto igual de bien.

Pero la herramienta no es el punto.

El punto es elegir una IA que no solo ejecute, sino que te acompañe cuando el trabajo exige memoria, criterio y fricción inteligente. Porque automatizar no es solo ir más rápido, es que puedas pensar mejor.

Tengo mucho más para compartir sobre cómo trabajo con Claude:

flujos y casos reales, casos de clientes específicos, lo que funciona y lo que no. Y cómo se convirtió en el sistema operativo de mi empresa, y de que forma me esta ayudando a ahorrar MUCHO tiempo y dinero.

Una pregunta antes de seguir: ¿Te interesaría que arme un espacio dedicado a esto, donde te muestre paso a paso cómo sacarle el máximo provecho?

Un abrazo, y buen domingo 🤗

Voy a compartirte tres ideas de skills de Claude que creo que toda agencia de servicios debería considerar.
Pero no me voy a quedar en la idea. En uno de ellos te voy a mostrar el paso a paso de cómo lo armé, para que puedas replicar el proceso con cualquier otro.

Primero: ¿qué es un skill?

La mejor analogía que he encontrado viene de la documentación de Anthropic: si las herramientas de IA (conectar Notion, tu CRM, tu gestor de proyectos) son la cocina profesional (los ingredientes y el equipo) entonces los skills son las recetas. Las instrucciones paso a paso de cómo usar esa cocina para producir algo consistente.

Sin recetas, cada persona cocina distinto. Con recetas, el resultado es predecible aunque cambie quién cocina.

Un skill en Claude es exactamente eso: un set de instrucciones que le dice a la IA cómo hacer una tarea específica de tu agencia. No es un prompt genérico, es un comando diseñado para tu operación.

En vez de pedirle a Claude “revisa este documento”, le estás diciendo “revísalo con los criterios de calidad que usamos nosotros, con nuestro tono, para nuestro tipo de cliente.”

¿Y cuánto toma armar uno?
Una vez que tienes claro el proceso, entre 15 y 30 minutos. La parte que más tiempo toma no es la tecnología, es sentarte a definir qué haces y cómo lo haces. Que, como verás, es exactamente el trabajo más valioso.

3 skills que toda agencia de servicios debería tener

⚡ Skill 1: Intake de proyectos

❌ El problema: llega un cliente nuevo y cada persona del equipo pregunta cosas distintas, documenta en formatos distintos, y el proyecto arranca con huecos de información que después cuestan caro.

✅ El skill: un comando que toma la información del cliente (por email, formulario, llamada) y la estructura en el formato exacto que tu equipo necesita para arrancar. Campos obligatorios, preguntas de clarificación que debería hacer, y la clasificación del tipo de proyecto.

La pregunta antes de armarlo: ¿cómo se ve un proyecto que arranca bien en tu agencia? Si no puedes describir eso en una página, no necesitas un skill, necesitas definir tu proceso primero.

⚡ Skill 2: Reportes para clientes

❌ El problema: cada mes alguien del equipo pasa 2-3 horas compilando datos, formateando y redactando lo que ya sabe que va a decir. Multiplica eso por la cantidad de clientes.

✅ El skill: un comando que toma los datos crudos (métricas, resultados, hitos) y genera el borrador del reporte en el formato y tono que tu agencia usa. No reemplaza el criterio de quién reporta, elimina el trabajo mecánico.

La pregunta antes de armarlo: ¿tu equipo sabe qué métricas importan para cada tipo de cliente? Si la respuesta es “depende de quién reporta”, el skill va a generar reportes bonitos pero inconsistentes.

⚡ Skill 3: Revisión de material educativo ← este lo uso mucho

❌ El problema: antes de enviar material a un cliente (guías, tutoriales, recursos de aprendizaje), alguien lo revisa. El problema es que “revisarlo” significa cosas distintas dependiendo de quién lo haga y del día que tenga.

El checklist de calidad vive en la cabeza de una persona. Y muchas veces mis estándares no son los mismos que los de alguien de mi equipo.

Este es un skill que construí para mi operación, y que usamos mucho. Te voy a mostrar exactamente cómo:

Cómo armé el skill de revisión — paso a paso

Paso 1: La pregunta que abre

Antes de abrir Claude, me senté y me pregunté: cuando yo reviso material educativo para mis clientes, ¿qué estoy buscando realmente?

No “en general”. Específicamente. ¿Qué hace que lea algo y diga “esto no está listo”?

Esto es lo que en mi metodología para Agencias Inteligentes llamo la Radiografía Operativa: entender qué está pasando realmente antes de meterle tecnología.

Paso 2: Escribir los criterios en papel

Empecé con lo obvio: claridad, que se entienda fácil, que aporte valor. Pero cuando me obligué a ser más específica, aparecieron cosas que revisaba sin darme cuenta:

• Accionabilidad: ¿el lector sabe qué hacer el lunes con lo que leyó, o solo “aprendió algo interesante”?

• Proporción teoría vs. práctica: si más del 30% del contenido es contexto y menos del 70% es aplicable, sobra texto.

• Promesas implícitas: frases que sin querer dicen “esto es fácil” cuando no lo es.

• Ejemplos reconocibles: ¿los escenarios se parecen a la realidad de una agencia de 5 a 80 personas, o suenan a corporativo?

• Coherencia con la metodología: ¿el material contradice alguna de las 5 fases de mi metodología? (Por ejemplo: recomendar herramientas sin entender primero)

• Extensión vs. profundidad: si el cliente no lo termina de leer, no importa qué tan bueno sea.

Eso que acabo de listar es lo que llamo un mapa mental transferido: el conocimiento que está en mi cabeza, ahora escrito de forma que alguien más (o algo más) lo pueda usar sin depender de mí.

Paso 3: Convertirlo en instrucciones para Claude

Tomé cada criterio y lo convertí en algo que Claude puede evaluar. No basta con decir “que sea claro”, hay que definir qué significa claro:

• Oraciones de más de 25 palabras que se puedan partir en dos

• Términos técnicos sin explicación inmediata

• Más de 2 conceptos nuevos introducidos sin pausa

• ¿Una persona de 11 años entendería el concepto central?

Y lo mismo con cada dimensión. El resultado fue un skill con 8 criterios de evaluación, cada uno con indicadores concretos de qué buscar.

Paso 4: Probarlo con algo real

Lo apunté a un material que ya había enviado a un cliente. El skill encontró tres cosas que yo misma había pasado por alto: una sección donde la proporción teoría-práctica estaba invertida, un ejemplo que asumía un equipo de 200 personas, y una frase que sin querer prometía resultados “garantizados”.

Eso es lo que hace que un skill funcione: no inventa criterios, aplica los tuyos de forma consistente, incluso cuando estás cansada o apurada.

El patrón detrás de los tres skills

Si te fijas, ninguno de estos skills empieza por Claude. Los tres empiezan por una pregunta sobre la operación:

• Intake → ¿cómo se ve un proyecto que arranca bien?

• Reportes → ¿qué métricas importan y para quién?

• Revisión → ¿qué reviso antes de que algo salga?

Esto es la Fase 1 de mi metodología para crear Agencias Inteligentes, la Radiografía Operativa. Antes de automatizar, diagnosticar. Antes de elegir herramientas, entender qué proceso necesita estructura.

Mi recomendación si estás pensando en esto:
no empieces descargando herramientas.
Empieza mapeando un proceso.
Uno solo. El que más dolor te causa.
Y pregúntate: ¿esto está lo suficientemente claro como para que alguien más lo pueda ejecutar?

Si la respuesta es sí, tienes un candidato a skill. Si la respuesta es no, tienes trabajo más importante que hacer primero, y eso también es un resultado valioso.

Tu turno

Si quieres intentar armar tu primer skill, te dejo una guía rápida:

1. Elige un proceso que repites al menos una vez por semana

2. Escribe en una página qué haces, en qué orden, y qué criterios usas para decidir si quedó bien

3. Si no puedes escribirlo claramente, ese es el primer problema a resolver (no la IA)

4. Si sí puedes, ya tienes el 80% del skill, el resto es formateo.

¿Quieres que te ayude a pensar cuál sería tu primer skill? Responde este correo con el proceso que más te duele y te doy mi perspectiva.

PD: Si eres de las personas que quiere ir más profundo y ver la parte técnica, Anthropic publicó una guía completa sobre cómo construir skills: The Complete Guide to Building Skills for Claude. Es técnica, pero si tienes a alguien en tu equipo con perfil técnico, es un excelente recurso para pasar de “entiendo el concepto” a “lo implementé”.

¡Hola! 👋

Esta edición es diferente.

No te traigo un resumen de novedades del ecosistema, ni una comparativa de herramientas. Hoy te quiero contar algo que llevo meses construyendo, y que creo que va a resonar mucho con lo que venimos hablando en este espacio.

Pero primero, un diagnóstico que seguramente te resulta familiar.

El problema que nadie nombra bien

Llevás tiempo explorando IA. Probaste herramientas, implementaste algún agente, quizás automatizaste un proceso o dos. Y aun así, algo no termina de funcionar como esperabas.

¿Por qué?

Porque el problema rara vez es la IA en sí. El problema es que los datos, el equipo y las herramientas siguen viviendo en silos separados. Slack por un lado. El CRM por otro. Los reportes en un Excel que alguien actualiza los lunes. El conocimiento interno en la cabeza de tres personas clave.

En ese contexto, podés tener los mejores modelos del mundo y seguir trabajando de forma fragmentada.

Lo que estuvimos construyendo en Blumb

Después de años trabajando con empresas que quieren escalar con IA, entendimos que el cuello de botella no es tecnológico. Es operativo.

Por eso creamos Blumb OS.

No es un software más. Es lo que nosotros llamamos un orquestador inteligente: una plataforma que centraliza a tu equipo, tus datos y tus herramientas en un mismo lugar, y las conecta con los mejores modelos de IA disponibles.

El objetivo es simple: que tu empresa pueda operar y escalar sin depender de más inversión o de contratar más personas.

Pensalo como el sistema nervioso central de tu operación. Todo conectado, todo hablando entre sí, con IA tomando decisiones de soporte en tiempo real.

¿Qué puede hacer Blumb OS por tu empresa?

En lugar de contártelo en abstracto, te dejo lo concreto:

✅ Centraliza el contexto → tu equipo deja de buscar información dispersa y empieza a trabajar con datos unificados.

✅ Conecta tus herramientas existentes → no tiras lo que ya tenés. Blumb OS orquesta por encima de lo que ya usas.

✅ Despliega agentes con criterio → no agentes genéricos, sino flujos de trabajo inteligentes adaptados a cómo opera tu negocio.

✅ Escala sin fricción → más volumen, misma estructura. Sin contratar más, sin invertir más.

Una invitación especial para ti

Blumb OS está en fase beta y estamos siendo muy selectivos con quién entra primero.

No porque queramos crear hype artificial, sino porque queremos acompañar bien a cada empresa que se sume en esta etapa, entender sus casos de uso reales y seguir mejorando el producto con feedback genuino.

Si lideras una empresa o un equipo y estás buscando la forma de operar con más inteligencia sin agrandar el equipo, te invito a solicitar tu acceso a la demo interactiva.

Es una experiencia pensada para que puedas ver Blumb OS en acción con casos de uso reales, no una presentación de ventas con capturas bonitas.

Solicita tu invitación a Blumb OS

Si tu perfil encaja con lo que estamos construyendo, te enviamos una clave de acceso personalizada directamente a tu email.

¿Por qué te cuento esto aquí?

Porque esta newsletter siempre fue un espacio para compartir lo que realmente funciona, sin filtros y sin humo.

Y lo que más me importa de Blumb OS no es el producto en sí, sino el problema que resuelve: darle a los líderes de negocio una forma de incorporar IA de verdad, integrada en su operación, no pegada con cinta encima de lo que ya existía.

Si tenés preguntas o querés que profundice en algún aspecto de cómo funciona, respondé este email. Como siempre, leo todo.

