Este sitio web utiliza cookies para mejorar su experiencia. Al continuar navegando, acepta nuestra política de cookies.

Configuración de Cookies

Utilizamos cookies para personalizar contenido, proporcionar funciones de redes sociales y analizar nuestro tráfico. También compartimos información sobre su uso de nuestro sitio con nuestros socios de análisis web.

Cookies Necesarias

Estas cookies son esenciales para el funcionamiento del sitio web y no se pueden deshabilitar.

Cookies Analíticas

Estas cookies nos ayudan a entender cómo los visitantes interactúan con el sitio web.

Cookies de Marketing

Estas cookies se utilizan para rastrear a los visitantes en los sitios web con fines publicitarios.

Formación de IA agéntica para el equipo de Condis: de chatear a coworkear

Impartimos una formación de IA agéntica al equipo técnico de Condis. La idea central: el trabajo ya no es escribir el prompt perfecto, sino construir el entorno donde cualquier prompt mediocre da un buen resultado.


Empezamos la sesión con el equipo técnico de Condis con una pregunta: «¿cuántos habéis copiado algo de un chat de IA y lo habéis pegado en otro sitio esta semana?». Se levantaron todas las manos. Ese gesto, copiar y pegar, es justo el que veníamos a quitar de en medio.

Estaba planteada para 90 minutos y acabó durando tres horas. Y era justo lo que buscaba: en cuanto bajas a lo práctico (abrir un CLAUDE.md real y leerlo juntos, enseñar guías de verdad, hacer una prueba en directo), deja de ser una charla sobre IA y cada uno empieza a ver su propio trabajo dentro.

Formación de IA agéntica al equipo técnico de Condis, impartida por Pleasepoint

Chatear no es lo mismo que coworkear

En un chat, el contexto es lo que tú pegas en la ventana. Corriges a mano, cierras la pestaña y la corrección se pierde. La semana que viene la vuelves a hacer.

Comparativa entre chatear en un chat de IA y trabajar con agentes con Claude Code y Cowork

Trabajando con agentes, con Claude Code y Cowork, el contexto es el repositorio entero: los ficheros, las guías, el histórico y las convenciones. La memoria del proyecto se carga sola en cada sesión. Y el agente ejecuta, ve el error y lo arregla, en lugar de devolverte un texto que tienes que revisar a ojo.

El trabajo ya no es escribir el prompt perfecto. El trabajo es construir el entorno donde cualquier prompt mediocre da un resultado bueno.

De ahí salen tres piezas

Todo el marco se sostiene sobre tres piezas que conviene no mezclar.

CLAUDE.md, guías y scripts del proyecto StocksReport
  • CLAUDE.md: la memoria del proyecto. Se lee sola en cada sesión, sin que nadie lo pida. Es un índice y un contrato, no una enciclopedia; cuando pasa de unas 500 líneas empieza a diluir la atención del agente y toca adelgazarlo.
  • Las guías: el conocimiento de cada tarea. Escritas como especificación y no como prosa: obligatorio, prohibido, ruta exacta de entrada y de salida, checklist.
  • Las herramientas: las manos del agente. Conectores, skills y scripts para ejecutar, no solo para redactar.

Una guía se parece más a un contrato de API que a un manual

La diferencia entre una guía que funciona y un apunte que no sirve está en cómo se escribe.

Anatomía de una guía: las nueve secciones de una especificación ejecutable
  • Reglas binarias, no consejos. No «intenta que las frases sean cortas», sino «14 palabras por frase como máximo; si se pasa, rechaza la pieza».
  • Tablas de sustitución, no explicaciones. Nuestra guía de corrección tiene cientos de filas del tipo «gap se escribe brecha, upside se escribe potencial alcista». El agente no interpreta, sustituye.
  • Rutas exactas, no «por ahí». El fichero, la línea aproximada, el identificador. El agente no busca a ciegas: va directo al sitio.

Y una regla que repetimos mucho: la guía no es un documento de buenas intenciones. Es donde se queda escrito lo que ya has aprendido midiendo.

El bucle que hay que interiorizar

Todo se reduce a cuatro pasos, y el tercero es el que marca la diferencia:

  1. Haces la tarea con el agente, con el contexto que ya tiene.
  2. Sale regular y lo corriges a mano. Aquí es donde se queda casi todo el mundo.
  3. Escribes esa corrección en la guía. Este es el trabajo de verdad, el único que se acumula.
  4. La próxima vez sale bien a la primera. Y la siguiente. Y la siguiente.

La diferencia con el chat es que aquí el arreglo se queda. Cada corrección que haces a mano y no escribes en una guía, la vas a volver a hacer la semana que viene.

Un caso real: StocksReport

Para que no fuera una demo bonita, enseñamos nuestro propio proyecto: StocksReport, una plataforma que genera informes de inversión sobre más de 300 empresas cotizadas con una sola persona en el equipo. Marketing, ventas, operativa y desarrollo, todo con el mismo modelo; lo que cambia es el entorno que le dice cuál de esos papeles le toca en cada momento.

