# Cómo crear un agente de IA para automatización ops URL: https://commandergpt.app/es/journal/como-crear-agente-ia-automatizacion-ops Type: blog Locale: es Published: 2026-09-02 Updated: 2026-09-03 --- > Cómo crear agentes de IA en 4 horas sin frameworks. Define la tarea, encadena los comandos, suma contexto de CRM y limita los bucles. Guía práctica para ops leads con Notion, Slack y Linear. ## Cómo crear un agente de IA para automatización ops: guía práctica sin frameworks Si buscas cómo crear un agente de IA para automatización ops sin lidiar con frameworks de Python ni sprints de seis semanas, esta es tu guía. El patrón base se reduce a cuatro pasos: define la tarea, encadena los comandos, suma contexto y limita los bucles. Para leads de ops que manejan deal reviews, investigación de prospectos o handoffs de CS, la línea de tiempo real es más cercana a 4 horas desde la idea hasta un agente funcional en el Workflow Builder de CommanderGPT. Acá está el playbook. ## Qué separa un agente de un prompt Un prompt responde una vez y se detiene. Un agente ejecuta bucles: recibe una tarea, elige una herramienta, lee el output, elige la siguiente herramienta, y sigue hasta terminar el trabajo. Para un sales ops lead, la diferencia es esta: un prompt te da un resumen de empresa de un solo tiro cuando pegas una URL. Un agente toma el nombre de la empresa desde tu cola de CRM, junta datos públicos, revisa tus notas de la última call, redacta un briefing de 3 puntos, y lo deja en tu doc de prep de reunión. Mismo modelo, palanca completamente distinta. La versión ops de un agente no necesita loops de reflexión ni orquestación multi-agente. Necesita tres cosas: un input definido, una secuencia fija de herramientas, y una condición de salida clara. Arranca por ahí. ![AI agent decision loop visualization with interconnected nodes](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/commandergpt/2026-09/e236b4-inline1.webp) ## Paso 1: Define la tarea única que tu agente va a manejar **Briefing 30 segundos.** Antes de abrir el Workflow Builder, escribí la tarea en una sola oración. Si no podés hacerlo en una oración, la tarea no está lista para automatizarse. Bueno: "Dado un nombre de cuenta, tira datos de LinkedIn + cobertura noticiosa + mi última nota de call, luego redacta un briefing de 3 puntos." No listo: "Ayudame con mi pipeline." Las tareas ops que se automatizan bien son las que hacés más de 10 veces por semana con un input predecible y un formato de output predecible. Deal research antes de una call. Calificación de prospectos desde una lead list. Resumen semanal de métricas desde tu CRM. Resumen de handoff de CS antes de transferencia de cuenta. Elegí uno. Resistí el instinto de automatizar todo de una. Los teams que lanzan agentes funcionales en un día eligen el loop más chico y útil primero. Los teams que pasan tres semanas en un framework todavía están eligiendo su tarea. Un filtro práctico: si podrías pasar la tarea a un junior analyst con un briefing claro, está lista para agente. Si requiere calls de juicio contínuos, no está lista. ## Paso 2: Encadena tus comandos en un workflow Abrí el Workflow Builder de CommanderGPT. La interfaz es un canvas lineal: cada bloque es un comando, cada flecha es data pasando de un paso al siguiente. Para un agente de deal research, la cadena se ve así: - `/research` + el nombre de la cuenta: devuelve un briefing estructurado con tamaño de empresa, noticias recientes, y pain points conocidos. - `/summarize` + el output de research: comprime a 150 palabras, sacando boilerplate. - `/draft-email` + el resumen + el nombre del rep: redacta la primer línea del outreach referenciando el item noticioso específico. 3 comandos, 1 workflow, 0 fricción. La cadena entera corre en menos de 40 segundos por cuenta. Un team de BDRs manejando 30 cuentas por semana recupera aproximadamente 90 minutos de prep time, semanalmente, por rep. Dos reglas para la cadena: **Un comando por trabajo.** No intentes combinar research y drafting en un mega-comando `/mega-research`. Comandos más chicos son más fáciles de debuggear cuando el output sale mal, y reutilizan en otros workflows. **Nombrá la data que pasa.** En el Workflow Builder, cada bloque tiene una variable output nombrada. Llamalas `account_brief`, `compressed_summary`, `outreach_draft`. Cuando algo se rompe a las 11 PM antes de un QBR, vas a saber exactamente qué paso falló. ![Slash command palette in a developer terminal for AI workflow automation](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/commandergpt/2026-09/1572bf-inline2.webp) ## Paso 3: Conecta contexto, memoria y datos de CRM Una cadena de comandos sin contexto sigue siendo solo un prompt rápido. Contexto es lo que hace que el output se sienta como si viniera de alguien que conoce la cuenta. La memoria de contexto de 30 días de CommanderGPT significa que el comando `/research` puede traer calls anteriores con la misma cuenta, emails previos que mandó el rep, y cualquier nota de CRM sincronizada vía la integración de HubSpot o Salesforce. No cableás esto manual. Configurás las fuentes de contexto en el panel de settings del Workflow Builder, y los comandos las jalan automáticamente. Para prep de reunión específicamente, emparejá el workflow con un input de nota de reunión. Si tu team usa un grabador de IA para capturar call notes, alimentá el transcript de la última call como un bloque de contexto en el paso 1. El briefing que el agente produce para la próxima call va a referenciar lo que se dijo en la anterior. Esa es la diferencia entre un resumen de empresa genérico y un briefing real pre-call. **Qué jalar versus qué dejar afuera.