Que tengas un lindo final de semana, 🤗

Cami

P.D. — Las invitaciones son limitadas y las estamos enviando por orden de solicitud. Si esto resuena con lo que estás construyendo, no lo dejes para después.

👉 Solicita acceso a Blumb OS

• “Tengo que mandar ese mail al cliente.”

• “¿Pagué esa factura?”

• “Debería pedir turno con el médico.”

• “¿Cuál era el próximo paso de ese proyecto de lanzamiento?”

El problema no es la cantidad de trabajo.
Es cuánta energía mental utilizas sosteniendo cosas incompletas en tu cabeza.

Hace un par de semanas me sentía sobrepasada. Empecé a sentir que tenía demasiados frentes abiertos y que estaba ocupándome de muchas cosas que me hacían perder el foco.
Se lo comenté a la agile coach de Blumb, así al pasar. Necesitaba decirlo en voz alta.

Ella me propuso un ejercicio:
bajar todo lo que me estaba ocupando carga mental a un tablero como este:

Cuando terminamos de escribir todo lo que hoy me estaba pesando, empezamos a ordenarlo en una matriz de impacto para entender qué era realmente urgente, qué se podía delegar y qué cosas dependían 100 % de mí.

Terminé esa conversación mucho más liviana y con puntos de acción claros.

Por eso, esta semana se me ocurrió crear un sistema para poder recurrir a esta herramienta cada vez que me vuelva a pasar, y te lo quiero compartir.

Apliqué IA para externalizar y ordenar lo que estaba cargando mentalmente, como lo hicimos con mi agile coach, para que mi energía vaya a pensar y decidir con claridad.

El ejercicio paso a paso para que lo implementes

Vamos a construir un sistema simple de vaciado cerebral con IA que podrás usar cada vez que te sientas como me sentía yo hace unas semanas.

En 3 pasos vas a:

• Vaciar todo lo que está ocupando lugar en tu cabeza
  (para dejar de cargar mentalmente todos esos frentes abiertos).

• Mapearlo en proyectos, tareas y preocupaciones claras
  (para ver qué hay realmente, sin adivinar ni preocuparte de más).

• Enfocarte en 1 a 3 acciones de alto impacto para la semana que viene
  (para saber en qué trabajar y terminar la semana sintiéndote más liviano).

Paso 1 – Vaciado de cerebro

Como me enseñó mi coach, si sentís la cabeza llena, el primer paso no es organizar nada. Es sacar todo afuera.

Abrí una nueva conversación en ChatGPT (o en cualquier chat de IA que uses seguido).

Pegá este prompt:

Actúa como un coach calmo y sin juicios.
Voy a plasmar aquí todo lo que hoy está ocupando lugar en mi cabeza: trabajo, vida personal, tareas mínimas, preocupaciones grandes, todo.

Hasta que escriba la palabra FINALICÉ, responde únicamente con:
‘Anotado. Continúa.’

No analices, no organices, no respondas en detalle.
Solo acompañame en el proceso de vaciar mi cabeza.
Cuando escriba FINALICÉ, espera mi próxima instrucción.”

Una vez que envíes estas instrucciones, comienza a escribir todo: trabajo, personal, emocional. Todo.
Pon todo, hasta sentirte aunque sea un 10 % más liviano.
Cuando finalices, escribí:

“FINALICÉ”

Si escribir te resulta lento, usá la funcionalidad de voz y hablale de todo. Simplemente hablá y dejá que la IA lo capture.
Si pensás mejor en papel, escribí todo en un cuaderno, sacale una foto y subila al mismo chat antes de pasar al Paso 2.

Paso 2 – Convertir el caos en un mapa claro

Una vez que escribiste FINALICÉ, no revises, no edites ni pienses en lo que escribiste.

En el mismo chat, pegá este prompt:

“En base a todo lo que te he compartido, organizá mis pensamientos en tres listas:

Proyectos: resultados que requieren varios pasos
(por ejemplo: ‘Enviar propuestas’, ‘Lanzar nueva oferta’, ‘Enviar facturas de Q4’)

Tareas individuales: acciones de un solo paso que se pueden hacer en menos de una hora

Preocupaciones / Incertidumbres: cosas que me generan ansiedad o no tienen un próximo paso claro

Para cada Proyecto, incluí:

• un título corto y claro

• una descripción de 1 frase

• la próxima acción física concreta (muy pequeña, por ejemplo: ‘mandar mail a X’, ‘abrir documento’, ‘hacer lista’)

Para cada Tarea individual, sugerí:

• si es Trabajo o Personal

• si se puede delegar

• un esfuerzo estimado: rápido (≤10 min), medio (≤60 min) o largo (>60 min)

Para cada Preocupación / Incertidumbre, sugerí un próximo paso práctico o un reencuadre amable y realista.

Mantené todo simple, alentador y sin abrumar.
Evitá lenguaje de culpa como ‘deberías’ o ‘fallaste’.”

Fijate el resultado. Observá cómo te sentís.
La abrumación mental empieza a calmarse.

Lo que se sentía enorme aparece ahora como un conjunto pequeño de proyectos, tareas y preocupaciones que realmente podés ver.

De golpe, se siente manejable. Y solo con verlo todo junto, tu mente baja un cambio:
“Ah, ok. No son 10.000 cosas. Son como 5 proyectos, 12 tareas y 4 preocupaciones.”

Paso 3 – Definí tu FOCO SEMANAL en una sola página

Cuando todo es visible, no hace falta pensar mucho más.

En el mismo chat, pegá este último prompt:

“Mirando esta lista organizada y asumiendo que tengo energía limitada, ayudame a crear un plan de FOCO de una sola página para los próximos 7 días.

Elegí las 3 acciones más impactantes que podría hacer esta semana (entre proyectos y tareas). Llamalas ‘ORO’.

Elegí 3 tareas que puedo postergar o ignorar por ahora. Llamalas ‘Parking’ y explicá brevemente por qué es seguro hacerlo.

Sugerí 1 o 2 tareas de mantenimiento muy pequeñas (tipo admin o trámites de vida) para hacer cuando tenga poca energía.

Convertí esto en un plan de foco claro y fácil de escanear, con las siguientes secciones:

• ‘Misión de esta semana’ (1 frase)

• ‘3 Acciones de ORO’ con descripciones cortas

• ‘Parking para más adelante’

• ‘Quick wins de baja energía’

Escribilo con un tono calmo y alentador.
Quiero algo que pueda capturar en pantalla y usar toda la semana.”

Después, frená.

No tenés que hacer todo lo que aparece en la página. Hay cosas que todavía hay que hacer, pero ya no están todas compitiendo por tu atención al mismo tiempo.

Si avanzás en tus 3 acciones de oro, esta herramienta está cumpliendo su función.

🥳 Impacto

Antes de la IA

• Todo vive en tu cabeza al mismo tiempo

• Tareas, proyectos y preocupaciones interrumpen tu foco constantemente

• Te sentís ocupado, pero cuesta decidir qué importa ahora

Después de la IA

• Todo es visible en una sola página

• Sabés qué merece tu atención esta semana

• Te enfocás en pocas acciones intencionales en lugar de reaccionar todo el día

Ya no estás reaccionando a todo.
Ahora estás eligiendo qué importa y avanzando de verdad, sin saturarte.

Pasos de acción

• Poné un temporizador de 15 minutos. Abrí un nuevo chat de IA y ejecutá el Prompt 1. Escribilo todo hasta que termine el tiempo o te sientas más liviano.

• Ejecutá el Prompt 2 y luego el Prompt 3 para crear tu plan semanal.

• Sacale captura al plan y usalo como ancla de la semana.

Si esto te sirve, compartilo o escribime. A mí me ayudó mucho.

Lo que siento ahora es que mi cerebro piensa menos en
“todo lo que tengo atrasado”
y más en
“estas 1 a 3 cosas que elegí con intención clara”.

🧭 BONUS PARA CHATGPT
Si esto te sirve, te invito a crear un GPT adaptado con tus instrucciones, o a usar este que creé yo:

ACCEDE A MI GPT

Crea el tuyo:
Click aquí ——> https://chatgpt.com/gpts/editor

🎁 UN REGALO DE MI PARTE
Hablando de delegar, te comparto el bonus 2:
Esta semana probé “COWORK” de Anthropic, en este video te cuento lo que es y cómo funciona:

Si queres una semana gratis de Claude Code, te regalo este pase:

Claude Code GRATIS POR 7 DÍAS

Espero que con todo esto tu semana se sienta más liviana y manejable.

Hasta la próxima 🤗

Con tl;dv grabo todas mis reuniones.
Al principio lo hacía por no perder información.

De vez en cuando volvía a una grabación para confirmar algo que habíamos dicho, para alinear una expectativa que había quedado difusa, o para revisar una decisión que se había tomado rápido en una call.

Eso tenía algo de valor.

Pero me di cuenta que tenía cientos de horas de conversaciones reales con clientes o potenciales clientes y no estaba usando casi nada de esa información de forma inteligente.

No estaba analizando patrones ni conectando ventas, delivery y satisfacción real.

Tenía datos. No tenía inteligencia.

Y ese es uno de los errores más caros que veo hoy en empresas que “usan IA”.

Primer paso: Ordenar las conversaciones antes de analizarlas

Cuando empecé a crecer el equipo de Blumb, contraté una Agile Coach que nos ayudó a definir algo fundamental:
cómo nos comunicamos, para qué sirve cada tipo de reunión, y la agenda de cada reunión.

Hoy, de cara a clientes o leads, trabajamos con un flujo de reuniones muy claro:

Cada reunión tiene un objetivo claro, una agenda definida y, ahora, un conjunto de datos que registramos siempre.

Por ejemplo:

• En una Discovery analizamos dolores reales, impacto, qué intentaron antes y cómo definen el éxito.

• En un Kick-off registramos qué casos se priorizan, criterios de éxito, accesos necesarios y riesgos.

• En las reuniones semanales (Weekly) capturamos feedback textual, estado, bloqueos, decisiones y señales tempranas de riesgo.

• En Feedback y Cierre medimos satisfacción real, expectativas vs realidad y oportunidades de expansión.

Todo eso sale directamente de la conversación. No de lo que “creemos” que pasó.

Segundo paso: dejar de “registrar” y empezar a analizar

Sabiendo lo que quería obtener de cada tipo de reunión, creamos un flujo en n8n que apenas finaliza una llamada, procesa el transcript y extrae la información que para nosotros es importante, y la registra en un Google Sheet.

Un ejemplo real: el prompt que usamos para convertir una reunión de Sprint en señales de negocio

En una reunión semanal se decide, sin que nadie lo note, si un cliente va a crecer, estancarse o irse.

La mayoría usa IA en reuniones semanales para hacer resúmenes.
Nosotros detectamos señales que predicen problemas, expansión y churn antes de que aparezcan.

Este es un prompt real (lo puedes copiar y adaptar) para una reunión semanal de Sprint.

Prompt (Weekly / Sprint)

Pegas el transcript y pedís esto:

Eres un analista senior de delivery y retención en una consultora de IA.
Tu objetivo es transformar un transcript de una reunión semanal en señales accionables.

Reglas:
- No inventes nada. Si algo no aparece, deja en blanco "".
- Cuando puedas, incluye citas textuales cortas del cliente en campos verbatim.
- Sé específico. Evita frases tipo “todo bien”.

<TRANSCRIPT>
{transcript}
</TRANSCRIPT>

De todo lo que analizamos en una reunión semanal, hay algunas señales que, cuando aparecen de forma repetida, explican la mayoría de los proyectos que terminan mal:
falta de claridad sobre el valor entregado, responsabilidad difusa y señales tempranas de desgaste en la relación.
Este análisis está diseñado para detectar eso antes de que sea un problema.

