Claude Sonnet ayuda a directivos a montar en 8 horas un director de IA para decisiones difíciles

En una sola jornada laboral, un equipo formado por un CEO, un CTO, un CIO y un ingeniero de IA construyó no un chatbot, sino un asistente de IA para la dirección que sabe discutir con los directivos y no cede su postura bajo presión. En el intensivo cerrado Snow BASE, el proyecto CAITO (Chief AI & Technology Officer) debía tomar decisiones en un caso de crisis de una división minorista y cambiar de opinión solo cuando cambiaran los hechos. El hackathon en Sochi lo organizaron AI Talent Hub de la Universidad ITMO y South HUB.

Los participantes tuvieron ocho horas para resolver el caso: en un gran negocio minorista, el sistema de recomendación se degrada por la deriva estacional de los datos, la infraestructura ya trabaja al límite, los costes de nube crecen más rápido que los ingresos y los nuevos requisitos de la ley rusa 152-FZ elevan el riesgo de multas. El consejo de administración se enfrenta a una elección incómoda: escalar el sistema, congelar el desarrollo o aplazar el lanzamiento, y solo dispone de 14 días para decidir.

El equipo de CAITO construyó en torno a esta tarea un modelo de gestión en el que la IA no debe limitarse a responder preguntas, sino mantener una línea entre los intereses del CEO, el CFO, el COO y el área técnica. Ahí es donde los LLM corrientes suelen fallar. Si el modelo simplemente continúa el diálogo, empieza a adaptarse al último interlocutor, el más insistente: el CEO presiona por crecer a cualquier precio, el CFO exige un ROI inmediato y recorta la inversión, el COO recuerda los SLA y las restricciones operativas. El resultado no es una postura de gestión, sino un espejo de la presión del momento.

Por eso el equipo eligió un enfoque deliberadamente pragmático: primero construir un single-shot reasoning estable, con una llamada al modelo por turno, y solo después comprobar si hace falta un circuito agéntico más complejo. Este modo ofreció una latencia predecible de unos pocos segundos, un único JSON estructurado como salida y una depuración más sencilla en condiciones de hackathon. Como modelo usaron Claude Sonnet, y el servicio se montó con Bun y TypeScript, con acceso a Cloud.ru Foundation Models mediante una API compatible con OpenAI.

La arquitectura de CAITO se apoyaba en tres pilares. El primero es un system prompt con un mandato estricto: el asistente debe formular primero la decisión, luego los argumentos, registrar por separado el conflicto de métricas y no cambiar de postura sin datos nuevos. El segundo es workflow.

yaml, que definía los roles internos, sus pesos y el orden de consulta: primero los hechos de ML y economía, después las restricciones operativas y solo al final la política de gestión. El tercero es la memoria a largo plazo, donde se guardaban por separado los hechos inmutables del caso y un historial vivo de decisiones tomadas, supuestos, KPI y cambios de postura. Esto permitía al sistema recordar el contexto y explicar por qué su opinión se mantenía o cambiaba.

En la defensa, el equipo presentó tres escenarios. En el primero, se enfrentó a CAITO con datos contradictorios y se comprobó en qué fuentes se apoyaba; para reducir el riesgo de alucinaciones, las respuestas empezaron a indicar de dónde salían las cifras clave. En el segundo, el CEO presionó al asistente para actuar de inmediato, pero el sistema mantuvo el marco y respondió que, sin hechos actualizados, solo podía precisar los riesgos, no reescribir la decisión. En el tercero, la presión llegó en oleadas: primero datos nuevos, luego un ataque emocional y después otro paquete de información. Aquí CAITO debía distinguir un cambio real de la situación de una insistencia repetida y revisar su postura solo con hechos.

En paralelo, el equipo logró montar también una alternativa: un pipeline multiagente de diez roles especializados con enrutamiento de tareas propio. En algunas métricas, este esquema ofreció un mejor análisis, sobre todo donde hay que separar con finura las señales nuevas de la presión antigua. Pero en el marco de ocho horas, la ventaja principal no fue la riqueza de la arquitectura, sino su fiabilidad.

En la defensa final, el ganador se eligió según un ranking en el que la evaluación automática aportaba el 70 % y el jurado el 30 %; se valoraron la calidad de las decisiones de gestión y la resistencia al estrés, además de funcionalidad, seguridad, estabilidad, UX y coste. La solución single-shot principal dio al equipo el primer puesto.

De este caso se desprende una conclusión práctica. Para una IA que debe participar en decisiones de gestión, importa menos el número de agentes que un mandato claro, reglas de escalado transparentes y memoria de los supuestos adoptados. Una orquesta multiagente vistosa puede aportar profundidad, pero con un plazo encima suele perder frente a un esquema simple, explicable y estable.

El siguiente paso para CAITO es un agentic workflow con function calling, llamadas asíncronas a los roles, RAG dinámico y trazabilidad completa. Pero el proyecto ya muestra algo más importante: la IA puede asumir buena parte de la preparación de una postura de gestión, mientras que la responsabilidad final y la comprobación de factores no evidentes siguen en manos de una persona.