Casos de estudio

Accede a modelos fundacionales desde un solo workspace

Casos de estudio

Accede a modelos fundacionales desde un solo workspace

Envía tareas a Anthropic, Google y OpenAI sin perder contexto.

Un equipo de producto quería acelerar investigación, redacción y apoyo a la toma de decisiones sin obligar a toda la organización a trabajar con un único proveedor de modelos IA. En la práctica, cada área tenía necesidades distintas: algunos flujos se beneficiaban de redacción extensa y coherente, otros de iteración rápida, y otros de resúmenes más orientados a costos. Necesitaban un único flujo de trabajo que permitiera enrutar cada solicitud al proveedor más adecuado, manteniendo en un solo lugar el contenido, el contexto y un registro centralizado.

El equipo trabajaba de forma transversal entre producto, ingeniería y operaciones, con responsabilidades compartidas sobre documentación para clientes y habilitación interna. Ya utilizaban varias herramientas de distintos proveedores de IA, pero el costo de alternar herramientas era relevante: configuración repetida de prompts, resultados dispersos y poca visibilidad sobre qué se había generado y por qué.

El reto

  • Distintos flujos requerían fortalezas diferentes. Los redactores priorizaban consistencia y tono, los analistas necesitaban extracción y resúmenes estructurados, y los ingenieros valoraban velocidad y formato predecible.
  • Cambiar entre proveedores de IA provocaba pérdida de contexto y trabajo duplicado. Prompts, restricciones y material de referencia se reconstruían repetidamente en distintas herramientas.
  • Resultaba difícil revisar resultados a posteriori. En muchos casos no era sencillo identificar qué modelo de IA había generado un resultado, qué datos de entrada se utilizaron o quién aprobó la versión final.
  • El control de costos estaba fragmentado. El consumo era visible por proveedor de IA, pero costaba atribuirlo a proyectos, equipos o categorías de tareas sin trabajo manual adicional.

Cómo ayudó Mini Agent

  • Las solicitudes se creaban como tareas y se canalizaban a un proveedor de IA según el tipo de trabajo (por ejemplo: borradores extensos, extracción estructurada o iteración rápida), sin necesidad de saltar entre herramientas de IA.
  • Cada tarea conservaba el contexto de trabajo: solicitud original, restricciones relevantes, archivos adjuntos y el resultado quedaba vinculado en una misma línea de tiempo para revisión posterior.
  • La propiedad y la revisión quedaban explícitas. Los responsables podían asignar tareas, pedir revisiones y seguir el estado sin depender de conversaciones paralelas o traspasos copiando y pegando.
  • El equipo definió pautas internas ligeras (qué tipos de tareas van a qué proveedor de IA, cuándo pedir una segunda revisión y qué requiere un verificación humana) sin alterar los hábitos diarios de colaboración.

Resultado

Durante las primeras semanas, el equipo redujo traspasos y retrabajo asociados a prompts duplicados y falta de contexto. El cambio más relevante fue operativo: solicitudes, entradas y resultados quedaron mejor documentados y eran más fáciles de revisar a posteriori, y se volvió más claro quién era dueño del siguiente paso en cada momento. Mini Agent se consolidó como punto de entrada compartido para el trabajo con modelos fundacionales, manteniendo la flexibilidad de elegir proveedor según la necesidad de cada tarea en lugar de una decisión única.

modelos fundacionalesmulti-modeloAnthropicGoogleOpenAI