Estado general:
- Sentimiento del cliente: muy positivo / positivo / neutral / tensión / negativo
- Nivel de claridad: alto / medio / bajo
- Nivel de energía: alto / medio / bajo
- Riesgo temprano de churn: alto / medio / bajo
- Riesgo de scope creep: alto / medio / bajo

Valor y resultados:
- Resultado concreto mostrado en la reunión
- Impacto en métricas del negocio (si se menciona)
- Valor percibido por el cliente (en sus propias palabras)
- Gap de valor: ninguno / bajo / medio / alto
- Evidencia concreta de ese gap

Fricción y salud de la relación:
- Momentos de fricción detectados
  - Tema del conflicto
  - Qué dijo el cliente exactamente
  - Intensidad: baja / media / alta
- Alineación de expectativas: total / parcial / baja
- Evidencia de desalineación
- Nivel de confianza del cliente en el equipo: alto / medio / bajo
- Evidencia de esa confianza (o falta de ella)

Bloqueos y responsabilidad:
- Bloqueos identificados durante la reunión
- Responsable de cada bloqueo: cliente / Blumb / externo
- Bloqueo repetido: sí / no
- Responsabilidad difusa: sí / no
- Evidencia de responsabilidad difusa

Decisiones y compromisos:
- Decisiones tomadas en la reunión
- Compromisos asumidos por el cliente
- Compromisos asumidos por Blumb
- Riesgo de incumplimiento del cliente: alto / medio / bajo
- Evidencia temprana de posible incumplimiento

Alertas y siguiente acción:
- Alertas tempranas detectadas
- Recomendación de acción 1
- Recomendación de acción 2
- Pregunta crítica para la próxima reunión

Cuando el flujo funciona, aparece algo más grande

El verdadero cambio no fue tener los datos.
Fue empezar a ver el negocio completo, no reuniones aisladas. Creamos este panel:

Hoy tenemos un dashboard que nos permite, entre otras cosas:

Ventas:

• Ver en qué etapa del proceso comercial se caen los deals

• Identificar qué dolores convierten y cuáles no

• Detectar upselling en reuniones de seguimiento

Delivery:

• Medir la salud real de los proyectos en curso

• Ver patrones de bloqueo, fricción y satisfacción

Riesgo y crecimiento:

• Detectar clientes en riesgo antes de que el problema surja

• Detectar oportunidades de expansión

• Tener alertas automáticas

No miramos “reuniones”.
Miramos estado del negocio, calidad de clientes y aprendizaje acumulado.

Lo más importante que aprendí

Utilizar IA para grabar reuniones no te convierte en un líder impulsado por IA.

Lo que puede diferenciarte es qué haces después con esas conversaciones.

Las empresas hablan todos los días con sus clientes, pero muy pocas convierten esas conversaciones en datos estructurados, análisis y decisiones mejores.

Este sistema no nos ayuda a trabajar más rápido.
Nos ayuda a entender mejor.

Y eso, en un negocio de servicios como el nuestro, cambia absolutamente todo.

Si lideras una agencia o empresa de servicios, hablas mucho con clientes y sentís que esas conversaciones no se traducen en mejores decisiones, este tipo de sistemas es exactamente lo que estamos construyendo.

Si te interesa, escríbeme.

Cami 🤗

Quiero empezar con una idea:

El mayor riesgo de la IA no es que nos reemplace.
Es que nos acostumbre a no pensar.

Empresas como OpenAI no esconden su ambición final: construir sistemas más inteligentes que los humanos. Aunque todavía están lejos, nosotros, por comodidad, les estamos delegando algo muy delicado: nuestro pensamiento.

• Les delegamos decisiones.

• Les delegamos análisis.

• Les delegamos redacción.

• Les delegamos incluso criterio.

Y, de a poco, empieza a pasar algo: nos cuesta concentrarnos, razonar sin apoyo, sostener una idea compleja sin externalizarla, enfrentarnos a una hoja en blanco con nuestros propios pensamientos.

Quizá el día que la IA nos supere no sea solo porque ella se volvió más inteligente, sino porque nosotros dejamos de ejercitar el pensamiento y nos volvimos más tontos.

El error de base: usar la IA para lo irrelevante

Hoy, la mayoría de las personas usa la IA como:

• un Google más inteligente

• un asistente para escribir mails

• un generador de textos correctos

• un chatbot operativo

¿Es útil? Sí.
¿Es transformador? No.

Muchos líderes se decepcionan con el impacto que les genera la IA porque la están usando para el 80% de tareas que explican solo el 20% de sus resultados.

Y mientras tanto, dejan intacto lo más importante del liderazgo:

• pensar estratégicamente

• decidir con criterio

• priorizar de forma correcta

• diseñar sistemas en lugar de apagar incendios

Ese 20% de decisiones explica el 80% de los resultados reales.
Y ahí es donde la IA debería aplicarse.

Cambiar tu relación con la IA: de asistente a socio de pensamiento

Si sigues usando la IA solo para responder preguntas, vas a obtener respuestas.
Probablemente correctas, rápidas, pero olvidables.

El verdadero cambio aparece cuando inviertes la relación.

No preguntes más.
Haz que la IA te pregunte.

Cuando haces eso, ocurre algo distinto:

• te obliga a explicitar supuestos

• te enfrenta a incoherencias

• revela sesgos

• saca a la superficie patrones que no ves

Ahí la IA deja de ser un asistente y se convierte en un socio de pensamiento.

Lo que estoy viendo en muchos líderes no es falta de herramientas.
Es una sensación constante de ruido, rapidez y poca claridad, incluso usando IA.

El problema no es usar IA.
El problema es dejar de notar cuándo estás pensando y cuándo solo estás aceptando respuestas.

Un ejercicio para empezar 2026 con conciencia sobre cómo estás usando la IA

Te propongo un wrapper para revisar tu relación con la IA durante 2025.

Escoge el LLM que más hayas utilizado este año: ChatGPT, Claude, Grok, el que sea.

Y pásale estos prompts para tomar conciencia de cómo piensas, decides y trabajas.

1. Analiza mis patrones de pensamiento

Prompt:

Analiza todas nuestras conversaciones de 2025 y dime cuáles son los patrones de pensamiento que más se repiten cuando tomo decisiones importantes.

✅ Por qué sirve:

Te ayuda a ser consciente de cómo aprendes, planificas, supervisas y evalúas tus propios procesos cognitivos.

Puede devolverte información sobre:

• sesgos recurrentes

• atajos mentales

• miedo a decidir

• exceso o falta de análisis

Dato que podría emerger:
en qué momentos postergas, te sobrejustificas o aceleras sin datos.

2. Detecta el problema raíz disfrazado de operación

Prompt:

Analizando nuestras conversaciones del año 2025, ¿qué temas o problemas aparecen de forma recurrente aunque yo crea que son asuntos distintos?

✅ Por qué sirve:
El LLM no está emocionalmente involucrado. Ve patrones donde tú solo ves tareas.

Ejemplo de un dato que podría darte:
el 60–70% de las conversaciones giran alrededor de una misma limitación no resuelta, camuflada como mil problemas operativos.

3. Enfréntame con mi “yo ideal” implícito

Prompt:

Analizando nuestras conversaciones del año 2025, compárame contra mi “yo ideal” implícito según lo que digo que quiero lograr y lo que realmente hago y pregunto.

✅ Por qué sirve:
Cruza tu intención declarada con tu comportamiento real.

Datos que podrías obtener:
aparecen gaps claros entre ambición, foco real y ejecución mental.

Perfecto para ajustar prioridades al comenzar un nuevo año.

4. Dime dónde estoy delegando demasiado pensamiento

Prompt:

Analizando nuestras conversaciones del año 2025, ¿en qué tipo de tareas o decisiones dependo demasiado de ti y en cuáles debería recuperar criterio propio?

✅ Por qué sirve:
Previene la externalización excesiva del pensamiento.

No todo debe delegarse a un LLM.

Dato interesante:
identifica zonas de comodidad intelectual y zonas donde evitas hacerte cargo.

5. Destila lo que realmente importa

Prompt:

Si solo pudieras resumir nuestro trabajo del año 2025 en cinco aprendizajes que debería internalizar de verdad este 2026, ¿cuáles serían y por qué?

El LLM podría devolverte aprendizajes que “ya sabías”, pero nunca integraste.
Y eso es exactamente lo que más valor tiene.

La idea que quiero que te lleves hoy

Si tuviera que dejarte una sola idea, sería esta:

No uses la IA para pensar menos.
Úsala para pensar mejor.

Tu ventaja como líder no va a estar en incorporar más herramientas ni en hacer pruebas aisladas.
Va a estar en diseñar mejor tu forma de pensar y decidir.

Tu trabajo no es saber IA.
Tu trabajo es elevar el pensamiento de todo el sistema que te acompaña.

Espero que estas reflexiones te ayuden a empezar 2026 usando la IA como lo que realmente puede ser: un catalizador de tu propio pensamiento.

¡Feliz año! 🤗

Cami

Cuando tu asistente de ChatGPT puede acceder a tus documentos de trabajo reales, correos electrónicos y calendario, se convierte en un útil agente de productividad.

¿Por qué utilizar los conectores transforma la manera en la que trabajas?

En lugar de buscar manualmente entre innumerables archivos, copiar y pegar contenido entre aplicaciones, o intentar recordar detalles de hilos de emails, simplemente puedes pedirle a ChatGPT que encuentre, analice y sintetice información en todo tu espacio de trabajo.

Con los Google Connectors, ChatGPT se convierte en una extensión de tu memoria institucional, y es capaz de conectar puntos entre proyectos, identificar patrones que podrías pasar por alto y ayudarte a tomar decisiones más informadas, más rápido.

También puedes habilitar configuraciones similares dentro de Claude.

Cómo configurar los Conectores de Google en ChatGPT

Usar los Google Connectors con ChatGPT cambia tu forma de trabajar. ChatGPT puede ayudarte a encontrar documentos perdidos, resumir hilos de Gmail, revisar y optimizar tu Google Calendar, y mucho más, todo desde una misma interfaz.

Así es como se configura:

PASO 1

Si estás en una cuenta Team o Enterprise, el administrador debe habilitar los Google Connectors a nivel del sistema.

El administrador debe iniciar sesión, ir a la página Configuración del área de trabajo, cambiar a la pestaña Conectores y activar cada app de Google que desea conectar.

PASO 2

Una vez habilitados los conectores, cada usuario puede ir a Configuración → Aplicaciones y conectores y activar los que prefiera.

No es obligatorio activar todos los aprobados a nivel de sistema; es decisión del usuario.

Ejemplo: En mi caso he activado todas estas que se ven debajo.

PASO 3

Cuando los conectores estén habilitados, abre un nuevo chat y abre el menú desplegable “Conocimiento de la empresa”.

Desde allí, activa los Google Connectors que desees usar en la conversación (Google Calendar, Gmail o Google Drive).

PASO 4

Cuando los actives, se te puede pedir que inicies sesión de forma segura con tu cuenta de Google.

Presta atención a los permisos que ChatGPT solicita. Si decides no otorgar alguno, ChatGPT podría no ejecutar ciertas tareas.

PASO 5

Una vez activos, ChatGPT podrá “ver” y trabajar con tus archivos y calendario.

Puedes activar o desactivar los conectores en cualquier momento, con total flexibilidad.

7 casos de uso y prompts de ChatGPT con Conectores de Google

01. Desorden de memoria

Solución:

Tienes archivos desorganizados, pero la IA puede ayudarte a encontrar lo que necesitas.

Prompt:

Estoy tratando de encontrar un documento en el que trabajé hace aproximadamente un mes sobre **[descripción].**

Debe tener una sección titulada **[nombre de la sección]** y creo que también incluye **[más detalle]**.

No recuerdo cómo lo nombré, ayúdame a encontrarlo.

Si hay dos o más documentos que encajan con esta descripción, muéstralos con resúmenes útiles y sus respectivos títulos para poder identificar el correcto.

02. Aprovechar lo viejo para crear lo nuevo

Solución:

Necesitas crear un nuevo activo, y la IA puede aprovechar archivos y plantillas previas para hacerlo.

