Construye la Capa de Automatización de tu Equipo: El Patrón de Agente de Pegamento de IA

Hola, gracias por unirte a mi charla. Mi nombre es Shubhra Vishankar Gawahdi, y me especializo en conectar la arquitectura técnica para construir software para organizaciones globales. Mi trabajo se centra en transformar desafíos complejos en sistemas eficientes y centrados en el usuario mediante la arquitectura de flujos de trabajo que convierten la intención humana en productos escalables.

En casi todas las organizaciones, todavía hay una regla oculta. La persona pegamento, esto no es un título de trabajo, es la persona que se convierte en la API humana entre tus herramientas. La que está pagando solo para ejecutar el script, exportar manualmente ese informe o copiar actualizaciones entre Jira, Shields y un documento de estado. Parece productividad, pero en realidad es un impuesto sobre tu recurso más caro, la concentración profunda e ininterrumpida. Tanto la ciencia cognitiva como la práctica de la ingeniería muestran cuán frágil es esa concentración. Una vez que un ingeniero está en un flujo profundo, una sola interrupción puede romper ese estado.

Y los estudios encuentran consistentemente que recuperar la inmersión completa en una tarea compleja lleva alrededor de 20 a 30 minutos. Añade el residuo de atención, donde una parte de tu mente sigue atrapada en la tarea anterior. Este efecto se amplifica aún más con las reuniones diarias y el tiempo dedicado a prepararlas. Cada pequeño ping quema silenciosamente una parte significativa de tu día, resultando en menos problemas difíciles resueltos, más errores y una cultura que recompensa la capacidad de respuesta impulsada por interrupciones sobre las contribuciones estratégicas.

Aprendí esto de la manera difícil. En mi proyecto narrativo de Honores, nuestra historia vivía en Twine. Los activos de audio vivían en otro lugar, y nuestro código de juego estaba lleno de funciones activadas por IDs de diálogo. Cada cambio se convertía en una investigación forense. Buscar en el código, hacer referencias cruzadas con Twine, enviar un mensaje directo al líder narrativo para confirmar la actualización, reconstruir y esperar que nada más se rompiera. El sistema estaba optimizado para la primera versión, no para la segunda. Fue construido para la creación, no para la iteración. Ese dolor se agravó cuando comencé a trabajar en proyectos narrativos educativos multilingües para organizaciones y audiencias globales.

De repente, nuestro contenido tenía que funcionar en English, Hindi, Thai, y Burmese, y más. Para algunos motores, no podíamos pegar texto directamente. Los scripts no latinos requerían codificaciones como Krithidev para Hindi, Zoggi para Burmese, y las vocales Thai se renderizaban incorrectamente sin corrección manual de glifos. El desafío ya no era solo la lógica de la historia. Era toda la canalización, desde la narrativa hasta el contenido renderizado codificado.

Así que construí un plano de colaboración, una Google Sheet, como la única fuente de verdad para la producción. Cada fila se convirtió en una unidad narrativa, un paso de tutorial, una línea de diálogo, un nodo de elección ramificada. Algunas de las columnas que se capturaron son ID de diálogo para desacoplar la narrativa del código, tipo de UI y hablante para impulsar la UI, animación e información del hablante. HasChoice y LinkedDialogueID para definir la ramificación como datos, no código. Columnas de texto localizado para English, Hindi, Burmese, etc. Así los traductores trabajaban en contexto. Columnas de codificación para motores que necesitaban fuentes específicas o mapeos de glifos.

Esta hoja se convirtió en un contrato entre disciplinas. Los escritores veían un guion con estructura, los diseñadores veían un gráfico ajustable. Los traductores trabajaban en contexto, y los desarrolladores consumían datos estructurados en lugar de perseguir IDs codificados. El caos de qué y qué versión está en vivo desapareció, pero surgió un nuevo problema. Cada vez que un traductor terminaba una columna o un escritor corregía un error tipográfico, llegaba el mensaje. La hoja está actualizada, ¿puedes por favor ejecutar la construcción? Me había convertido en la persona pegamento para mi propio sistema, exportando CSVs, ejecutando scripts de codificación y validación, activando construcciones y verificando la cordura de los resultados.

Había resuelto la fragmentación de datos y personificado la fragmentación de procesos. El plano de colaboración capturaba lo que debería suceder, pero el cómo aún pasaba por mi bandeja de entrada. Una vez que ves ese patrón, lo ves en todas partes. La persona pegamento es el desarrollador que debe simplemente desplegarlo. El analista que debe simplemente actualizar el dashboard. El PM que debe reconciliar tickets entre herramientas. Se convierten en un punto único de falla, corren el riesgo de ser un cuello de botella y alcanzan un techo invisible en su carrera.

Valorado por estar siempre disponible, pero incapaz de alejarse para diseñar mejores sistemas. Así que la pregunta clave se convierte en, si hemos automatizado nuestra infraestructura y nuestro despliegue, ¿por qué la orquestación, la capa intermedia, sigue siendo manual? Esa pregunta se cristalizó en un patrón. Plano de colaboración más agente de pegamento AI. El plano de colaboración es una fuente de verdad legible por humanos. Una hoja, base de datos de Notion, o backlog donde los humanos declaran intención de manera estructurada y compartida. El agente de pegamento AI es el orquestador automatizado que observa el plano y ejecuta el trabajo predecible, llamando APIs, ejecutando scripts, activando pipelines.

