Cuatro proyectos para mostrar cómo estamos construyendo IA aplicada
En los últimos 130 días he consumido más de 7.000 millones de tokens.
La cifra suena grande, pero para mí lo importante no es el número. Lo importante es para qué sirvió.
No los usé solamente para programar. No los usé para hacer pruebas sueltas. No los usé para perseguir cada herramienta nueva que aparece.
Los usé para aprender a construir una mesa real de trabajo con inteligencia artificial.
Una mesa donde hay agentes, fuentes, documentos, datos, memoria, correos, reportes vivos, automatizaciones, conversaciones y procesos que empiezan a trabajar con continuidad.
Y esa experiencia me dejó una convicción cada vez más clara:
la IA aplicada no se entiende en abstracto. Se entiende cuando uno la conecta con trabajo real.
Por eso queremos empezar a mostrar algunos de los proyectos que hemos venido construyendo desde Atiemppo. No como demos perfectas. No como piezas aisladas. Sino como casos vivos que explican una forma distinta de trabajar con inteligencia artificial.
En esta primera serie vamos a mostrar cuatro proyectos.
Cada uno responde a una pregunta distinta:
- qué pasa cuando una IA deja de responder y empieza a ejecutar;
- cómo se monitorea información logística dispersa con agentes especializados;
- cómo se construye un sistema editorial vivo con datos, fuentes y memoria;
- cómo se enseña IA aplicada a personas que no necesariamente son programadoras.
Y este es apenas el comienzo. Seguiremos mostrando más proyectos, aprendizajes y casos a medida que la mesa de trabajo siga creciendo.
La tesis: agentes para procesos reales
Hoy muchas conversaciones sobre inteligencia artificial empiezan por la herramienta.
Qué modelo usar.
Qué aplicación probar.
Qué prompt escribir.
Qué automatización instalar.
Eso importa, pero no debería ser el punto de partida.
El punto de partida debería ser el proceso:
- qué información se repite;
- qué decisiones necesitan mejor contexto;
- qué fuentes hay que revisar;
- qué documentos se consultan todo el tiempo;
- qué reportes se preparan manualmente;
- qué tareas se pierden entre correos, chats y carpetas;
- qué conocimiento se queda disperso en la cabeza de las personas.
Cuando una empresa mira la IA desde ahí, la conversación cambia.
Ya no se trata de “tener un chatbot”. Se trata de diseñar agentes con rol, fuentes, memoria, herramientas, límites y entregables.
Esa es la idea que queremos mostrar con estos cuatro proyectos.
1. Bruno y OpenClaw: una IA que no solo responde, también hace
El primer proyecto es Bruno, nuestro orquestador sobre OpenClaw.
Bruno representa un cambio importante: pasar de una IA que conversa a una IA que puede ayudar a mover trabajo real.
Puede revisar información, coordinar agentes, consultar fuentes, preparar documentos, leer correos, activar flujos, dejar evidencia, ordenar entregables y ayudar a que una solicitud avance hasta convertirse en resultado.
La idea no es que Bruno sea “una IA para todo”. La idea es que funcione como una capa de coordinación: entiende el objetivo, identifica qué herramienta o agente debe intervenir y ayuda a sostener continuidad entre tareas.
Ese punto es clave para las empresas.
Porque muchas organizaciones ya tienen información, documentos, procesos y herramientas. Lo que les falta es una capa que ayude a conectar todo eso con más contexto y menos fricción.
Bruno y OpenClaw muestran esa posibilidad: IA como infraestructura de trabajo, no solo como ventana de chat.
2. Novedades en Vías: monitoreo logístico con agentes especializados
El segundo proyecto es Novedades en Vías.
En logística, una novedad vial puede cambiar una ruta, retrasar una entrega, afectar una promesa comercial o generar sobrecostos antes de que la información llegue ordenada a todos los equipos.
El problema no es que no exista información. El problema es que está fragmentada.
Una parte aparece en fuentes oficiales. Otra en concesiones. Otra en redes sociales. Otra en medios regionales. Otra en reportes de autoridad que cambian durante el día.
Novedades en Vías muestra cómo un agente especializado puede monitorear ese entorno, separar señal de ruido, comparar contra cortes anteriores y entregar una lectura útil para tomar decisiones.
No se trata de listar noticias. Se trata de construir seguimiento.
Qué cambió.
Qué sigue activo.
Qué fuente lo respalda.
Qué corredor requiere vigilancia.
Qué todavía no se puede afirmar.
Este caso muestra algo muy concreto: los agentes de IA pueden ayudar a operaciones logísticas a convertir información dispersa en inteligencia operativa.
Novedades en Vías
Únete al grupo de WhatsApp para recibir alertas y cortes operativos.
Escanea el QR o entra desde el enlace para seguir las novedades viales que pueden afectar decisiones logísticas.