** Más contexto no siempre es mejor. Un error común es conectar cada field de CRM disponible y ver al modelo alucinar conexiones entre data points no relacionados. Jala: fecha de última interacción, nota de última call, stage de oportunidad abierta, objecciones conocidas. Deja afuera: historial de billing, tickets de soporte de hace tres años, fields que tu team dejó de actualizar en 2024. Para medir esto: ejecutá el workflow en 5 cuentas que conocés bien. Si el output suena como si fue escrito por alguien que leyó el historial de la cuenta, el contexto es correcto. Si se cubre en todo, tenés demasiado ruido en los inputs. ## Paso 4: Suma guardrails antes de shippear Este es el paso que la mayoría de los teams se salta porque el demo se vio genial y el QBR es mañana. Dos guardrails son no negociables antes de poner un workflow delante de un team completo. **Limita los bucles.** En el Workflow Builder, cada workflow tiene un setting `max_steps`. Poné 10-15 para una cadena de 3 pasos. Un agente confundido sin cap de pasos va a ejecutar bucles en un input inesperado hasta quemar tu presupuesto mensual de tokens. 15 es generalmente suficiente; activa una alerta si excede 8 en una cadena de 3 pasos. **Suma una gate de confirmación para cualquier acción irreversible.** Si el último paso de tu workflow manda un email o postea a Slack, suma un paso de confirmación manual entre el draft y el send. Suena obvio. No lo es. Varios teams lanzaron workflows donde un comando `/draft-email` estaba lo suficientemente cerca de un comando `/send-email` que un autocomplete en el Workflow Builder cabreó la acción equivocada. El costo de un email de outreach accidental a 200 cuentas es más alto que los 3 minutos que el paso de confirmación cuesta por run. Una vez que ejecutaste el workflow 20 veces con una confirmation gate y el output es consistentemente bueno, podés sacar la gate. No antes. ![Minimalist ops workspace with laptop showing workflow diagrams](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/commandergpt/2026-09/ce1ac2-inline3.webp) ## Dónde fallan los agentes ops en la primera semana El modo de fallo es casi siempre context rot, no errores de comando. El workflow corre de diez el lunes. Para el jueves, está jalando data vieja porque la integración de CRM tiene un delay de sync de 48 horas que nadie notó. El agente no te lo dice. Solo produce un briefing que referencia la nota de Q3 en lugar de la call del martes. Regla HQ: suma un check de contexto freshness como el primer bloque en cada workflow. Un comando simple `/check-context-age` que devuelve el timestamp del último sync. Si la data es más vieja que 24 horas, el workflow surface un warning en lugar de correr silenciosamente en inputs viejos. El segundo modo de fallo es prompt drift. Configuraste el comando `/research` en mayo. En agosto, tu ICP se corrió, el formato de outreach cambió, y el team de reps tiene un nuevo template de manejo de objecciones. El comando todavía corre, pero el formato de output ya no matchea lo que nadie usa. Programá una revisión de workflow de 15 minutos cada 6 semanas. Leé los últimos 10 outputs contra el playbook actual. Actualiza el prompt del comando si divergen. El tercer modo de fallo es scope creep desde adentro del team. Alguien suma un cuarto comando a la cadena porque el output estuvo casi bien. Luego un quinto. Para la semana 3, el workflow tiene 8 comandos, la latencia es de 3 minutos por cuenta, y nadie sabe qué comando produce qué campo de output. Mantené las cadenas a 3-5 comandos. Si necesitás más, dividí en dos workflows con un formato de output compartido. ## El playbook para clonar ahora Acá está el workflow exacto para clonar desde la template library de CommanderGPT y empezar a usar hoy. **Workflow: Deal Research + Outreach Draft** - Input: account name (pegá desde CRM o escribí directo) - Step 1: `/research` + account name + context sources: nota de última call, oportunidad stage - Step 2: `/summarize` con constraint de formato: "3 bullets, máx 50 palabras cada una, empezá con el item noticioso más reciente" - Step 3: `/draft-email` con tone: "directo, referencia el item noticioso específico en la primer línea, sin opener relleno" - Output: bloque de briefing + email draft, copiado al clipboard - Guardrail: confirmación manual de send - `max_steps`: 12 Clona este template, conectá tu integración de CRM, ejecutalo en 3 cuentas que conocés bien, y compará el output a lo que tu team actualmente produce manual. Si el delta es menor al 80% de calidad match, el fix casi siempre está en las fuentes de contexto, no en los comandos. Lanza el workflow. Leé el output. Shippea. Los teams viendo el mayor impact de agentes de IA en 2026 no son los que armaron los pipelines multi-agente más sofisticados. Son los que lanzaron una cadena de 3 comandos funcional en la semana 1 e iteraron desde ahí. La arquitectura puede evolucionar. El hábito de shippear no puede esperar. ## Preguntas frecuentes **¿Qué diferencia hay entre CommanderGPT y ChatGPT para ops automation?