Prompt:

Extrae todos mis correos con **[nombre]** de los últimos 30 días y lee todos antes de darme un resumen general de la conversación, además de un breve resumen de cada correo individual.

Luego, con ese contexto, redactá una nueva respuesta al mensaje más reciente de **[nombre]**.

Para entender mi estilo de redacción, revisá mis últimos 10 correos enviados antes de escribir la respuesta.

03. Revisar y recibir feedback

Solución:

Estás creando un nuevo activo y la IA puede revisarlo para mejorarlo.

Prompt:

Eres un ejecutivo C-level en la industria **[nombre]**. Lee mi documento **[nombre del archivo]** y dame tus comentarios; se crítico pero constructivo.

¿Cuáles son los 3 cambios más esenciales antes de enviarlo?

Explicá por qué son críticos y cómo mejoran el documento.

04. Analizar, predecir y actuar

Solución:

Estás por tomar una acción, y la IA puede revisar los posibles riesgos para ayudarte a mitigarlos.

Prompt:

Revisa todos mis correos con **[nombre del cliente]** y analiza el estado del acuerdo.

¿Qué sugiere que vamos a ganar o perder el trato?

¿Cuáles son las principales preocupaciones del cliente?

Luego del análisis, indica las acciones específicas que deberíamos tomar para cerrarlo.

05. Análisis de brechas

Solución:

Estás creando un nuevo documento y la IA puede compararlo con anteriores para hacerlo más sólido.

Prompt 1:

Revisa mi reporte del segundo trimestre y compáralo con nuestra plantilla oficial de ***Company Quarterly Report***.

Indica si falta contenido, si la estructura o el estilo son incorrectos.

Piensa siempre en mantener consistencia corporativa.

Con base en la comparación, crea una lista de tareas para corregir rápido.

Prompt 2:

Eres el Chief Strategy Officer. Revisa todos los documentos relacionados con **[tema]**

Me preocupa especialmente **[tema]**

¿Cuáles son los 3 a 5 componentes más importantes que faltan?

Puntualos según su relevancia con mis preocupaciones para priorizar los más urgentes.

06. Comparar

Solución:

Estás evaluando dos documentos y la IA puede analizar sus coincidencias y diferencias.

Prompt:

Analiza mis notas de reunión del **[fecha 1]** y **[fecha 2]**.

Encuentra la información repetida, la que es única de cada día y cualquier inconsistencia o cambio en los planes.

Luego, genera una lista de acciones clave, destacando las que se repitieron o cambiaron.

07. Prepararse para el día siguiente

Solución:

Estás planificando tu jornada, y la IA puede ayudarte a prepararte de forma más eficiente.

Prompt:

Mira mi calendario de hoy y lista todas las reuniones en orden.

Para cada una, crea un resumen de los asistentes, agenda y materiales que deba revisar.

Si tengo tareas pendientes antes de alguna, señalalas y crea un plan detallado para cumplirlas.

Revisa mi correo para detectar conversaciones previas con los asistentes y resume los mensajes recientes relevantes.

Finalmente, genera una lista de tareas priorizada para llegar preparado a cada reunión.

Cuando integras tus fuentes de información con ChatGPT, ya no trabajas “dentro” de tus herramientas, sino a través de ellas.
La IA deja de ser un asistente puntual y se convierte en una capa de inteligencia sobre todo tu ecosistema digital.

Te recomiendo probar un solo caso de uso esta semana (por ejemplo, el 07: “Prepararse para el día siguiente”) y observar cómo cambia tu flujo de trabajo.

¡Buena semana! 🤗

Hola 👋

Vengo compartiendo ideas, aprendizajes y casos reales sobre cómo usar la IA y la automatización para trabajar mejor.

Todo el contenido que envío por acá es 100% gratuito, porque mi intención es ayudar a cortar con el ruido del Hype, y que más personas puedan simplificar su trabajo y aprovechar estas herramientas con claridad y criterio.

Pero quiero que lo que comparto realmente te sirva.

Por eso me encantaría saber:
- ¿qué temas te gustaría que aborde?
- ¿qué te gustaría entender, aprender o resolver con IA?

Podés responderme directamente este mail o dejar tu respuesta (anónima si preferís) en este formulario 👇

Responder de forma anónima

Gracias por leer y estar del otro lado 🤗

Cami

Eso es lo que acaba de probar OpenAI con GDPval, un nuevo estudio que no evalúa modelos de IA con pruebas académicas, sino con algo mucho más relevante:

¿Qué tan bien puede una IA realizar el trabajo real de un profesional?

¿Qué hicieron?

Diseñaron una prueba con 1.320 tareas reales, distribuidas en 44 ocupaciones y 9 sectores clave de la economía.

No son ejercicios genéricos. Son entregables reales, como:

• Abogados redactando informes legales con ambigüedades.

• Ingenieros diseñando piezas en CAD.

• Enfermeros y enfermeras convirtiendo notas médicas en planes de cuidado.

• Gerentes de ventas construyendo pronósticos de ingresos y análisis de competencia.

• Desarrolladores de software corrigiendo bugs y creando funciones.

• …Más tareas para todos los roles listados más abajo:

Todas las tareas fueron evaluadas por profesionales con experiencia, comparando entregas hechas por IA y por personas.

¿Qué encontraron?

1. Calidad comparable a la de expertos humanos
Modelos como GPT-5 y Claude Opus 4.1 ya logran resultados similares a los de profesionales en casi la mitad de las tareas.

2. Fortalezas distintas entre modelos

• GPT-5 se destacó en precisión, cálculos y seguimiento de instrucciones.

• Claude sobresalió en claridad visual, diseño de documentos y presentación.

3. Ventaja en velocidad y costos
La IA completó estas tareas 100 veces más rápido y 100 veces más barato que los humanos. Hablamos de trabajos que a un experto le llevan más de 7 horas, resueltos en minutos y por centavos.

4. Aún hay limitaciones
Se encuentran errores de formato, dificultades con instrucciones complejas y, en algunos casos, invención de datos (alucinaciones).

¿Qué significa esto para tu negocio?

Este estudio no indica que la IA va a reemplazar profesiones completas de un día para otro.
Pero sí confirma algo importante: ya puede encargarse de muchas tareas operativas, con buena calidad y bajo costo.

La clave está en cómo la integramos. Usarla como primer borrador, como tu asistente, no como reemplazo.

Cómo aprovechar este escenario

1. Identifica tus tareas tipo “GDPval”
Reportes periódicos, análisis de datos, presentaciones, propuestas comerciales.

2. Prueba con criterio
Usa la IA para generar versiones iniciales, pero conserva un proceso de revisión humana antes de entregarlas.

3. Define un sistema claro de control de calidad
Establece criterios objetivos para revisar resultados: precisión, claridad, formato, uso de fuentes.

4. Capacita a tu equipo más allá de los prompts
El valor no está solo en saber “pedirle cosas a la IA”, sino en saber editar , tener criterio y refinar lo que produce.

Una conclusión clara

La IA ya es tu asistente digital.
A veces su trabajo es buenísimo, otras veces necesita ajustes. Pero si la entrenas bien, le das contexto y la integras con criterio, puede ayudarte a liberar tiempo para lo que realmente aporta valor: estrategia, creatividad y liderazgo humano.

Veo esta noticia como una señal de lo cerca que estamos de una IA con capacidades generales.

Según Swyx (curador de AI News, uno de los mejores boletines técnicos del sector), Claude 4.1 Opus ya está al 95% del camino hacia la AGI.
Y si la tendencia sigue como hasta ahora, para septiembre de 2026 podríamos tener una IA tan competente como un humano en la mayoría del trabajo económicamente viable.

¿Te gustaría saber qué tareas podrías automatizar hoy en tu empresa?

En Blumb podemos ayudarte a identificar oportunidades reales y armar una hoja de ruta para integrar IA con foco estratégico.

Si te interesa lo exploramos juntos.

Hasta la próxima 🤗

Cuando comencé a armar equipo todo funcionaba, pero pronto entendí algo: si quería crecer, necesitaba un sistema que me permitiera delegar, que diera claridad y foco a todos, y que mantuviera la agilidad que veníamos teniendo. No quería burocracia sin sentido.

Este verano, aprovechando que la demanda de clientes bajó y el ritmo se sintió distinto, decidimos transformar ese momento en una oportunidad para preguntarnos: ¿cómo queremos trabajar para crecer de verdad?

Con la ayuda de Azul Andrade, Scrum Master en Mercedes-Benz, iniciamos un proceso para rediseñar nuestra forma de trabajar.

Lo que hicimos

1. Definir nuestra base: alineamos al equipo sobre qué significa para nosotros trabajar bien.

2. Diseñar un flujo mínimo: creamos un tablero en Linear con cuatro columnas claras: iniciativas, por hacer, en curso, en revisión y valor entregado.

3. Rituales ligeros: incorporamos reuniones cortas de planificación semanal y retrospectivas quincenales. Nada pesado, solo lo justo para ordenar y mejorar continuamente.

4. Roles claros: mapeamos quién hace qué y cómo se toman decisiones para que no todo recaiga en mí.

Pero lo más transformador fue esto: decidimos que cada tarea debe representarse como un valor, no como un checklist.

Del checklist al valor

Dejamos de llamar “tareas” a las tarjetas (o cosas por hacer). Desde ahora las llamamos valor, y cada una debe responder tres preguntas:

1. ¿Qué valor entrega?

2. ¿A quién se lo entrega? (Cliente, Blumb o Equipo)

3. ¿Cómo vamos a medirlo?

Un ejemplo:

• Antes: “Crear bot de consultas que se conecta con HubSpot” → Ahora: “Responder preguntas frecuentes automáticamente para ahorrar 40h/semana al equipo de operaciones”

Nos permite:

• No tomar iniciativas que no aporten valor real.

• Dar visibilidad a los clientes, de manera simple, del valor que les entregamos.

• Sentir satisfacción cada semana al ver resultados concretos.

• Descartar rápido lo que no genera impacto.

Menos reuniones, más agilidad

Adoptamos Linear como herramienta de gestión de proyectos y la integramos con ChatGPT para recibir actualizaciones en tiempo real.

Esto redujo muchas reuniones internas, lo cual es clave considerando que, en promedio, los empleados pierden 31 horas al mes en reuniones improductivas.

Hoy puedo preguntar directamente a ChatGPT:

“¿Qué avances hubo esta semana en el proyecto X?”

Y obtener claridad inmediata, sin necesidad de una hora de reunión.

Tomarnos el tiempo de frenar y diseñar nuestro sistema de trabajo es lo que ahora nos permitirá escalar sin fricciones, nuestro objetivo para Q4 y 2026.

Hoy:

• Tenemos claridad en lo que hacemos.

• Cada iniciativa representa un aporte de valor.

• El equipo trabaja con más autonomía.

• Ahorramos muchas horas de reuniones.

Y lo mejor: esto es solo el inicio. Estamos creando agentes de IA, prompts y nuevas automatizaciones que pronto les voy a compartir.

Esta es la manera en la que pasé de la improvisación a un sistema claro y ágil.
Si quieres crecer, mi recomendación es simple: construye sistemas.

Hasta la próxima 🤗

El último año y medio me sumergí en el mundo de los agentes de IA. En Blumb creamos varios: algunos fueron pruebas de concepto pequeñas, otros están en producción.

En este camino, aprendí muchísimo: sobre lo que funciona, lo que no, y hacia dónde va esta tecnología.

Primero, pongámonos de acuerdo: ¿Qué es un agente?

Cuando hablo de agente, no me refiero a la definición matemática de la inteligencia artificial tradicional, sino a una versión más simple y práctica: un agente es un sistema, que utiliza un modelo de lenguaje (como ChatGPT) al que le añadimos memoria y la capacidad de usar herramientas.