Arquitectura del proyecto StocksReport: de la app de escritorio a los datos en Shopify

Ahí se entienden dos decisiones que en un chat ni te planteas. La primera, un modelo distinto para cada tarea: Opus para el análisis y las decisiones difíciles, Sonnet para ejecutar guías bien definidas y Haiku para clasificar y resumir en volumen. La segunda, subagentes para la lectura pesada, como explorar un repositorio entero o auditar treinta ficheros, que te devuelven solo la conclusión y dejan limpio el contexto principal. Al final la regla es simple: una guía floja obliga a Opus a razonar; una guía buena deja que Sonnet ejecute.

Los siete errores que ya hemos cometido

Ninguno lo aprendimos leyendo. Todos nos costaron trabajo que acabó en la basura:

  1. Empezar sin control de versiones. Git desde el primer día: un agente toca muchos ficheros a la vez, y sin un diff no sabes qué ha cambiado ni cómo volver atrás.
  2. Dejar claves y tokens dentro del proyecto. Van fuera, en variables de entorno: el agente lee todo lo que hay dentro de la carpeta.
  3. Validar a ojo con el «tiene buena pinta». Verificación con un script dentro del propio flujo; el agente no se corrige a sí mismo.
  4. Aceptar permisos a golpe de clic. Mejor una lista de permisos revisada y compartida con el equipo.
  5. Tener la raíz del proyecto llena de trastos. Cada fichero suelto le cuesta contexto y atención que necesitas para otra cosa.
  6. Repetir el mismo flujo a mano cada semana. Si lo has escrito tres veces en el chat, ya es un comando.
  7. No medir la calidad de lo que entrega. Apunta qué guía falla más y cuántas correcciones te cuesta cada entregable: eso es lo que te dice qué guía tocar.

Lo que hacemos y nos funciona

Los errores son la mitad de la foto. La otra mitad son las costumbres que, después de meses, se han quedado porque de verdad ahorran trabajo.

Buenas prácticas de trabajo con agentes de IA: CLAUDE.md, guías, verificación y modelo por tarea

Si tuviera que resumirlas en una frase: todo lo que aprendes se queda escrito y todo lo que se entrega se verifica. Un CLAUDE.md corto que se recarga en cada sesión, guías con rutas de entrada y de salida explícitas, el código muerto marcado para que el agente no lo lea, la verificación con un script en vez de con el «me suena bien», y el modelo elegido según la tarea y no siempre el más caro. Nada de esto es teoría: es lo que queda cuando llevas un tiempo midiendo qué falla.

Qué sembramos con el equipo de Condis

El entorno era muy técnico y la conversación, exigente. En cuanto abrimos un CLAUDE.md real, lo leímos juntos, hicimos una prueba en directo y enseñamos guías de verdad, la sesión dejó de llevarla yo solo. Y ahí es cuando se abre el mundo: no solo el desarrollo, también la operativa, el dato y el día a día de cada departamento empiezan a verse dentro.

Sembramos la visión y el camino para llevarlo a su equipo de personas y a su stack de herramientas. Gracias a Josep Jarque y a Sergio Murillo por la confianza y el trato; con ellos uno se siente como en casa.

Primer paso, esta semana: coge la tarea que más veces has copiado y pegado desde un chat este mes. Escríbele una guía. Una sola. Y la próxima vez, no la copies: lánzala.

Si estáis en ese punto, con un equipo técnico y ganas de pasar de chatear a coworkear, hablamos.

Resultados reales de empresas reales

Ve cómo organizaciones de industrias han transformado sus operaciones con inteligencia IA.

Caso de éxito eCommerce PrestaShop: La Real Sociedad.
#01 Historia de éxito

Caso de éxito eCommerce PrestaShop: La Real Sociedad.

El objetivo es ofrecer una experiencia única a los aficionados en cada punto de contacto.

Caso de éxito: Cómo Norauto personaliza sus campañas.
#02 Historia de éxito

Caso de éxito: Cómo Norauto personaliza sus campañas.

Norauto lo tiene claro: Necesitan una estrategia de datos para sus campañas.

Caso de éxito supermercado online: One-to-one para Condis.
#03 Historia de éxito

Caso de éxito supermercado online: One-to-one para Condis.

El desafío de Condis es lograr la personalización one-to-one en tiempo real y en el CRM para cada usuario.

Caso de éxito: Flormar revoluciona la fidelización con IA
#04 Historia de éxito

Caso de éxito: Flormar revoluciona la fidelización con IA

Flormar revoluciona su fidelización con IA predictiva y logra un ticket medio muy superior.

Caso de éxito: Agente de IA para Atelier Libros.
#05 Historia de éxito

Caso de éxito: Agente de IA para Atelier Libros.

Caso de éxito de Atelier Libros: Cómo ofrecer una experiencia eficiente y personalizada en su biblioteca digital.

Mientras tus competidores invierten meses en desarrollos a medida, tú puedes estar en producción esta semana

No más quedarse atrás en la carrera de IA. Elige tu camino: explora la arquitectura técnica en profundidad o salta directamente a un PoC con tus datos reales.

Recorrido de arquitectura técnica
Soporte del equipo de ingeniería incluido

Construido en AWS. Validado por AWS.

Partner ISV-Accelerate con competencias de IA/ML y Retail. La infraestructura en la que confías, la innovación que necesitas.

ISV Partners de AWS
Tecnología IA validada técnicamente por AWS con seguridad enterprise
Qualified Software por AWS
Software verificado y listo para despliegue fácil en el ecosistema AWS
Competencia de retail validada
Especialización validada por AWS en IA para retail con resultados probados