Una semana implementando IA en un negocio de $10 millones: 6 lecciones duras sobre datos sucios, criterio estético y $100 quemados en dos díasArtículo · digest del 22 de noviembre
Bodegón de producto sobre escritorio de trabajo: muestras de merchandising corporativo con marca, calibrador de latón, reloj de arena y recibo con el cálculo del flujo.
Artículo4 secciones≈ 10 min

Una semana implementando IA en un negocio de $10 millones: 6 lecciones duras sobre datos sucios, criterio estético y $100 quemados en dos días

Al día siguiente de que el equipo de implementación se marchara de las oficinas de la empresa estadounidense Imprint Genius, los propios empleados armaron una propuesta comercial para un cliente real directamente desde un chat de Slack. A los pocos minutos el cliente respondió que se había quedado literalmente con la boca abierta. Acto seguido añadió el pero: se ve genial, aunque por momentos huele demasiado a red neuronal. Un día después descubrieron que, en dos jornadas de pruebas libres en ese mismo chat, el equipo había quemado $100 en generaciones.

Imprint Genius es un negocio tradicional sin nada de postureo de capital riesgo. Su fundador, Isaac Hetzroni, conocido en redes como The Sourcing Guy, lleva diez años dedicado al merchandising corporativo y abastecimiento global: las marcas le piden sudaderas, tazas y regalos, y su equipo busca fábricas, lanza la producción y entrega la mercancía. Su facturación anual superó hace tiempo los $10 millones. En una semana integraron un flujo de IA en esa operación, y salieron a flote todos los tropiezos que aparecen después de las demos bonitas.

Un cuello de botella millonario: propuestas por $4.31 y 20 minutos

Cuando entras a una empresa queriendo automatizar todo de golpe, el proyecto se atasca desde el inicio. En Imprint Genius hicieron lo contrario: dibujaron en papel el recorrido del dinero desde el final hacia el principio y chocaron con un único tapón, la preparación de propuestas comerciales.

Los ejecutivos armaban entre 15 y 20 propuestas al mes y gastaban unas diez horas en cada una: elegir productos, montar el logotipo del cliente, calcular precios y maquetar la presentación. En la práctica, un empleado a tiempo completo se dedicaba solo a diseñar propuestas. Además, nueve de cada diez no cerraban en venta, aunque cada victoria dejaba un primer pedido cercano a $10,000.

Ese punto era ideal porque la IA lo ataca desde tres frentes a la vez: más rápido, más barato y con mejor aspecto. Antes el cliente esperaba la presentación una semana; ahora recibe un enlace el mismo día. Los renders 3D por encargo costaban entre $500 y $1,000 cada uno, mientras que una foto generada del producto con el logotipo cuesta unos ocho centavos. En vez de un PDF estático, el cliente abre una página web privada fácil de ajustar sobre la marcha.

El flujo sigue una cadena clara:

  1. La solicitud llega desde el sitio web o desde Slack.
  2. El scraper web Apify entra al sitio del cliente y extrae el logotipo, los colores corporativos y las tipografías.
  3. El sistema selecciona productos del catálogo y envía la lista a Slack: nada avanza hasta que un gerente humano pulsa aprobar.
  4. El generador crea fotos con la marca y videos de seis segundos, mientras una segunda red neuronal compara el logotipo en cada fotograma con el original para que no se deforme ni un píxel.
  5. El resultado se publica en una página web privada alojada en la nube de Railway, una plataforma donde despliegas servicios web sin lidiar con servidores.

Sobre el código vigila CodeRabbit, un revisor automático con IA que detecta fallos y brechas de seguridad cuando los ingenieros ya se fueron. Por principio, el sistema nunca envía nada por su cuenta al cliente: una persona revisa siempre la página final.

En una prueba real, una propuesta con tres productos, tres fotos y tres videos costó $4.31 en tokens y tomó unos 20 minutos de ejecución. Mantener toda la arquitectura cuesta unos $500 al mes más unos pocos dólares por propuesta, frente al salario de un especialista dedicado entre 150 y 200 horas al maquetado manual.

El techo de los datos y el último 20% de criterio

En papel el flujo lucía impecable hasta que llegó la hora de conectarlo a la base real de Imprint Genius. Los ingenieros cometieron un error clásico: empezaron a construir la automatización y miraron los datos recién a mitad de semana. Ahí descubrieron que en diez años de trabajo el catálogo se había convertido en un rompecabezas desordenado.

Para armar una propuesta, el sistema necesita tres datos por producto: foto limpia, precio y especificaciones. Al pasar la base por el filtro, la realidad fue dura.

Estado del catálogo de Imprint Genius para el flujo de IA

Solo una fracción mínima del surtido llegó al final. A los vendedores humanos ese desorden no les estorbó durante años: guardan precios de memoria, confirman detalles por chat y recuerdan qué tiene cada fábrica. Una red neuronal no puede leer la mente del empleado: lo que no está en la tabla, para ella no existe.

Después la cosa se puso más curiosa. De 1,600 fotos de productos, el algoritmo descartó más de mil porque ya llevaban impresos logotipos de clientes anteriores. No puedes pegar una marca nueva encima de otra. Además, una vez el scraper falló y en lugar del logotipo del cliente trajo de su web un icono ajeno de Costco. Tras ese incidente añadieron la segunda red neuronal de control. Y todo el catálogo junto con la lista de fábricas pasó a Supabase, una base en la nube sobre Postgres que funciona como una gran tabla inteligente legible por personas, aplicaciones y agentes de IA.