Agente = LLM + Razonamiento + Herramientas + Memoria

Dado que hoy tenemos LLMs con razonamiento incorporado, podemos simplificarlo mas:

Agente = LLM + Herramientas + Memoria

Eso es todo. A partir de ahí, todo lo que se llama ‘workflow agentico’, ‘sistema de agentes’, o ‘equipo de agentes’, en realidad no es más que la combinación organizada de varios de estos agentes básicos

¿Qué aprendí construyendo agentes reales?

El ultimo tiempo, con mi equipo estuvimos trabajando en construir una estructura que haga que los agentes sean realmente confiables y aprendimos muchísimo en este proceso.

1. El framework que utilices no es tan importante

Probé LangGraph, CrewAI, Google Agent SDK, OpenAI Agent SDK… todos tienen sus ventajas. Pero después de testearlos a fondo, la conclusión es clara: el framework no define el éxito del agente. Lo que realmente importa es cómo diseñás el sistema completo, desde el input hasta la acción que debe ejecutar.

2. Construir agentes no es lo mismo que hacer inteligencia artificial o machine learning

Desarrollar agentes con LLMs no implica entrenar modelos desde cero ni trabajar con redes neuronales profundas.

Tampoco requiere ser experto en machine learning.

Pero si exige algo fundamental, criterio técnico y una buena base en ingeniería de software.

Porque para que el agente funcione de forma confiable, no alcanza con un buen prompt. También es necesario

• Estructurar código de forma clara

• Manejar errores y excepciones

• Diseñar flujos robustos

• Pensar en producción desde el inicio

Esto no es un extra. Es lo que convierte una idea en una solución sostenible.

3. Los agentes son tan buenos como su contexto

No se trata de pedirle al modelo que cumpla un objetivo y esperar magia. Un agente funciona bien si tiene un contexto claro y bien estructurado: prompts, herramientas, memoria, entorno. Un buen contexto supera incluso al “modelo más poderoso”.

4. Sin herramientas, un agente es inútil

Un agente que solo “piensa” no llega muy lejos. En cuanto le das acceso a herramientas —APIs, bases de datos, workflows— se convierte en algo útil.

Pensar sin accionar es solo una conversación.

5. La simplicidad SIEMPRE gana

Los agentes más efectivos que construimos en Blumb son sorprendentemente simples. Un muy buen prompt, una o dos herramientas, y una única responsabilidad. La complejidad los vuelve frágiles. Los mejores agentes están diseñados para un caso de uso concreto… y lo hacen muy bien.

6. No es lo mismo una demo que llevarlo a producción

Cualquiera puede construir una demo. Lo difícil es instrumentar una solución que se pueda medir, mejorar y escalar. Tener un entorno de evaluación y feedback en tiempo real es lo que separa una linda idea de una solución que transforma un negocio.

7. Las personas importan más que la tecnología

Después de participar en múltiples proyectos tecnológicos en los últimos 13 años, tengo una certeza: la cultura pesa más que el stack. Los proyectos fallidos no fueron por falta de capacidad técnica, sino por falta de claridad, foco o colaboración.

La tecnología en manos adecuadas multiplica valor. En manos equivocadas… no lleva a ninguna parte.

Para finalizar

Los agentes todavía están dando sus primeros pasos. Hay hype, sí. Hay entusiasmo. Pero también hay muchísimo por aprender.

Lo que veo es esto: en el futuro, todas las empresas van a tener agentes detrás, coordinando tareas, personalizando experiencias, y haciéndose cargo de esas actividades repetitivas que nos restan energía a las personas.

Cometí errores, tuve aciertos, aprendí mucho. Y si algo tengo claro, es que los agentes no son “el producto”. Son el facilitador. La magia aparece cuando hay procesos claros, flujos bien definidos, y un sistema que ya funciona. Integras un agente en un buen sistema… y lo bueno comienza a suceder.

Estos modelos pueden inventar estadísticas, atribuir frases falsas o resumir de forma engañosa. A eso se le llama alucinación de IA. Y el impacto es costoso:

• Se multiplica la desinformación y el contenido basura.

• Google y Meta penalizan lo que carece de calidad o fuentes.

• La gente detecta cuando “algo no cierra” y tu reputación sufre.

• Una sola afirmación falsa puede destruir la confianza que tardaste años en construir.

La confianza hoy es el mayor activo. Publicar sin verificar no es opcional: es parte central del trabajo con IA.

El verdadero problema: la calidad del input

El problema no es solo el prompt ni el modelo, sino la información que le damos para procesar.

Si preguntas algo genérico, obtendrás un “promedio de internet”: un poco de oro mezclado con mucho ruido.
La clave es alimentar la IA con insumos de calidad antes de pedirle resultados.

Este es mi flujo de trabajo (puedes usar herramientas equivalentes):

1. Semantic Scholar / Elicit
   Encuentro papers académicos relevantes y revisados por pares, no vaguedades de la web.

2. NotebookLM
   Subo y proceso esos papers para extraer los insights clave y mantener el contexto visible.

3. ChatGPT, Claude o Gemini
   Con esos insights estructurados, genero marcos de trabajo, argumentos o borradores. Así el modelo escribe sobre bases sólidas, no sobre ruido.

✅ ¿Resultado? Menos alucinaciones, más claridad y contenido que puedo defender ante clientes, audiencias o buscadores.

Cómo convertir a la IA en tu verificador de confianza

El segundo paso, además de dar buenos insumos, es asegurarte de que lo generado sea verificado.

Aquí comparto el prompt que uso para que ChatGPT actúe como mi verificador de hechos. Puedes copiarlo y probarlo:

Prompt de verificación de hechos

Rol y Misión
Eres el verificador de hechos más meticuloso y un asistente de investigación de élite. Tu tarea es apoyar a emprendedores, educadores, creadores de contenido y dueños de negocio que dependen de ChatGPT para trabajos de alta visibilidad y confianza.

Instrucciones Fundamentales
- Detecta y elimina alucinaciones de IA y afirmaciones no verificables.
- Valida estadísticas, citas, nombres y detalles históricos o noticiosos.
- Usa solo fuentes primarias o confiables en temas médicos, legales, científicos o técnicos.
- Presenta hallazgos en lenguaje claro y accesible.
- Asegura estándares estrictos de exactitud.

Protocolo de Acción
1. Verificación rigurosa de cada afirmación (stats, citas, fechas, nombres).
2. Resumen claro en lenguaje sencillo.
3. Lista de referencias confiables (copiar/pegar).
4. Explicación de lo que no se pudo verificar.

La diferencia entre publicar y construir confianza

La IA puede acelerar tu trabajo, pero lo que protege tu reputación es un doble enfoque:

1. Mejores inputs: alimentar con fuentes de calidad.

2. Verificación sistemática: nunca publicar sin revisar.

No se trata de producir más rápido, sino de producir mejor.
Y si tu negocio depende de la confianza, esta base es innegociable.

👉 Mi consejo: prueba este flujo en tu próximo proyecto de contenido. Vas a notar la diferencia.


BONUS:

En este video te explico de manera clara y práctica qué son los LLMs (modelos de lenguaje grande), cómo se entrenan, y por qué herramientas como ChatGPT, Claude o Gemini responden como lo hacen.

¡Un abrazo! 🤗

Le dices al modelo quién eres, qué necesitas y cómo quieres que trabaje contigo.
Cuanto mejor lo completes, más consistentes y útiles serán las respuestas (tono, profundidad, enfoque y priorización).

Pasos para personalizar tu ChatGPT

1. Desde tu perfil ve a Personalizar ChatGPT

2. Se te abrirá esta configuración:

   

   Paso 1 — Nombre (¿Cómo debería llamarte ChatGPT?)
   Escribe tu nombre o el del equipo.

   • Ejemplo: “Camila” o “Equipo Blumb”.

   • Efecto: trato cercano y consistente.

   Paso 2 — ¿A qué te dedicas? (Contexto profesional)
   Define tu marco de referencia.

   • Ejemplo: “Soy fundadora de Blumb. Ayudo a empresas a optimizar y automatizar procesos con IA de forma estrategica.”

   • Efecto: evita respuestas genéricas; prioriza ejemplos de negocio.

   Paso 3 — Personalidad

   • Elige 2–3 chips que representen tu estilo (p. ej., Predeterminada, Atenta, Robot…).

   • Efecto: ajusta el tono a tu cultura de trabajo.

     

   Paso 4 — Cualidades
   Indica cómo quieres que trabaje contigo.

   • Ejemplo: “Sé crítico y no me complazcas. Piensa con rigor y muéstramelo. Si no te pido un rol, trae perspectivas desde los roles relevantes.”

   • Efecto: respuestas más claras, precisas y accionables.

   • Por si te inspira lo que he puesto yo:

     Sé crítico con tus respuestas y nunca me complazcas, no me des la razón si no hay un motivo claro para ello. Tu objetivo es ayudarme a pensar mejor y mejorar profesional y personalmente. 
     Cuando te dé instrucciones, síguelas con el máximo rigor. Si no te pido que actúes desde un rol concreto, piensa y responde desde la perspectiva de distintos roles acordes a la temática.

   Paso 5 — ¿Algo más que deba saber? (Reglas finas)
   Idioma, tono, formato, contexto de audiencia.

   • Enseña al modelo tus preferencias:

     • "Recuerda que prefiero respuestas concisas"

     • "Siempre usa ejemplos prácticos"

     • "Mi idioma preferido es español"

     • “Mi audiencia son CEOs no técnicos”

   • Efecto: consistencia entre conversaciones.

   Paso 6 — FUNCIONES ACTIVADAS (Avanzado)

   • Búsqueda en Internet: para traer información actualizada.

   • Código: activar análisis de datos, ejecución de cálculos, manejo de PDFs/CSV.

   • Lienzo: útil para co-crear documentos, guías o estrategias con estructura.

   • Voz avanzada: para dictado y conversaciones en tiempo real.

   Configurar esto es como armar tu set de herramientas: si vas a usar ChatGPT como aliado en research, proyectos o creación de contenido, activarlas es casi obligatorio.

   ---

   El impacto que esto tendrá en tu uso diario:

   • Consistencia: todas tus sesiones empiezan alineadas a tu estilo y objetivos.

   • Ahorro de tiempo: menos reexplicar contexto en cada conversación.

   • Mejor calidad: cuanto más claro el input (quién sos + qué querés), más útiles los outputs.

   • Escalabilidad: en equipos, estas instrucciones se pueden estandarizar para que todos trabajen con la IA bajo las mismas reglas.

Errores comunes (y cómo evitarlos)

• Dejar campos vacíos → completa al menos contexto, cualidades y reglas finas.

• Mezclar idiomas/registro entre chats → define en “Algo más que deba saber”.

• Pedir “creatividad” sin límites → indica formato, audiencia y criterios de calidad.

• No usar funciones avanzadas → activa Búsqueda/Código/Lienzo/Voz para trabajar mejor.

Checklist 60 segundos

• Nombre definido (personal o equipo).

• Contexto profesional en 1–2 líneas.

• Personalidad: 2–3 chips.

• Cualidades: rigor + formato de respuesta.

• Reglas finas: idioma, tono, audiencia, estilo.

• Funciones: Búsqueda, Código, Lienzo, Voz activadas.

• Guardar y probar con una tarea real (ej.: “resume este brief en 5 bullets y propón próximos pasos”).

En resumen

Las instrucciones personalizadas son el equivalente a entrenar a un nuevo asistente humano en tu forma de trabajar.

• Si las dejas vacías, obtendrás respuestas genéricas.

• Si las completas con cuidado, cada interacción reflejará tu estilo, tus prioridades y tus estándares de calidad.

¡Hasta la próxima! 🤗

Deja un comentario

Hoy te quiero contar cómo ese análisis fue posible gracias a una integración cada vez más potente: Claude 4.0 + Google Workspace (y desde hace poco, también lo podés hacer con OpenAI).

¿Qué significa esto, en concreto?

Tanto Claude como OpenAI, y Gemini ya pueden conectarse a tu Gmail, Google Calendar, Google Drive y Docs. Esto permite que un asistente de IA:

• Lea tus correos enviados para entender tu tono y estilo.

