Agentes de IA en equipo sin mezclar contextos: lanzamiento de Shared Bots en Grok BotArtículo · digest del 29 de octubre
Composición 3D de un cubo central maestro de bot rodeado de celdas personales aisladas sobre fondo blanco cálido
Artículo3 secciones≈ 5 min

Agentes de IA en equipo sin mezclar contextos: lanzamiento de Shared Bots en Grok Bot

Cualquier responsable o líder técnico que haya intentado meter inteligencia artificial en un equipo de ventas o soporte ha sufrido tarde o temprano el «caos de prompts». La historia se repite siempre igual: la empresa compra licencias corporativas para todos, cada comercial monta por su cuenta su propio bot metiendo sus ideas sobre descuentos y normas, y al final los clientes reciben presupuestos contradictorios, la compañía paga suscripciones duplicadas y, cuando alguien se marcha, sus prompts desaparecen con él.

Intentar poner un único bot compartido para todos acaba todavía peor: se mezclan los contextos. Un ejecutivo de cuentas pregunta por un contrato multimillonario y el bot responde arrastrando el contexto de la conversación de la mañana de un becario sobre un pedido pequeño.

En el ecosistema Grok Bot acaban de lanzar una solución elegante para este problema: el mecanismo Shared Bots. Ya vimos cómo funciona el despacho en nuestros artículos sobre bots personales de IA en la práctica: 12 escenarios y la jerarquía de agentes en Grokbot: despachador central. Hoy toca abrir el capó para ver cómo aísla contextos Shared Bots.

Tríada arquitectónica: políticas inmutables, aislamiento de sesiones y Hand-off

Shared Bots se apoya en tres reglas estrictas:

  1. Políticas maestras inmutables (Immutable Read-Only Policies): El administrador de la organización configura un bot maestro: fija el prompt de sistema, las reglas de seguridad y las conexiones con bases de conocimiento (Notion, Confluence, CRM) y APIs internas. Ningún usuario raso puede tocar esa configuración. Cuando el responsable actualiza la instrucción maestra, el cambio se aplica al instante a todo el equipo.
  2. Aislamiento total del estado por usuario (State Sandboxing): Cada empleado interactúa con el bot dentro de un contenedor de sesión estrictamente aislado. El historial de mensajes, cálculos intermedios y variables del cliente están separados criptográficamente: los datos de un comercial jamás se filtran a la ventana de un compañero.
  3. Transferencia entre agentes y escalado humano (Hand-off & Human-in-the-loop): Los agentes pueden pasarse el testigo y el contexto en cadena sin costuras. Si durante una conversación la operación rebasa los límites permitidos (por ejemplo, un vendedor intenta aplicar un descuento superior al 15%), el bot frena la generación y lanza una alerta en Slack al responsable superior.

Manifiesto de configuración de un Shared Bot

El comportamiento del bot corporativo se define de forma declarativa en formato JSON (proposal_bot_config.json):

{
  "botId": "bot_enterprise_proposal_v2",
  "name": "Corporate Proposal Bot",
  "scope": "organization_shared",
  "accessControl": {
    "allowedRoles": ["sales_rep", "account_executive", "sales_lead"],
    "isolateUserSessions": true
  },
  "systemPolicy": {
    "defaultModel": "xai/grok-2-enterprise",
    "basePrompt": "Ты ведущий коммерческий инженер. Формируй предложения строго по стандарту ISO 9001.",
    "maxDiscountWithoutApproval": 0.15
  },
  "escalationRouting": {
    "onThresholdExceeded": {
      "targetBot": "bot_deal_desk_lead",
      "requireHumanSignOff": true,
      "notificationChannel": "slack:#sales-deal-desk"
    }
  }
}

Y este fragmento en Python muestra cómo se transfiere el contexto de una operación (hand-off) hacia un bot especializado en revisar márgenes:

from grok_enterprise import BotSession, EscalationPayload

def process_client_proposal(user_id: str, deal_data: dict):
    # Inicialización de una sesión personal aislada
    session = BotSession.get_or_create(bot_id="bot_enterprise_proposal_v2", user_id=user_id)
    
    # Cálculo de la propuesta comercial
    draft = session.generate_proposal(deal_data)
    
    # Comprobación de las condiciones de escalado
    if draft.discount_percentage > 0.15:
        payload = EscalationPayload(
            source_user=user_id,
            deal_value=draft.total_amount,
            requested_discount=draft.discount_percentage,
            reason=draft.justification
        )
        # Transferencia de la tarea al bot de control financiero (Deal Desk)
        session.trigger_handoff(target_bot="bot_deal_desk_lead", payload=payload)
        return "Предложение отправлено на утверждение коммерческому директору."
        
    return draft.compiled_pdf_url

Caso real SpaceXSI: de 3 horas a 12 minutos por operación

La eficacia de esta arquitectura se demostró en el equipo de ventas de SpaceXSI, que dividió su operativa en un conjunto de 5 bots especializados:

  • Call Prep Bot: Prepara un dosier analítico antes de cada llamada revisando datos públicos de la empresa, noticias del sector y perfiles clave;
  • Proposal Bot: Redacta la propuesta comercial personalizada a partir de los acuerdos cerrados;
  • Deal Desk Bot: Verifica márgenes, ajusta cláusulas legales y valida descuentos;
  • Competitor Watch Bot: Compara la oferta frente a las tarifas recientes de la competencia;
  • Training Bot: Forma a nuevas incorporaciones usando casos reales archivados de operaciones ganadas y perdidas.

El resultado de conectar Proposal Bot y Deal Desk superó las previsiones más optimistas: el tiempo necesario para sacar una propuesta compleja de varias páginas para un cliente corporativo cayó de 3 horas a 12 minutos, reduciendo a cero los errores matemáticos y legales. Los comerciales dejan de perder horas persiguiendo aprobaciones rutinarias y se centran en negociar y cuidar la relación con el cliente.

Quiero un análisis detalladoLos votos ayudan a elegir qué analizar a fondo. Este material tiene 0 votos.
Fuentes · 3