El segundo tropiezo apareció al entregar el sistema al equipo. La primera página demo armada por la IA funcionaba bien, pero se veía simple. Al día siguiente, el diseñador de Isaac, llamado Devin, definió el estilo y eligió los productos, y la IA completó las maquetas, fichas y videos. La calidad dio un salto enorme: esa fue justo la página que dejó asombrado al cliente.

Aun así, el cliente percibió la mano de la máquina en textos genéricos y transiciones de video demasiado llamativas. Devin lo comparó con las presentaciones escolares: las mejores usan una sola transición sobria, y las peores meten todos los efectos 3D juntos. Con la IA pasa igual. La red neuronal resuelve el primer 80% del borrador, pero el último 20% es el criterio estético que cierra la venta. Para que los borradores acierten el estilo desde el inicio, las reglas del mejor especialista y sus trabajos exitosos se escriben en las instrucciones del modelo.

Enseñar a pescar y llevar la IA al chat común

Los paneles de control hechos a medida suelen morir en silencio un par de meses después de la entrega. Para otro cliente del sector de viajes de lujo, este mismo equipo construyó un portal propio, y pocos meses después solo seguían usando un par de pantallas. Para otro cliente, Daniel, armaron un sistema enorme con más de 30 pantallas y 13 agentes: al marcharse los consultores, el equipo tuvo que aprender solo a mantenerlo y nadie podía adaptarlo sobre la marcha a tareas nuevas.

En Imprint Genius evitaron esa interfaz pesada. Guardaron los datos en Supabase y empaquetaron toda la lógica para generar propuestas (31 herramientas como analizar sitios, buscar productos y renderizar fotos) en un servidor MCP desplegado en Railway. Dicho de forma sencilla, MCP (Model Context Protocol) es un adaptador estándar mediante el cual cualquier agente compatible usa las herramientas internas de la empresa sin parches artesanales.

Al equipo le dieron dos circuitos a la vez. El primero es individual, con agentes de código como Claude Code o Codex. Enseñaron al personal a resolver problemas por su cuenta: si hace falta una pequeña automatización, la armas sin esperar a un proveedor. En la empresa de Daniel, tras capacitar al equipo con Claude Code, los ingresos por empleado se duplicaron, e Isaac ya construye sus propias microaplicaciones en Railway en lugar de pagar servicios externos por unos dólares al mes.

El segundo circuito es grupal. Una IA que solo usa el fundador en secreto no transforma el negocio. Por eso sumaron al Slack del trabajo al empleado digital Viktor. Tiene una cuenta normal: lo mencionan con @Viktor en el canal común como a un colega más, y se suma al hilo con acceso a la base y a todas las herramientas.

Viktor, empleado de IA para trabajo en equipo dentro de Slack y Microsoft Teams (Fuente: viktor.com)

Pero no basta con soltar un bot en el mensajero: hay que integrarlo en una acción que la gente ya hace todos los días. El panel de Daniel envió más de 250 notificaciones en dos semanas y el equipo atendió solo 15. En cambio, la herramienta para preparar contenido prendió de inmediato porque resolvía su rutina diaria. El equipo de Imprint Genius ya vivía en Slack y armaba propuestas allí, así que el bot encajó de forma natural en la jornada. Un flujo similar funciona muy bien con los mensajes entrantes: el agente separa el spam de clientes y patrocinadores reales, investiga las empresas auténticas y deja la puntuación directo en el chat.

La factura de tokens y el momento de dar un paso atrás

Las redes neuronales tienen una trampa sutil: cada petición cuesta centavos hasta que alguien empieza a pulsar el botón sin freno. El flujo de propuestas en Imprint Genius costaba $4.31 precisamente porque cada paso estaba definido de antemano. En cuanto los empleados empezaron a conversar libremente con Viktor en Slack y a pedir más variantes sobre la marcha, en dos días volaron $100, la mayor parte en generación de video.

También hubo sorpresas con los límites durante la puesta en marcha. El servicio que generaba fotos de producto dejó los créditos en cero dos veces, y la segunda ocurrió en vivo delante del equipo del cliente. Tuvieron que migrar el flujo a otro proveedor ese mismo día.

Cómo recortar la factura de IA sin consultores externos

Si el gasto en API y generación multimedia empieza a subir, pídele al propio sistema de IA que analice sus registros de consumo. El agente detecta rápido los pasos más costosos (casi siempre videos de más o modelos pesados donde bastan opciones baratas) y propone ajustes claros con su impacto en calidad.

Entre la primera versión funcional y una herramienta madura para el volumen real de pedidos siempre hay un tramo importante. Los ingenieros externos arman la estructura en siete días, pero quien mejor y más rápido pule las propuestas es el equipo del cliente: gente que lleva años en el negocio del merchandising, conoce las manías de las fábricas y entiende el gusto del comprador. En cuanto el personal tiene una base limpia, un conjunto claro de herramientas MCP y soltura con un agente de código, la mejor ayuda del integrador es hacerse a un lado a tiempo y volver solo cuando el sistema toque de verdad su límite.

Quiero un análisis detalladoLos votos ayudan a elegir qué analizar a fondo. Este material tiene 0 votos.
Fuentes · 7