La magia está en el desacoplamiento. Dejas de ser el pegamento y en su lugar te conviertes en el arquitecto del pegamento. Tu rol cambia de ejecutor a orquestador. Para hacer esto concreto, déjame mostrarte este patrón funcionando de extremo a extremo en un dominio diferente. Un analista de acciones AI autoalojado que produce de manera autónoma un memo de inversión semanal. Aquí, el plano de colaboración es una Google Sheet, que no solo almacena una lista de acciones y sus tickers, sino que codifica mi estrategia. Cada fila representa una acción con datos en vivo, con tickers actualizados a través de Google Finance. Integradores técnicos como promedios móviles exponenciales calculados con fórmulas de hoja de cálculo.

Una columna de porcentaje bajo que mide qué tan cerca está la acción de su mínimo de 52 semanas. Esa estrategia de porcentaje bajo es simple pero efectiva. Enfoca la atención en un candidato cerca de los mínimos que cumple con criterios técnicos básicos. La hoja se convierte en una especificación declarativa.

Cada lunes, analiza las principales n acciones más cercanas a su mínimo de 52 semanas que satisfacen estas condiciones. En otras palabras, la hoja expresa qué analizar y por qué. El agente de pegamento AI es un flujo de trabajo N8n, containerizado con Docker, para que pueda ejecutarse de manera confiable en un solo servidor interno o máquina virtual. Un disparador programado lo despierta cada lunes.

Así es como fluye el trabajo. Extrae listas de seguimiento de la API de Google Sheets. Filtra y ordena por porcentaje bajo.

Selecciona, por ejemplo, los 5 principales candidatos para analizar. Para cada acción, utiliza los nodos de solicitud HTTP para obtener páginas detalladas de un sitio como Screener. Para evitar límites de tasa y bloqueos, las solicitudes se agrupan con concurrencia y retrasos para no saturar el punto final. El HTML se pasa al nodo de extracción HTML de N8n, que utiliza selectores CSS para extraer las tablas que nos interesan. Capitalización de mercado, ratios de valoración, ganancias trimestrales, flujos de efectivo, patrones de participación accionaria, en JSON estructurado.

En este punto, tenemos datos financieros estructurados e indicadores técnicos para cada candidato listos para ser analizados. En lugar de pedir a un modelo que lo haga todo desde HTML bruto hasta el correo electrónico final, componemos agentes especializados con contratos claros. El primer especialista es un agente analista financiero que se ejecuta en DeepSeek porque el razonamiento deliberado y de múltiples pasos sobre entradas estructuradas es exactamente lo que se necesita para el análisis fundamental. Se despliega localmente a través de Olama. En la práctica, ejecutamos DeepSeek en su modo de pensar o deliberar para este paso, alentándolo a razonar a través de las tablas en lugar de saltar a atajos.

Pasamos el JSON del script, capitalización de mercado, PE, tendencias de ganancias, flujos de efectivo, estructura de propiedad, además de las señales técnicas de la hoja. El aviso del sistema es un contrato de canalización. En efecto, eres un analista de acciones fundamentales. Entrada JSON estructurado con campos definidos. Salida un objeto JSON con un esquema estricto. Ticker, resumen de tesis, riesgos clave, visión de valoración, rentabilidad, calidad del flujo de efectivo, nodos de gobernanza y puntuación de confianza entre 0 y 10. No inventes tickers o números. Si faltan datos, márcalos como desconocidos y explica por qué.

Ese contrato restringe al modelo a comportarse como una función. Entrada JSON, salida JSON. También reduce la alucinación al vincularlo explícitamente a la entrada extraída. El ticker siempre proviene de la hoja, por lo que inventar un símbolo simplemente no es una opción. Opcionalmente, un pequeño agente de noticias puede ejecutarse junto a él. Dado el ticker y el nombre de la empresa que recibe, las noticias recientes las comprime y alimenta un resumen corto en un campo adicional en el mismo esquema.

Todo lo demás permanece tabular. El segundo especialista es un agente diseñador web que utiliza el modelo QuenCoder porque produce consistentemente código bien formado y estructurado bajo restricciones, que es exactamente lo que necesita un generador de correos electrónicos HTML. Lo alimentamos al analista JSON con un contrato diferente. Eres un ingeniero front-end generando HTML para correo electrónico. Informes de analistas de entrada, que es un array de objetos JSON con claves definidas. Salida una sola cadena HTML con CSS en línea compatible con planes de correo electrónico comunes, sin scripts y sin CSS externo.

