La historia no empezó con una promesa de IA, sino con 130 días de uso continuo, pruebas, errores, aprendizajes y construcción de una mesa real de trabajo.
En los últimos 130 días he consumido más de 7.000 millones de tokens.
La cifra suena grande, pero para mí lo importante no es el número. Lo importante es para qué sirvió.
No los usé solamente para programar. Los usé para aprender a construir una mesa real de trabajo con inteligencia artificial: agentes, fuentes, documentos, datos, memoria, correos, reportes vivos, automatizaciones, conversaciones y procesos que empiezan a trabajar con continuidad.
La IA aplicada no se entiende en abstracto. Se entiende cuando uno la conecta con trabajo real.
Por eso quiero empezar a mostrar algunos de los proyectos que hemos venido construyendo desde ATIEMPPO Lab. No como demos perfectas ni como piezas aisladas, sino como casos vivos que explican una forma distinta de trabajar con inteligencia artificial.
1. Bruno y OpenClaw: una IA que no solo responde, también hace
Bruno representa un cambio importante: pasar de una IA que conversa a una IA que puede ayudar a mover trabajo real.
Puede revisar información, coordinar agentes, consultar fuentes, preparar documentos, leer correos, activar flujos, dejar evidencia, ordenar entregables y ayudar a que una solicitud avance hasta convertirse en resultado.
Bruno no se presenta como un bot suelto: funciona como orquestador, con memoria operativa, criterio y capacidad de coordinar trabajo entre herramientas y agentes.
2. Novedades en Vías: monitoreo logístico con agentes especializados
En logística, una novedad vial puede cambiar una ruta, retrasar una entrega, afectar una promesa comercial o generar sobrecostos antes de que la información llegue ordenada a todos los equipos.
Novedades en Vías muestra cómo un agente especializado puede monitorear fuentes oficiales, concesiones, redes sociales y reportes de autoridad para separar señal de ruido y entregar una lectura útil para tomar decisiones.
Novedades en Vías convierte señales dispersas en cortes útiles para operación: qué cambió, qué corredor mirar y qué fuente respalda la lectura.
Únete al grupo de WhatsApp de Novedades en Vías
Escanea el QR o entra desde el enlace para recibir alertas y cortes operativos sobre novedades viales que pueden afectar decisiones logísticas.
3. El Dato Logístico: un sistema editorial vivo
En transporte, comercio exterior y logística sobra información: noticias, datos, documentos, normas, bloqueos, reportes portuarios, costos, bases públicas, redes sociales y conversaciones técnicas.
Pero tener más información no significa tener más criterio. El Dato Logístico muestra cómo usar agentes de IA para crear un sistema editorial vivo: monitorear señales, ordenar temas, priorizar ángulos, redactar borradores, consultar datos y construir reportes vivos.
El Dato Logístico funciona como sistema editorial vivo: no solo publica textos, también organiza señales, audiencias, reportes y temas recurrentes.
Los reportes vivos llevan el análisis a una superficie explorable: mapas, filtros, rangos, rutas y lectura ejecutiva en un mismo lugar.
4. Profe Bruno: aprender IA trabajando sobre casos reales
Después de meses construyendo esta mesa de trabajo, hay una conclusión que se repite: la IA no se adopta solo comprando herramientas. Se adopta cuando las personas aprenden a usarla con criterio en su trabajo diario.
Profe Bruno nace para ayudar a personas y equipos a aprender IA aplicada con casos reales: trabajar con documentos y fuentes, revisar resultados, convertir tareas repetidas en flujos, crear prompts reutilizables, entender agentes y construir una mesa de trabajo propia.
Profe Bruno nace de esta práctica: enseñar a construir una mesa de trabajo propia, con fuentes, memoria, agentes y entregables que se puedan revisar.
Lo que tienen en común
Estos cuatro proyectos parecen distintos, pero comparten la misma arquitectura de pensamiento: definir un problema concreto, identificar fuentes, crear reglas de trabajo, usar agentes especializados, mantener memoria, producir entregables y revisar con evidencia.
Ese patrón es lo que queremos llevar a más empresas: no una IA genérica, no una demo, no una promesa abstracta, sino sistemas de IA aplicados a procesos reales.
Lee la serie completa en ATIEMPPO
Esta pieza conecta cuatro casos. En cada artículo profundizamos en el proyecto, el proceso y lo que estamos aprendiendo.
Si tu empresa quiere identificar qué procesos pueden convertirse en agentes, reportes vivos, bases de conocimiento o mesas de trabajo con IA, conversemos.