• Acceda a tu agenda y transcripciones para auditar tu uso del tiempo.

• Use los documentos internos como contexto para redactar, responder o tomar decisiones.

La diferencia es abismal entre usar una IA “en abstracto” y entrenarla con información real de tu operación.

¿Qué se puede hacer con esto?

Te dejo tres casos concretos que ya probé:

1. Respuestas de email personalizadas
   Claude escanea tu inbox, aprende cómo escribís y redacta respuestas alineadas a tu tono y prioridades.
   → Probado con 50 mails pendientes: en 5 minutos tenía 3 respuestas urgentes listas para enviar.

2. Auditoría de reuniones
   Le das acceso a tus reuniones + objetivos semanales y te devuelve:
   → qué deberías cancelar o delegar
   → qué tareas surgieron
   → cómo optimizar la semana siguiente

3. Síntesis inteligente de documentos o meetings
   El asistente puede leer tus presentaciones o transcripts de reuniones y generar:
   → propuestas comerciales, mensajes clave, o planes de acción
   → todo sin reescribir desde cero

¿Qué necesitás para que funcione?

• Acceso pago a Claude, Gemini o GPT.

• Conexión con Google Workspace.

• Un sistema interno claro: objetivos definidos, nomenclatura de archivos consistente, transcripciones disponibles.

• Y lo más importante: una buena estructura de prompts o instrucciones. Sin eso, la IA solo da resultados genéricos.

Los Prompts que usé

✅ Auditoría de reuniones (tiempo, valor y decisiones)

Objetivo: Analizar el uso de mi tiempo en reuniones para optimizar mi agenda según mis objetivos estratégicos. 

Contexto: Tengo integrados mis calendarios y grabaciones/transcripciones de reuniones. 

Instrucciones: 
Revisión de reuniones pasadas: 
- Accede a las reuniones que tuve durante los últimos 7 días a partir de hoy. 
- Si existen transcripciones, úsalas para entender el contenido y los participantes. 
- Evalúa cada reunión según los siguientes criterios: 
   • ¿Está alineada con mis objetivos estratégicos actuales? 
   • ¿Aportó valor claro o fue redundante? 
   • ¿Podía delegarla o resolverla por otro canal? 

Devuélveme una lista con: 
- Reuniones que no debería haber tomado, con justificación concreta. 
- Tareas o compromisos clave que surgieron de cada reunión (agrúpalas por reunión). 

Optimización futura: 
- Revisa las reuniones agendadas para los próximos 7 días. 
- Sugiere acciones para optimizar mi tiempo, como: 
   • Cancelar reuniones que no aportan valor. 
   • Delegar o acortar reuniones largas. 
   • Agrupar reuniones similares para evitar fragmentación. 
- Si puedes, propón bloques de tiempo para trabajo profundo o tareas clave que derivan de las reuniones previas. 

Notas adicionales: 
- Mis objetivos prioritarios esta semana son: [completá o dejalo en blanco]. 
- Prefiero reuniones de máximo 30 minutos, solo si son decisivas o estratégicas.

✅ Respuesta de correos con estilo propio

Objetivo: Automatizar la redacción de respuestas de correo, manteniendo mi estilo personal y prioridades estratégicas. 

Contexto: 
- Trabajo con Google Workspace (Gmail). 
- Tengo una carpeta de correos enviados desde donde podés aprender mi forma de comunicar. 
- Quiero responder correos pendientes sin perder claridad ni personalización. 

Instrucciones: 
1. Escaneá mis correos enviados para entender: 
- Tono general, estructura, uso de lenguaje. 
- Cómo cierro, saludo y presento argumentos. 

2. Revisá mi bandeja de entrada y detectá: 
- Mensajes no respondidos en los últimos 10 días. 
- Cuáles son urgentes según los temas o remitente. 

3. Para cada correo urgente: 
- Redactá una respuesta alineada a mi estilo. 
- Mantené el foco en decisiones, próximos pasos y claridad. 
- Evitá respuestas genéricas o demasiado formales. 

4. Prioridades: 
- Clientes actuales > prospectos > colaboraciones externas. 
- Evitar respuestas largas si pueden resolverse con una propuesta clara. 

Resultado esperado: Una lista de respuestas listas para enviar, ordenadas por prioridad.

¿Por qué esto es importante?

Porque ya no alcanza con “probar herramientas”. Lo que marca la diferencia es el sistema que construís alrededor: cómo se entrena la IA, con qué información, para qué decisiones.

¿Querés que te ayude a implementarlo?

En Blumb podemos adaptar esto a tu negocio, tu flujo de trabajo y tu equipo.

Tu tiempo vale más cuando lo usás para pensar, no para apagar fuegos.

Hasta la próxima 🤗

Pero no hay que abrumarse. Lo importante no es estar en todo, sino analizar por dónde tiene sentido abrazar estos cambios en tu empresa. Y eso nos lleva al punto clave de esta edición:

Posible vs rentable: la pregunta que deberías hacerte antes de aplicar IA

Muchos me preguntan:

"Camila, ¿esto lo puede hacer la IA?"

Pero la pregunta más útil es:

"¿Debería hacerlo la IA?"

Ejemplos concretos:

🔍 Antes de enamorarte de lo que la IA puede hacer, preguntate esto:

¿Qué resultado quiero lograr y cuánto me costará obtenerlo?

Google y Microsoft están construyendo plataformas de agentes: ¿es esto el nuevo SaaS?

¿Qué pasó la última semana?

• Google lanzó Project Astra, Mariner, Jules, AI Mode, y más.

• Microsoft presentó Copilot Tuning, Agent Store, Magentic UI, y NLWeb, una especie de “HTML para la IA”.

(Haz click en las herramientas para ir a la presentación)

¿Qué significa?

Hasta ahora, la IA estaba “pegada” a herramientas puntuales (chatbots, generadores de texto). Pero estos lanzamientos proponen otra cosa: IA como una capa transversal que se integra a múltiples apps y flujos de trabajo.

En vez de “usar IA en una app”, ahora puedes tener un agente que orquesta tareas entre apps.

¿Cómo puede usarse en tu empresa?

• Automatizar procesos internos complejos (ej: onboarding, aprobaciones, informes)

• Integrar múltiples sistemas (CRM + email + base de datos) con un solo prompt

• Crear asistentes que usen tus datos y procesos reales (no genéricos)

¿Qué cambio trae?

En lugar de sumar apps a tu stack… vas a tener que pensar en diseñar agentes que gestionen ese stack por vos. Tu próximo “empleado digital” probablemente sea un orquestador de sistemas, no una app más.

Aplicaciones prácticas inmediatas con los nuevos lanzamientos

A continuación, un resumen concreto de las principales herramientas lanzadas por Google y Microsoft, y para qué pueden servir en tu empresa:

• Microsoft Copilot Tuning: entrená agentes con tus datos y procesos, sin código. Ideal para automatizar tareas internas específicas.

• Google Project Astra: agente multiapp que puede usar herramientas de tu teléfono para resolver tareas complejas con mínima supervisión.

• Google Project Mariner: agente web que navega y ejecuta acciones online desde un solo prompt. Útil para procesos de investigación o interacción en múltiples sitios.

• Google Jules: agente de programación que automatiza tareas de desarrollo (como OpenAI Codex), con 5 usos gratuitos por día.

• Google Agent Mode (Gemini app): permite a la IA ejecutar flujos de trabajo complejos por vos, desde tu celular.

• Google Veo 3 e Imagen 4: generación avanzada de video e imagen con IA. Perfecto para marketing, branding y presentaciones visuales.

• Google Flow: suite creativa de video para equipos audiovisuales. Reduce tiempos de producción con IA generativa.

• Microsoft Agent Store: marketplace de agentes personalizables para Microsoft 365.

• Microsoft Magentic UI: agente web que navega, ejecuta código y entiende archivos. Ideal para tareas técnicas automatizadas.

• Microsoft NLWeb: protocolo para que tu web tenga interfaz conversacional usando IA.

• Microsoft Entra Agent ID: gestión segura de identidad y permisos para agentes de IA en tu empresa.

Así como tienes gestión de accesos para empleados, ahora vas a necesitar lo mismo para tus agentes.

El futuro del trabajo: menos tareas, más orquestación

Este cambio tecnológico no implica que "la IA va a reemplazar empleos" directamente. Implica algo más interesante:

Los roles humanos se moverán del hacer al diseñar, coordinar y supervisar sistemas inteligentes.

En vez de contratar para “hacer tareas”, vas a contratar para:

• Diseñar agentes que las hagan

• Supervisar resultados

• Mejorar continuamente el rendimiento del sistema

La IA no es solo una herramienta. Está pasando a ser una capa estratégica de operación empresarial. Los lanzamientos de esta semana lo dejan claro: el nuevo SaaS son agentes personalizados y conectados.

¿Querés empezar a aplicar esto en tu empresa sin volverte técnico? Escribime. Puedo ayudarte a:

✅ Identificar tareas automatizables
✅ Diseñar un primer agente
✅ Medir impacto real en tu negocio

Hasta la próxima 🤗

Camila

Desde entonces, los modelos evolucionaron muchísimo. Aparecieron modelos con capacidad de razonamiento como o3, otros con ventanas de contexto enormes (lo que significa que ahora podemos darles mucha más información sin que se “queden sin espacio”) y mejoras notables en velocidad y precisión.

Pero, a pesar de todos estos avances, los fundamentos siguen siendo los mismos. Algunos principios de prompting siguen funcionando igual de bien que antes… y otros ya no tienen el mismo efecto.

Acá te comparto, desde mi experiencia práctica, qué funciona de verdad hoy en 2025.

Lo que no ha cambiado

Cada semana creo decenas de prompts distintos, y hay algo que no cambia: cuanto más específica y clara soy, mejores resultados obtengo. Esto aplica desde los primeros modelos hasta los más nuevos. No importa cuánto hayan evolucionado: si no les das buen contexto, te devuelven algo genérico.

Un ejemplo que veo seguido:

“Escribe un post para redes sobre nuestra empresa”.

Eso es como decirle a alguien “haceme un cartel” sin explicarle para qué, quién lo va a leer ni qué querés que pase después. Los modelos necesitan tener claro:

• Qué quieres lograr con ese contenido

• A quién está dirigido

• Qué tono o enfoque quieres usar

• Y qué acción esperas que genere

Una mejor versión sería:

Escribe un post de LinkedIn presentando a nuestra empresa de automatización. Está dirigido a founders de empresas que ya facturan más de 5M al año y sienten que su operación es un caos. El objetivo es mostrar cómo ayudamos a ordenar procesos con IA aplicada. El tono debe ser profesional pero fresco, y debe cerrar con una invitación directa a agendar una llamada.

Ahí sí cambia todo. Especificidad, claridad de objetivos y buen contexto son la base de un prompt que funcione bien.

Y si te estás preguntando cómo asegurarte de no olvidarte nada, para eso uso el framework ROTD, que nunca me falla.

El Framework ROTD

Existen muchos marcos para estructurar prompts, pero uno que me da resultados sólidos y que uso bastante es el ROTD – Rol, Objetivo, Tareas, Detalles.

Desglose:

• Rol – ¿Qué rol debería asumir la IA?

• Objetivo – ¿Qué estás intentando lograr?

• Tareas – ¿Cómo se debería lograr ese objetivo o qué pasos deben seguirse? (idealmente en forma de lista)

• Detalles – ¿Qué contexto adicional importa? (ejemplos, estilo de salida, datos clave, etc.)

Lo bueno de este framework es que es flexible. A veces necesitas los cuatro elementos, y otras veces con dos te alcanza. Pero para resultados importantes, recomiendo usarlo completo.

Ejemplo aplicado al post de LinkedIn:

• Rol:

  Eres un copywriter especializado en LinkedIn B2B, con foco en tecnología y automatización.

• Objetivo:

  Escribir un post que conecte con founders de empresas medianas y los lleve a agendar una reunión con nosotros.