** ChatGPT requiere que pegues el prompt y el contexto manualmente cada vez. CommanderGPT almacena contexto entre sesiones (30 días), permite encadenar comandos en workflows, y comparte playbooks con teams. Para un deal research de una vez, ChatGPT alcanza. Para un workflow que corre 30 veces por semana con datos sincronizados de CRM, CommanderGPT economiza horas. **¿Puedo empezar con más de una tarea si tengo dos pain points urgentes?** Técnicamente sí, pero no. Los teams que lanzan dos workflows juntos típicamente acaban con ambos en estado incompleto. Lanza uno, ponelo en producción con 20 runs, validá que el contexto y los guardrails funcionan, luego suma el segundo. El segundo va mucho más rápido porque copiás el patrón. **¿Qué hago si el workflow empieza a socar prompts raros al contexto?** Eso es scope creep de comando. Probablemente alguien editó el prompt del paso 1 sin documentarlo. Volvé a la versión guardada, ejecutá 3 accounts conocidas, confirmá que el output es correcto de nuevo. Luego revisá QUÉ cambió en el prompt. **¿Hay un máximo de contexto que un agente puede manejar sin alucinar?** Sí. Si estás pasando más de 15-20k tokens de contexto, el modelo empieza a alucinar conexiones. HQ rule: limpiá a lo más crítico (última call note, open opp stage, known objections). Si necesitás más campos, probablemente la tarea no está bien definida todavía. **¿Cómo sé si mis 3 comandos son los correctos?** Ejecutalos en 10 cuentas reales. Si cada output requiere la misma corrección manual al final, el comando que la produce está mal. Si es diferente por cada cuenta, probablemente necesitás más contexto, no comandos diferentes. **¿Puede un agente manejar bifurcaciones (si A entonces B, si C entonces D)?** Sí, pero mantené las bifurcaciones al mínimo (máx 2-3 branching points). Más de eso y el workflow se vuelve imposible de debuggear. Mejor: dos workflows chicos con output format consistente que uno gigante con N branches. **¿Qué tan frecuente debería updatear el prompt de mis comandos?** Cada 6 semanas, leé 10 outputs recientes contra el playbook actual. Si divergen, actualiza. Si todos los outputs matchean lo que el team sigue usando, los dejás tranqui. Un comando que no muta es un comando que funciona. ## FAQ ### ¿Qué diferencia hay entre CommanderGPT y ChatGPT para ops automation? ChatGPT requiere que pegues el prompt y el contexto manualmente cada vez. CommanderGPT almacena contexto entre sesiones (30 días), permite encadenar comandos en workflows, y comparte playbooks con teams. Para un deal research de una vez, ChatGPT alcanza. Para un workflow que corre 30 veces por semana con datos sincronizados de CRM, CommanderGPT economiza horas. ### ¿Puedo empezar con más de una tarea si tengo dos pain points urgentes? Técnicamente sí, pero no. Los teams que lanzan dos workflows juntos típicamente acaban con ambos en estado incompleto. Lanza uno, ponelo en producción con 20 runs, validá que el contexto y los guardrails funcionan, luego suma el segundo. El segundo va mucho más rápido porque copiás el patrón. ### ¿Qué hago si el workflow empieza a socar prompts raros al contexto? Eso es scope creep de comando. Probablemente alguien editó el prompt del paso 1 sin documentarlo. Volvé a la versión guardada, ejecutá 3 accounts conocidas, confirmá que el output es correcto de nuevo. Luego revisá QUÉ cambió en el prompt. ### ¿Hay un máximo de contexto que un agente puede manejar sin alucinar? Sí. Si estás pasando más de 15-20k tokens de contexto, el modelo empieza a alucinar conexiones. HQ rule: limpiá a lo más crítico (última call note, open opp stage, known objections). Si necesitás más fields, probablemente la tarea no está bien definida todavía. ### ¿Cómo sé si mis 3 comandos son los correctos? Ejecutalos en 10 cuentas reales. Si cada output requiere la misma corrección manual al final, el comando que la produce está mal. Si es diferente por cada cuenta, probablemente necesitás más contexto, no comandos diferentes. ### ¿Puede un agente manejar bifurcaciones (si A entonces B, si C entonces D)? Sí, pero mantené las bifurcaciones al mínimo (máx 2-3 branching points). Más de eso y el workflow se vuelve imposible de debuggear. Mejor: dos workflows chicos con output format consistente que uno gigante con N branches. ### ¿Qué tan frecuente debería updatear el prompt de mis comandos? Cada 6 semanas, leé 10 outputs recientes contra el playbook actual. Si divergen, actualiza. Si todos los outputs matchean lo que el team sigue usando, los dejás tranqui. Un comando que no muta es un comando que funciona.