Qué puede y qué no
El alcance del agente queda explícito: qué decisiones toma solo, cuáles escala y qué nunca hace sin aprobación.
Agentes de IA
Agentes que hacen el trabajo, no que lo simulan.
Un agente impresiona en la demo y falla en producción cuando nadie definió cómo se evalúa lo que produce. Construimos agentes con reglas explícitas, criterios de evaluación y control humano en los puntos donde el error cuesta caro.
$ moxe agentes --problema
El problema no es que el agente funcione: es saber si lo hizo bien
Montar un agente hoy es fácil. Lo difícil es responder cómo sabes que lo que produjo sirve, qué pasa cuando se equivoca y quién se da cuenta. Sin eso, un agente es una fuente de trabajo nueva, no menos trabajo.
$ moxe agentes --sintomas
- El agente funciona en las pruebas y falla con casos reales.
- Nadie sabe definir cuándo una salida es buena o mala.
- Cuando se equivoca, el error llega al cliente antes que a ustedes.
- Cada mejora rompe algo que antes funcionaba.
$ moxe agentes --entregables
Lo que queda funcionando.
Cómo se mide lo que produce
Definimos los criterios con los que se juzga cada salida. Sin esto no hay forma de mejorar el agente sin romperlo.
Corre y avisa
Queda en producción con trazabilidad: qué hizo, con qué entrada y cuánto costó cada ejecución.
$ moxe agentes --evidencia
Ya lo construimos antes.
Capacidades sobre problemas concretos, no plantillas comerciales.
Edtech con agentes
Agentes que generan, evalúan y mejoran contenido bajo reglas pedagógicas. Lo difícil fue justamente definir cómo se evalúa lo que producen.
Contenido con recuperación
Producción editorial con recuperación sobre fuentes propias, línea editorial y revisión humana antes de publicar.
Gen, producto propio
Ejecución del mismo input contra OpenAI, Anthropic y Google en paralelo, comparando salida, costo y latencia antes de elegir qué persiste.
$ moxe agentes --pasos
Tres pasos, sin sorpresas.
Definimos la tarea
Qué debe lograr el agente, con qué insumos y bajo qué restricciones. Cuanto más concreta la tarea, mejor el agente.
Fijamos cómo se evalúa
Antes de construir: qué hace que una salida sea aceptable. Es el paso que casi siempre se salta y el que decide si funciona.
Construimos y ponemos a correr
En producción, con control humano en los puntos críticos y costos visibles por ejecución.
$ moxe agentes --faq
Lo que suelen preguntarnos.
¿Qué diferencia hay entre esto y un chatbot?
Un chatbot conversa; un agente ejecuta tareas y produce un resultado que alguien va a usar. Por eso el foco está en cómo se evalúa lo que produce, no en cómo responde.
¿Con qué modelos trabajan?
OpenAI, Anthropic y Google. En Gen, nuestro producto propio, corremos el mismo input contra los tres y comparamos salida, costo y latencia; el modelo se elige con evidencia, no por preferencia.
¿Qué pasa si el agente se equivoca?
Se diseña asumiendo que va a equivocarse. Por eso definimos desde el inicio qué decide solo, qué escala a una persona y cómo queda registrado.
¿Se queda alguien de ustedes operándolo?
Depende del acuerdo. Puede quedar operado por tu equipo con documentación, o acompañarlo nosotros mientras se estabiliza.
$ moxe conversar --caso
¿Qué tarea querrías que se resolviera sola?
$ moxe soluciones --otras
Otras formas de resolverlo.
Automatización con IA Automatizamos procesos que hoy dependen de trabajo manual y disperso: datos, revisión y contenido. Software que opera, con criterio humano donde importa. Inteligencia de datos Convertimos fuentes dispersas en datos limpios y comparables: monitoreo de precios, datasets a medida e inteligencia de mercado con validación humana. Desarrollo de producto Estudio AI-first que construye software que opera en producción. Trabajamos por encargo o como joint venture, con productos propios como evidencia.