Los requisitos son preservar todos los campos numéricos exactamente. Para cada acción, renderiza una tarjeta de resumen con nombre, ticker, resumen de tesis y una tabla de métricas compacta. Codifica la confianza visualmente con colores o íconos para los niveles de riesgo. Produce solo HTML, sin markdown, sin comentarios. La arquitectura ahora se ve así. El primer paso es nuestro plano de colaboración. Aquí es donde reside nuestra estrategia. El segundo paso es un scraper utilizado para la adquisición de datos determinista. El tercer paso es el analista financiero deep-seek. El cuarto paso es el diseñador web QuenCoder utilizado para la presentación. Y el último paso es el remitente de correos electrónicos utilizado para la entrega. Esto no es una gran inteligencia. Es una canalización de funciones especializadas bien tipadas.

¿Qué sucede cuando las cosas fallan? El flujo de trabajo es idempotente y reiniciable. Cada acción se procesa de manera independiente. Los artefactos intermedios, script.json, analyst.json, fragmentos HTML se persisten como elementos en N8n. Si una solicitud HTTP se agota o una llamada LLM da error, simplemente volvemos a ejecutar ese nodo para esa acción. Volver a ejecutar todo el trabajo del lunes con la misma hoja produce el mismo correo electrónico, no tres duplicados. Tratamos la intervención humana como una característica, no un parche.

Antes de que los correos electrónicos se envíen, el flujo de trabajo se detiene en un nodo de revisión. Puedo inspeccionar el analyst.json para cada acción y el correo electrónico HTML compuesto. Este diseño se alinea con marcos de agentes robustos que enfatizan el estado persistente y el punto de control, para que los agentes con estado puedan pausar para recibir comentarios humanos y luego continuar desde el mismo estado, recuperarse de errores y reanudar sin perder el contexto. Dos detalles adicionales que puedes aplicar son el agrupamiento y el retroceso en las solicitudes HTTP usando las funciones de bucle y demora de N8n para evitar límites de tasa y mantener la canalización robusta. Higiene de selectores CSS.

En el nodo de extracción HTML, apuntando a atributos estables y centralizando sectores para que cuando el diseño del sitio cambie, actualicemos un mapeo en lugar de reescribir todo el flujo. ¿El resultado final? Cada lunes en una sola máquina, una instancia de N8n Dockerizada se comunica con los modelos locales Deep C y Quen a través de Olam, procesa la hoja y envía un memo HTML estructurado. No hay construcción de API por token y los datos financieros sensibles nunca salen de nuestro sistema. Ahora volvamos al patrón de donde comenzamos, el plano de colaboración narrativa. Ya tenemos una hoja donde cada fila es una línea de diálogo o nodo.

Columnas para ID de diálogo, ramificación, texto multilingüe, codificaciones, referencias de audio y sugerencias de UI. En este momento, el patrón de glue-potion es que los escritores y traductores actualizan la hoja, luego avisan a un desarrollador para exportar, validar, codificar y desplegar. El plan para solucionarlo es simple. Agregar una casilla de verificación o columna de estado lista para staging que sea observada por, algunos de ustedes podrían estar pensando, deberíamos usar IA aquí también, pero en su lugar, usaremos automatización.

El primer paso es que el disparador de la casilla de verificación llame a un webhook que ejecute la automatización. Cuando la casilla lista para staging cambia a verdadero para una compilación o un lote de contenido dado, recupera todas las filas relevantes, ejecuta un script de validación para verificar IDs de diálogo faltantes, ramas rotas, localizaciones faltantes o archivos de audio faltantes. Aplica las transformaciones de codificación para idiomas como Hindi y Thai, donde los motores esperan fuentes específicas o ajustes de glifos. Los commits se actualizan en GitHub, y activa una canalización de acciones de GitHub para construir y desplegar en staging.

La mayoría de esto no requiere IA en absoluto. Es automatización determinista y comprobable. Donde la IA ayuda es en la comprensión. Un agente de QA narrativa puede escanear texto para señalar nombres de oradores inconsistentes, variables faltantes o problemas de tono en diferentes idiomas. Un agente de estilo puede sugerir ajustar líneas verbosas, o señalar referencias culturalmente incómodas para localidades específicas. La decisión de despliegue sigue siendo humana. Un escritor o productor marca la casilla. El sistema hace el resto. El punto clave es, usar automatización simple para mover y transformar datos. Usar agentes de IA cuando realmente necesites comprensión, razonamiento o regeneración.

El plano de colaboración es donde los humanos ya codifican la intención. El agente de glue de IA es la capa que convierte de manera confiable esa intención en acción. Entonces, ¿qué significa esto para nosotros como ingenieros y líderes técnicos? Ya hemos automatizado nuestra infraestructura con Terraform y Kubernetes.

Hemos automatizado el despliegue con CI-CD y acciones de GitHub. La superficie que queda por automatizar es la orquestación, el glue manual silencioso que conecta equipos e intenciones. Esto no se trata solo de conveniencia. Se trata de control, costo y capacidad.

Control sobre la privacidad de los datos y la gobernanza al ejecutar modelos localmente con herramientas como Olama y modelos de peso abierto como DeepSeq y QuenCoder mantiene las finanzas, documentos internos y contenido narrativo dentro de tu perímetro. Eso simplifica el cumplimiento y evita el entrenamiento de terceros en tus problemas. Predictibilidad de costos. En lugar de tarifas por token de API, pagas por el cómputo que controlas.