16 solicitudes y 262 verificaciones en 6,5 minutos: cómo tres agentes de IA autónomos resuelven una tarea empresarial en directo

• Velocidad de procesamiento del lote: 6,5 minutos con Codex, frente a un ciclo completo de 109 minutos incluyendo la generación de artefactos
• Volumen de trabajo realizado: 16 mensajes entrantes, 15 solicitudes válidas y 262 verificaciones superadas
• Participación humana en el ciclo largo: 1 prompt inicial y 3 correcciones por voz sobre la marcha
• Entornos puestos a prueba: Codex, un enjambre de subagentes en Claude Code y el agente de voz Hermes

Durante un directo hice un experimento: mostré en pantalla una tarea operativa real de un despachador de alquiler de vehículos y le pregunté al chat cuánto tardaría en hacerse a mano. La mayoría de los responsables y operadores con experiencia dijeron entre dos y tres horas. El público no exageraba.

La tarea consistía en reunir 16 solicitudes dispersas de alquiler de maquinaria pesada y vehículos procedentes de tres fuentes distintas, cotejar las fechas solicitadas con el calendario real de la flota, calcular el coste según la tarifa, comprobar las restricciones y preparar una respuesta personalizada para cada cliente. Para que la prueba fuera honesta, escondí de antemano tres trampas reales dentro del lote.

¿Cómo detecta un agente duplicados, fraudes y solicitudes fuera de

alcance sin ayuda de un despachador?

Un script lineal convencional falla en cuanto los clientes escriben en texto libre o intentan saltarse las reglas. Por eso incluí tres escenarios atípicos en el lote de prueba: 1. Un mismo cliente envió la misma solicitud a la vez por dos aplicaciones de mensajería distintas, con una redacción ligeramente diferente en cada una. 2. En un segundo mensaje, una contraparte proponía un esquema sospechoso: transferir un anticipo a una tarjeta bancaria personal, sin pasar por caja. 3. Una tercera solicitud pedía alquilar un autobús de pasajeros, un vehículo que no existe ni en el calendario ni en el inventario de la flota.

Ejecuté la misma tarea en paralelo en tres entornos de control distintos: Codex, el enjambre de agentes de Claude Code y nuestro circuito de voz Hermes. La primera ejecución en Codex cerró la tarea en seis minutos y medio: el agente realizó 262 verificaciones cruzadas con las hojas de cálculo y el calendario, fusionó con cuidado los mensajes duplicados en una sola ficha, marcó con una alerta roja de seguridad la solicitud que implicaba una transferencia a tarjeta y rechazó educadamente la solicitud del autobús.

¿Qué ocurre dentro de un ciclo autónomo de 109 minutos cuando el

agente se topa con un error?

En la segunda parte del directo, cargamos a los agentes con una construcción completa del entorno, informes y paneles interactivos: todo el maratón autónomo duró 109 minutos con una intervención mínima por mi parte (un prompt inicial y tres breves correcciones por voz).

El momento más revelador quedó registrado en los logs de Claude Code. Durante el filtrado de archivos por ciudad, la herramienta de búsqueda estándar `Glob` no funcionó con las rutas en cirílico, y la consulta para Ekaterimburgo devolvió un resultado vacío. Un bot más limitado se habría limitado a informar que no se encontraron solicitudes para Ekaterimburgo. El agente autónomo, en cambio, detectó una discrepancia en la suma de control, cambió por sí mismo a un script de Python, recontó las filas directamente y llevó la conciliación al cien por cien.

En paralelo, el agente que operaba en el circuito Hermes hablaba conmigo en tiempo real por voz y, sobre la marcha, se escribió a sí mismo la habilidad que le faltaba para manejar un formato de datos no estándar, y luego la aplicó al resto de los archivos.

¿Por qué elegir una herramienta concreta ya no determina el 90% del éxito?

Cuando la misma tarea se resuelve a la vez en tres entornos de agentes distintos, queda claro que depender de un botón o un proveedor concreto ha perdido sentido. Lo que decide el resultado son tres cosas: la capacidad de formular condiciones de contorno claras ("una tarea, una carpeta"), contar con invariantes de verificación estrictos y el hábito de delegar la rutina a la máquina.

La grabación completa de este directo, los prompts originales y el análisis de los logs están disponibles en mi canal de Telegram [@jemal_hamidun](https://t.me/jemal_hamidun). El panel de control de agentes por voz y de escritorio que vieron en la demostración está disponible en el proyecto [Nomad AI](https://nomadnet.ai). Pueden aprender a plantear este tipo de tareas a sus propios agentes en los intensivos de [Hamidun Academy](https://academy.hamidun.com), que ofrece una prueba gratuita de 72 horas, y conseguir un paquete de más de 370 habilidades listas para usar y analizar sus propios casos en directo en [Vibe Club](https://hamidun.com/club).