PARA CTOs Y EQUIPOS DE INGENIERÍA
El primer agente en producción es un sprint. Lo que sigue —evals en cada cambio, guardrails, aislamiento de datos, un canal más, el caso borde de ayer— es un equipo dedicado por tiempo indefinido. Acá está la arquitectura completa, sin capa de marketing.
ACME Cloud
Nera · asistente · en línea
Operando en producción para
Nada de esto es un modo especial para clientes técnicos: es la vara que sostiene cada asistente en producción. Lo único que cambia en esta página es el nivel de detalle con el que se cuenta.
WhatsApp, chat in-app, SDK móvil, email y el helpdesk que el equipo ya opera — Intercom, Zendesk, Pylon — donde el agente entra como un agente más, no como un reemplazo del sistema.
No es un guardrail: es la arquitectura por default. El modelo nunca recibe datos de otro usuario, porque la lógica que arma el contexto es determinística y no depende de que el modelo se porte bien.
Cada integración pasa por una capa de middleware del lado del cliente. Lo que se decide no compartir, StudioChat no lo ve — el control queda del lado del cliente por diseño, no por promesa.
Alucinaciones, inyección de prompt y acciones irreversibles se validan antes de que la respuesta salga, de forma automática o con revisión humana. El mismo guardrail que corre en producción se puede hostear para que el equipo de seguridad lo pruebe en vez de leerlo en un PDF.
Cada cambio de instrucción se corre contra conversaciones sintéticas antes de salir: un judge marca lo que se desvía de la política y una muestra la revisa una persona. Sin esta capa, un cambio de prompt es un deploy sin tests.
Razonamiento y citas por respuesta, historial completo de datos consultados y acciones tomadas, versionado de los asistentes con autor y fecha. Cifrado en tránsito y en reposo, 2FA para todos los usuarios y retención configurable por el cliente.
Seguridad de LLM, seguridad de agentes, control del cliente e infraestructura no son la misma capa — cada una protege algo distinto, y el agente deja rastro de todo lo que hace en el medio.
Un modelo de lenguaje puede tomar una decisión errónea — borrar algo que no debía, inventar un dato que no existe (como un CBU), o disparar el gasto sin control. Los guardrails validan lo que el agente va a responder antes de que lo responda, de forma automática o manual, cubriendo alucinaciones e inyecciones de prompt.
Cada integración pasa por una capa de middleware que el cliente configura — StudioChat no puede ver los datos que el cliente decide no compartir. El control queda del lado del cliente, por diseño.
El miedo más común es que el agente haga algo sin que nadie se entere. Por eso cada respuesta queda comentada con su razonamiento y sus citas — no hay una caja negra actuando sin dejar rastro.
La pregunta honesta no es si el equipo puede construirlo — casi siempre puede. Es contra qué parte del roadmap se paga mantenerlo, todos los meses, para siempre.
3 a 6 meses hasta el primer agente en producción.
Y otros 3 a 6 meses para aprender lo que se aprende viendo muchos clientes a la vez.
Casi ningún equipo escribe su propia base de datos columnar para poder consultar sus logs, y sin embargo la capacidad de escribirla no está en duda. Lo que se compra no es la capacidad: es no tener que sostenerla.
Un ticket resuelto por IA cuesta entre $0,50 y $2,37, contra $2,70 a $5,60 resuelto por una persona.
Lorikeet, benchmarks de costo por ticket, 2026.
“Joaquina resuelve sola el 70% de las conversaciones, pero lo más valorable es el seguimiento que nos dan como clientes y la atención personalizada — saben adaptarse a las necesidades del equipo.”
Se asume que se va a equivocar y el sistema se diseña alrededor de eso. Los guardrails validan la respuesta antes de que salga —alucinaciones, inyección de prompt, acciones irreversibles— de forma automática o con revisión humana, y todo lo que queda fuera de los límites definidos se deriva a una persona en vez de improvisarse. El mismo guardrail que corre en producción se puede hostear para que el equipo de seguridad lo pruebe.
Con evals: conversaciones sintéticas que se corren contra el asistente antes de publicar el cambio, un LLM-as-judge que marca los desvíos respecto de la política, y muestreo humano sobre conversaciones reales. Sin esa capa, cambiar un prompt es hacer deploy sin tests.
Por arquitectura, no por instrucción. La lógica que decide qué información entra en cada conversación está en código y es determinística — el modelo nunca recibe datos que no correspondan a esa conversación, así que no puede filtrarlos aunque se lo pidan de forma creativa.
Los que la empresa decida. Cada integración pasa por una capa de middleware que configura el cliente: lo que se decide no compartir no llega, y el control de esa decisión queda del lado del cliente por diseño.
Cada respuesta queda con su razonamiento y sus citas, cada conversación con los datos consultados y las acciones ejecutadas, y cada cambio sobre un asistente queda versionado con autor y fecha. La infraestructura suma cifrado en tránsito y en reposo, 2FA para todos los usuarios y retención configurable por el cliente.
Esa decisión es de cada equipo. La cuenta suele ser esta: 3 a 6 meses hasta el primer agente en producción, y otros tantos para aprender lo que se aprende viendo muchos clientes a la vez. Un ticket resuelto por IA cuesta entre $0,50 y $2,37 contra $2,70 a $5,60 resuelto por una persona (Lorikeet, 2026), y ese diferencial empieza a contar recién cuando el sistema se sostiene solo: evals en cada cambio, guardrails, aislamiento de datos, cada canal nuevo. Sostener eso es el producto.