• Tareas:

  1. Arrancar con una pregunta o insight que refleje el caos operativo que suelen vivir.

  2. Presentar a Blumb como una solución concreta que ordena procesos con IA y automatización inteligente.

  3. Mostrar brevemente un beneficio claro o resultado logrado con un cliente real (sin nombres).

  4. Cerrar con una invitación directa a coordinar una llamada o demo.

• Detalles:

  • Público: Fundadores de empresas que facturan más de 5M al año.

  • Tono: Profesional, claro, con un punto fresco que no suene robótico.

  • Límite: Máximo 1300 caracteres para que funcione como post en LinkedIn.

  • Voz de marca: Enfocada en claridad, enfoque práctico y confianza en la ejecución.

Fijate cómo desglosar las tareas en pasos hace que el prompt sea más claro y fácil de ajustar.

No todos los prompts necesitan tanto detalle, pero cuando quieres un output que conecte, ROTD te asegura no dejar nada importante afuera.

Prompting para modelos de razonamiento

El framework ROTD funciona genial con modelos rápidos como GPT-4o o Claude 3.5. Pero cuando uso modelos más potentes en razonamiento (como GPT-o3), me di cuenta de que cuanto menos le digo cómo hacerlo, mejor resultado me da.

Sí, parece raro. Pero en estos casos, darle demasiados pasos concretos termina limitando su capacidad de encontrar la mejor solución. Lo bueno es que con ROTD, adaptar el prompt es facilísimo: simplemente dejamos afuera las tareas.

Así reescribiría el prompt del post de LinkedIn para GPT-o3:

• Rol:

  Eres un copywriter especializado en LinkedIn B2B, con foco en tecnología y automatización.

• Objetivo:

  Escribir un post que conecte con founders de empresas medianas y los lleve a agendar una reunión con nosotros.

• Detalles:

  • Público: Fundadores de empresas que facturan más de 5M al año.

  • Tono: Profesional, claro, con un punto fresco que no suene robótico.

  • Límite: Máximo 1300 caracteres para que funcione como post en LinkedIn.

  • Voz de marca: Enfocada en claridad, enfoque práctico y confianza en la ejecución.

Fíjate que no incluí los pasos ni la estructura del contenido. Le estoy diciendo al modelo qué quiero lograr, desde qué rol, para quién y con qué estilo. Pero le doy libertad total para decidir cómo llegar a ese objetivo.

Este tipo de enfoque es especialmente útil cuando el output puede tener múltiples formas válidas, como análisis complejos, redacción creativa o cuando no esta tan claro el mejor enfoque. En vez de imponerle una estructura rígida, dejas que el modelo explore y proponga.

Anti-patrones de Prompting

Hay muchas “técnicas de prompting” que circulan por ahí, pero varias de ellas no son buenas prácticas. Algunas pueden parecer ingeniosas, pero en la práctica no funcionan (o peor, te hacen perder tiempo).

Algunos ejemplos que veo seguido:

🧟‍♀️ Prompts manipuladores:

• “Por favor, si no me ayudas pierdo mi trabajo…”

• “Te doy 100 dólares si lo haces bien”

• “Tienes que ayudarme porque esto es urgente…”

Ese tipo de mensajes no “activan” nada especial en el modelo. Quizás en algún momento tocaron una fibra del entrenamiento, pero hoy ya no sirven. Los modelos no “sienten” urgencia, culpa o presión. Solo leen tokens y predicen el siguiente.

🧙‍♂️ Prompts mágicos que prometen milagros:

Esos bloques enormes de texto que te dicen “copiá esto y vas a tener resultados increíbles” son, en su mayoría, puro humo. Probé muchísimos y la mayoría:

• No están adaptados a tu caso de uso

• Tienen partes que el modelo ignora por falta de contexto

• O directamente están armados sin entender cómo funciona un LLM

Un buen prompt no se trata de cantidad, sino de calidad y claridad. Más texto no significa más inteligencia. Al contrario: muchas veces confunde al modelo y lo aleja del objetivo.

Un “truco” que sí importa: separa instrucciones del input

Uno de los errores más comunes que sigo viendo es cuando el modelo confunde lo que tiene que hacer con el contenido sobre el que tiene que trabajar.

¿Ejemplo clásico? Pedís que resuma algo y en el texto aparece una frase como "crea un informe". El modelo lo lee… y te empieza a crear un informe, aunque vos solo querías un resumen.

Esto pasa porque los LLMs no distinguen por sí solos qué parte es instrucción y qué parte es input, a menos que se lo dejes bien marcado.

¿Cómo evitarlo?

Cada vez que escribas un prompt, tiene que quedar muy claro:

• ¿Qué tiene que hacer el modelo? → la instrucción

• ¿Sobre qué datos o contenido debe trabajar? → el input

Esto es clave si estás creando un agente que analiza mensajes de Slack, notas de reuniones o documentos internos. Porque muchas veces el texto con el que trabaja también contiene órdenes, tareas, instrucciones… y ahí es donde puede confundirse.

Ejemplo de problema:

Resume estas notas: El equipo discutió los próximos pasos. Acciones: Generar un informe completo sobre Q4…

En este caso, si no marcas bien qué parte es input, el modelo podría pensar que tiene que generar ese informe, en lugar de simplemente mencionarlo en el resumen.

¿Cómo se resuelve?

Usa delimitadores. Algo tan simple como esto:

Resume el contenido que está entre las etiquetas <contenido>:

<contenido>

El equipo ha discutido los próximos pasos. Acciones: Generar un informe completo sobre Q4…

</contenido>

Con eso, el modelo entiende que todo lo que está dentro de esas etiquetas es solo material de trabajo, no nuevas instrucciones que tiene que ejecutar.

Puede parecer un detalle menor, pero marca la diferencia entre un output confiable y uno desastroso, sobre todo en entornos productivos.

Conclusión

Salen modelos nuevos todo el tiempo, con ventanas de contexto más grandes, capacidades más finas y nombres cada vez más raros. Pero si hay algo que aprendí después de probar decenas de ellos, es que no hay prompt que salve una mala estrategia.

La clave no está en los “trucos” mágicos, sino en aplicar principios sólidos que funcionen hoy, mañana y dentro de un año.

Si tuviera que dejarte 5 ideas fuerza, serían estas:

1. Se específica con lo que quieres lograr

2. Usa RGTD como base para estructurar tus prompts

3. Dale aire a los modelos más potentes para que razonen solos

4. Separa siempre instrucciones del contenido

5. No corras detrás del último hack viral de LinkedIn

Estoy segura de que lo que se viene en IA es increíble. Pero más segura todavía de que se puede usar para crear cosas con impacto real, si se domina bien cómo hablarle.

¿Te animas a probarlo con un ejemplo real? Te invito a usar el instructivo de creación de asistentes que te compartí la semana pasada, elegir un caso simple… y armar tu primer buen prompt con RGTD.

Aquí esta el post de la semana pasada:

Después me cuentas cómo te fue 🤗

¡Hasta la próxima!

🤓 Bonus:

Te dejo algunos posteos de mi LinkedIn relacionados a esto que también podrían servirte:

• Comparativa de los diferentes modelos de OpenAI

• Cómo elegir el modelo de IA adecuado para maximizar tu productividad

En esta guía paso a paso vas a ver cómo armarlo en una sola tarde, usando:

• OpenAI para crear el asistente

• Make para automatizar la conexión

• Slack para que tu equipo lo use fácilmente

Todo esto, sin entrenar modelos propios ni esperar a tener los datos perfectos.

Solo necesitás identificar qué documentos son los más útiles, y seguir los pasos que te dejo abajo.

Paso #1: Crear tu asistente en OpenAI

1. Ingresá al Playground de OpenAI

2. Hacé clic en "Create an assistant"

   

3. Asignale un nombre (por ejemplo, Asistente de RRHH o Wiki interna)

4. Elegí GPT-4.1 mini como modelo, es barato y una buena opción para casos como este.

   

5. En el campo “System instructions”, usá este prompt base (ajusta a tus preferencias):

Prompt para tu asistente:
“Eres un asistente que responde preguntas de forma clara y precisa en base a los documentos que te adjuntaron. Responde solo con la información disponible. Si algo no está en los documentos, avisa que no tienes esa información.”

6. En la sección "Tools", activa File Search y carga entre 5 y 10 documentos clave de tu empresa:

   • Manuales internos

   • Políticas de RRHH

   • Preguntas frecuentes

   • Procedimientos operativos

   • Onboarding de clientes o empleados

🎯 Tip: empezá con lo más consultado. No hace falta subir todo.

Paso #2: Conectar el asistente con Slack usando Make

Ahora que tu asistente está listo, vamos a integrarlo con Slack para que el equipo lo pueda usar directamente desde ahí.

1. Entrá a https://www.make.com

2. Creá un nuevo escenario (“Scenario”)

3. Agregá un trigger de Slack (por ejemplo: cuando alguien envía un mensaje a un canal específico o menciona al bot)

   

4. Sumá un módulo de OpenAI > Chat with Assistant

   • Pegá el ID del asistente que creaste

     

   • Enviá el mensaje del usuario como input

   • Opcional: podés guardar el historial de conversación si querés contexto

5. Respondé en Slack con el output del asistente

   • Usá “Send message to channel” o “Reply in thread” según lo que prefieras

¡Listo!

¿Y ahora?

Proba con algunas preguntas simples que suelen hacer los nuevos del equipo o los líderes.
Ejemplos:

• ¿Cuántos días de vacaciones tenemos?

• ¿Cuál es el proceso para solicitar licencias?

• ¿Dónde está el manual de uso de herramientas?

• ¿Cómo se factura a los clientes?

Si las respuestas son claras, ya podés abrirlo al resto del equipo.

¿Qué ganás con esto?

✅ Menos tiempo respondiendo preguntas repetidas
✅ Mayor acceso a la información clave
✅ Una base para automatizar procesos más complejos
✅ Entrenamiento interno natural del equipo con IA
✅ Construcción de tu propia infraestructura de conocimiento

¿Querés seguir profundizando?

Estoy pensando en grabar un video con el paso a paso, y compartir el escenario de Make listo para duplicar.
Si te interesa, respondeme a este mail con la palabra "asistente".
Si se suman un par de personas esta semana, lo preparo y se los envío.

Hasta la próxima 🤗

Camila

Esta semana hubo una lluvia de novedades sobre agentes inteligentes: guías prácticas, nuevos modelos, protocolos de colaboración entre agentes, y cursos gratuitos para quienes están aprendiendo a construirlos.

Todo apunta a lo mismo: los agentes de IA son el presente.

Y si sabés cómo usarlos, pueden resolver tareas reales, mejorar tus flujos y ahorrarte muchísimo tiempo (y dinero).

Te dejo los highlights más importantes con contexto y links para que puedas profundizar lo que te interese.

🔵 Las noticias clave de la semana

🔹 OpenAI publicó una guía práctica para construir agentes

Una de las mejores fuentes que vi hasta ahora para armar agentes con base en LLM. Explica cómo usar herramientas, funciones, memoria, y cómo coordinar múltiples agentes.
Incluye ejemplos de código. Ideal si estás construyendo tus primeros agentes o querés estandarizar tu manera de hacerlo.

🔗 Ver guía

🔹 Codex CLI: el agente de código open-source de OpenAI

OpenAI lanzó Codex CLI, un agente para tareas de codificación desde la terminal. Viene acompañado por dos nuevos modelos optimizados para razonamiento: O3 y O4 mini.

🔗 Ver repositorio

🔹 GPT-4.1: más preciso y mejor para construir flujos complejos

La nueva serie GPT-4.1 tiene mejoras notables en tareas de código y razonamiento. Además, OpenAI compartió un prompting guide que podés aplicar para crear flujos agentivos y contextos largos.