Leer el caso Novedades en Vías
3. El Dato Logístico: un sistema editorial vivo
El tercer proyecto es El Dato Logístico.
En transporte, comercio exterior y logística sobra información: noticias, datos, documentos, normas, bloqueos, reportes portuarios, costos, bases públicas, redes sociales y conversaciones técnicas.
Pero tener más información no significa tener más criterio.
El Dato Logístico muestra cómo usar agentes de IA para crear un sistema editorial vivo: monitorear señales, ordenar temas, priorizar ángulos, redactar borradores, editar piezas, consultar datos y construir reportes vivos.
La diferencia frente a “usar IA para escribir contenido” es enorme.
No se trata de producir textos genéricos. Se trata de crear una operación editorial con fuentes, memoria, trazabilidad y continuidad.
Un hallazgo puede convertirse en artículo.
Un artículo puede alimentar un mapa temático.
Un mapa puede convertirse en reporte vivo.
Un reporte vivo puede actualizarse cuando aparece nueva evidencia.
Ese patrón no sirve solo para un medio. También puede servir para empresas que necesitan observatorios sectoriales, inteligencia competitiva, seguimiento regulatorio, reportes internos o bases de conocimiento consultables.
Leer el caso El Dato Logístico
4. Profe Bruno: aprender IA trabajando sobre casos reales
El cuarto proyecto es Profe Bruno.
Después de meses construyendo esta mesa de trabajo, hay una conclusión que se repite: la IA no se adopta solo comprando herramientas. Se adopta cuando las personas aprenden a usarla con criterio en su trabajo diario.
Por eso Profe Bruno nace como una forma de compartir lo aprendido.
No para convertir a todo el mundo en programador. No para vender humo. No para decir que la IA lo hace todo.
Sino para ayudar a personas y equipos a aprender IA aplicada con casos reales:
- hacer mejores preguntas;
- trabajar con documentos y fuentes;
- revisar resultados antes de usarlos;
- convertir tareas repetidas en flujos;
- crear prompts reutilizables;
- entender qué puede hacer un agente;
- saber cuándo automatizar y cuándo mantener control humano;
- construir una mesa de trabajo propia.
Profe Bruno también cumple un papel comercial importante: la formación puede ser la puerta de entrada a proyectos más grandes.
Un taller puede revelar un proceso que necesita un agente.
Un ejercicio con documentos puede mostrar la necesidad de una base de conocimiento.
Una clase sobre reportes puede convertirse en un flujo automatizado.
Aprender IA, bien hecho, también es descubrir oportunidades.
Lo que tienen en común
Estos cuatro proyectos parecen distintos, pero comparten la misma arquitectura de pensamiento.
Todos parten de una necesidad real.
Bruno coordina trabajo.
Novedades en Vías monitorea señales logísticas.
El Dato Logístico convierte información en inteligencia editorial.
Profe Bruno enseña a construir capacidades de IA desde la práctica.
En todos aparece el mismo patrón:
- definir un problema concreto;
- identificar fuentes;
- crear reglas de trabajo;
- usar agentes especializados;
- mantener memoria;
- producir entregables;
- revisar y mejorar con evidencia.
Ese patrón es lo que queremos llevar a más empresas.
No una IA genérica.
No una demo.
No una promesa abstracta.
Sistemas de IA aplicados a procesos reales.
Seguiremos mostrando
Estos cuatro proyectos son una primera muestra.
Seguiremos publicando más casos, porque la mesa de trabajo no está terminada. Al contrario: cada proyecto abre preguntas nuevas.
Cómo se conversa con bases de datos.
Cómo se automatizan reportes vivos.
Cómo se construyen memorias persistentes.
Cómo se conectan agentes con correo, WhatsApp, documentos y datos.
Cómo se revisa la calidad de lo que produce una IA.
Cómo se forman equipos para que no dependan de una sola persona.
Cómo se convierte una idea en un flujo verificable.
Esa es la exploración que queremos compartir.
Y también es la oferta que queremos construir desde Atiemppo:
ayudar a empresas, equipos y personas a pasar de probar IA a construir capacidades reales.
Una invitación
Si algo he aprendido en estos 130 días es que la inteligencia artificial empieza a volverse poderosa cuando deja de ser una herramienta externa y se convierte en parte de la mesa de trabajo.
Una mesa donde las ideas se convierten en tareas.
Las tareas en flujos.
Los flujos en entregables.
Y los entregables en memoria para seguir aprendiendo.
Esa es la diferencia entre usar IA y construir con IA.
En Atiemppo queremos seguir mostrando ese camino con proyectos concretos.
Cuatro empiezan esta serie.
Vendrán más.
Si tu empresa quiere identificar qué procesos pueden convertirse en agentes, reportes vivos, bases de conocimiento o mesas de trabajo con IA, conversemos.