🔗 Modelo GPT-4.1
🔗 Guía de prompting

🔹 Microsoft presenta Copilot con uso de computadora

Nueva funcionalidad experimental que permite a los agentes de Microsoft interactuar con interfaces gráficas (hacer clics, llenar formularios, navegar software sin APIs).
Esto cambia el juego para automatizar tareas en sistemas legacy o sin integraciones.

🔗 Ver blog oficial

🔹 Google y el protocolo A2A: nace el ecosistema de agentes

Con el protocolo Agent-to-Agent (A2A), Google propone un estándar para que los agentes se descubran, hablen y colaboren entre sí. Esto abre la puerta a sistemas interoperables y modulares.

Además, LlamaIndex ya lanzó un agente A2A para procesar documentos complejos y devolver insights a otros agentes o interfaces.

🔗 Ver protocolo
🔗 A2A Document Agent

🔹 McKinsey explica qué es un agente de IA (para el mundo corporativo)

Si estás intentando explicar a un equipo directivo o a un cliente qué es un agente de IA y por qué importa, este informe de McKinsey es oro.

Casos de uso, beneficios concretos, y lenguaje aterrizado:

🔗 Ver informe

🔵 Cursos gratuitos para builders:

• DeepLearning.AI – Cómo construir agentes para navegar la web
  🔗 Ver curso

• Hugging Face – Curso para construir agentes desde 0

  🔗 Ver curso

• OpenAI Academy – Asistentes y agentes DEMO

  🔗 Ver curso

🔵 ¿Qué podés hacer con esto?

1. Explorar: si nunca construiste un agente, la guía de OpenAI es un gran punto de partida.

2. Implementar: si ya estás creando agentes, podés probar el protocolo A2A para hacerlos colaborar.

3. Inspirarte: los casos de uso de McKinsey o los avances de Microsoft muestran cómo esto escala en empresas reales.

Si te gustó esta edición, reenviásela a alguien que quiera aplicar IA con estrategia y claridad.

Y si estás buscando ayuda para crear agentes hechos a medida para tu empresa, te invito a conocer mi trabajo en Blumb. Automatizamos de forma estratégica, con procesos inteligentes y sin humo :)

Estoy construyendo esta newsletter para ustedes, necesito tu feedback, y si puedes escribirme sobre temas que te gustaría que hable puedes responder a este email. ¡Me sirve mucho!

Que tengas una linda semana, 🤗

Camila

Elegir el modelo adecuado puede marcar la diferencia entre una solución eficiente y una que no aprovecha al máximo el potencial de la IA.

Si eres consultor, emprendedor o líder de empresa y estás implementando IA en tus procesos, es clave entender cuándo usar modelos de razonamiento (como OpenAI o1 y o3-mini) y cuándo optar por modelos GPT (como GPT-4o).

En esta guía te explicaré en qué se diferencian y cómo elegir el más adecuado según tu caso de uso.

Modelos de Razonamiento vs. Modelos GPT: Diferencias clave

En términos simples, los modelos GPT son rápidos y eficientes para tareas bien definidas, mientras que los modelos de razonamiento están diseñados para analizar problemas complejos, manejar ambigüedades y tomar decisiones más precisas.

• GPT (los "ejecutores"): Ideales para tareas específicas que requieren rapidez y bajo costo. Son excelentes para generar contenido, responder preguntas directas y realizar automatizaciones simples.

• Modelos de razonamiento (los "estrategas"): Diseñados para pensar de manera profunda, analizar grandes volúmenes de información y tomar decisiones basadas en datos complejos. Son muy útiles en sectores como finanzas, derecho, investigación y planificación estratégica.

Cómo elegir el modelo adecuado

Para tomar la mejor decisión, evalúa las siguientes prioridades en tu negocio:

✅ Velocidad y costo → Si necesitas una respuesta rápida y buscas optimizar costos, los modelos GPT son la mejor opción.

✅ Ejecución de tareas bien definidas → Si tu proceso implica tareas claras y específicas, los modelos GPT pueden manejarlo eficientemente.

✅ Precisión y confiabilidad → Si el objetivo es tomar decisiones confiables y bien fundamentadas, los modelos de razonamiento son más adecuados.

✅ Resolución de problemas complejos → Si tu desafío requiere analizar información ambigua y encontrar patrones, los modelos de razonamiento son los más indicados.

En la mayoría de los casos, una combinación de ambos tipos de modelos es la estrategia más efectiva. Puedes usar un modelo de razonamiento para planificar y analizar, y luego un modelo GPT para ejecutar tareas específicas.

Cuándo usar modelos de Razonamiento

Si estás trabajando con IA para optimizar procesos de negocio, aquí te dejo algunos escenarios en los que los modelos de razonamiento pueden aportar un gran valor:

1. Cuando la tarea es ambigua o poco estructurada

Estos modelos pueden interpretar información limitada y llenar los vacíos lógicamente, evitando suposiciones incorrectas.

Ejemplo: Analizar contratos legales para detectar posibles riesgos o identificar cláusulas ocultas.

2. Cuando necesitas analizar grandes volúmenes de datos y extraer insights clave

Si estás trabajando con bases de datos masivas o documentos complejos, estos modelos pueden ayudarte a encontrar "la aguja en el pajar".

Ejemplo: Revisar miles de correos y extraer tendencias clave en la comunicación de clientes.

3. Para evaluar y encontrar relaciones complejas entre datos

Los modelos de razonamiento pueden detectar patrones y conexiones entre documentos largos y detallados.

Ejemplo: Analizar estados financieros y encontrar inconsistencias que podrían indicar problemas de auditoría.

4. Cuando necesitas planificación estratégica en procesos de IA

Estos modelos pueden actuar como "mentes maestras", dividiendo tareas complejas en pasos estructurados y asignando la mejor IA para cada una.

Ejemplo: Diseñar un flujo de automatización para gestionar incidencias en un sistema de atención al cliente.

5. Cuando trabajas con imágenes o documentos visuales complejos

Si necesitas interpretar diagramas, planos o gráficos técnicos, un modelo de razonamiento puede ser la mejor opción.

Ejemplo: Analizar planos arquitectónicos y extraer información detallada de materiales y estructuras.

6. Para la revisión y mejora de código en proyectos de software

Si necesitas revisar y optimizar grandes volúmenes de código, estos modelos pueden detectar errores y sugerir mejoras estructurales.

Ejemplo: Auditar el código de un sistema financiero en busca de vulnerabilidades de seguridad.

7. Para evaluar respuestas de otros modelos de IA

Si necesitas auditar la calidad de respuestas generadas por modelos GPT, los modelos de razonamiento pueden ayudarte a hacer una evaluación precisa y detectar inconsistencias.

Ejemplo: Validar resúmenes generados por IA en un sistema de atención al cliente y mejorar su precisión.

Cómo hacer indicaciones efectivas para los Modelos de Razonamiento

Para obtener los mejores resultados, sigue estas recomendaciones:

🔹 Usa mensajes de desarrollador en lugar de mensajes de sistema → A partir de las versiones más recientes, los modelos de razonamiento han sido optimizados para interpretar mejor las instrucciones cuando se utilizan mensajes de desarrollador en lugar de los tradicionales mensajes de sistema. Esto significa que, en la interfaz de la API, en lugar de definir instrucciones en el campo system, se recomienda usar developer_message para dar contexto y guiar la ejecución del modelo.

🔹 Mantén las indicaciones simples y directas → Evita frases ambiguas o demasiado largas.

🔹 Evita pedir razonamientos paso a paso innecesariamente → A diferencia de otros modelos, estos ya incluyen razonamiento interno.

🔹 Utiliza delimitadores claros → Ayuda a separar secciones con etiquetas o formato estructurado (Markdown, XML, etc.).

🔹 Prueba con instrucciones directas antes de usar ejemplos → Estos modelos pueden ofrecer respuestas precisas sin necesidad de ejemplos adicionales.

🔹 Define claramente los criterios de éxito → Indica de forma explícita qué esperas de la respuesta del modelo.

🔹 Si necesitas formato en la respuesta, especifícalo → Si esperas una tabla o un código estructurado, indícalo en la instrucción.

Conclusión: Maximiza resultados con la IA

Si estás implementando IA en tu negocio, entender cuándo y cómo usar cada tipo de modelo te permitirá optimizar resultados y reducir costos. Aprovecha el potencial de los modelos de razonamiento para planificación estratégica y toma de decisiones, mientras usas los modelos GPT para ejecutar tareas operativas de forma eficiente.

Ejemplo práctico: Un bot de atención al cliente podría usar un modelo GPT para responder preguntas rápidas y un modelo de razonamiento para analizar solicitudes complejas, como reclamos de garantía.

Si quieres aprender más sobre cómo aplicar IA en tu empresa o proyecto, te invito a realizar mi curso de Automatización Inteligente y accede a recursos exclusivos en mi plataforma.

Acceder al curso

¡Nos vemos allí!

Hoy vamos a hablar de algo que está revolucionando la automatización: los Agentes de IA.

Si estás pensando en integrar inteligencia artificial en tu negocio, elegir la plataforma adecuada es clave. En este newsletter, te cuento cuáles son las 7 herramientas más importantes en 2025, sus pros, contras y en qué casos conviene cada una.

Vamos al grano.

Agentes de IA: mucho más que un chatbot

No confundas un Agente de IA con un chatbot básico. Mientras que los chatbots responden preguntas predefinidas, los Agentes de IA razonan, planifican y ejecutan tareas de forma autónoma. Son clave para automatizar:

✅ Atención al cliente
✅ Análisis de datos
✅ Generación de contenido
✅ Optimización de procesos internos

Pero ojo: no todas las plataformas sirven para todo. Veamos las mejores opciones.

Top 7 plataformas para construir Agentes de IA en 2025

1. LangChain – La opción más robusta y flexible para empresas.

• ✅ Compatible con múltiples proveedores

• ✅ Gran comunidad de desarrolladores

• ❌ Curva de aprendizaje alta

2. LangGraph – Potencia LangChain con estructura modular.

• ✅ Ideal para flujos de trabajo multi-agente

• ✅ Mayor visibilidad en producción

• ❌ Muchas funciones avanzadas son de pago

3. AutoGen (Microsoft) – Integrado con Azure, pero aún en desarrollo.

• ✅ Arquitectura escalable

• ✅ Buen soporte en el ecosistema Microsoft

• ❌ No 100% listo para producción

4. Semantic Kernel (Microsoft) – Diseñado para empresas grandes.

• ✅ Compatible con Python, Java y C#

• ✅ Estabilidad y soporte garantizados

• ❌ Dependencia de Microsoft Azure

5. LlamaIndex – Perfecto para manejar grandes volúmenes de datos.

• ✅ Integraciones con herramientas clave

• ✅ SaaS especializado en gestión de conocimiento

• ❌ No es ideal para toma de decisiones avanzada

6. AutoGPT – La opción para quienes quieren IA sin programar.

• ✅ No-code y low-code

• ✅ Gran autonomía en tareas

• ❌ Costos elevados en escala

7. CrewAI – Diseñado para flujos de trabajo comerciales.

• ✅ Interfaz amigable

• ✅ Implementación rápida para startups y marketing

• ❌ No es ideal para entornos complejos

¿Cuál es la mejor opción para tu negocio?

Todo depende de lo que necesites:

✔️ Empresas grandes: LangChain, Semantic Kernel

✔️ Startups y PyMEs: AutoGPT, CrewAI

✔️ Procesamiento de datos: LlamaIndex

✔️ Entornos Microsoft: AutoGen, Semantic Kernel

Definir tu objetivo antes de elegir es la clave.

Ahora quiero saber tu opinión

¿Cuál de estas plataformas te llama más la atención? ¿Ya probaste alguna?

Si querés dominar la automatización inteligente y llevar tu negocio al siguiente nivel, te invito a mi curso: De 0 a la Automatización Inteligente. Ahí te enseño paso a paso cómo integrar IA en procesos de negocios de forma eficiente y escalable.

Descúbrelo aquí

De 0 a la Automatización Inteligente

Ir a mi curso

Nos vemos en la próxima edición.