Servicios07 / 07

Agentes con permisos, no demos

La distancia entre una demo de agente y un agente en producción no es el modelo: es todo lo demás. Permisos acotados, herramientas que no pueden hacer más de lo necesario, un conjunto de evaluación que dice si la nueva versión mejoró o empeoró, y un registro de qué hizo y por qué. Sin eso hay un prototipo impresionante que nadie se atreve a conectar a un sistema real.

Trabajo la IA como se trabaja cualquier otra integración crítica. El agente recibe herramientas explícitas —consultar, calcular, redactar, proponer— a través de MCP, cada una con su contrato y sus límites. Las de escritura requieren aprobación humana cuando tienen efecto contable. Nada de acceso general a la base de datos porque sea más cómodo.

Y se mide. Antes de que un agente toque producción existe un conjunto de casos reales etiquetados con la respuesta correcta, y cada cambio de prompt, de modelo o de herramienta se compara contra él. Es la disciplina de TDD aplicada a un componente no determinista: primero el caso, después la implementación.

Esto no lo digo desde fuera. Mantengo en abierto las piezas de las que hablo: `skills`, una compuerta adversarial de riesgo que bloquea la acción de un agente hasta que una persona la aprueba, compatible con más de cuarenta agentes; `ai-sync-cli`, que sincroniza configuración y capacidades entre agentes e IDEs con MCP nativo; y `bcv-exchange-rate`, una librería de tasas oficiales que además se expone como servidor MCP. Son las herramientas que uso para poner límites a un agente, publicadas para que cualquiera las audite.

Formato
Integración
Fraude
−45%
Enfoque
Agentes + ML
Frontera
MCP
Escribirme
Alcance

¿Qué involucra?

  1. 01Detección de fraude con IA
  2. 02Análisis predictivo financiero
  3. 03Automatización inteligente de procesos
  4. 04Finanzas agénticas: pagos iniciados por agentes con mandato
  5. 05Procesamiento de lenguaje natural y documentos
Método

¿Cómo se aborda?

  1. Paso 01

    Empezar por la decisión, no por el modelo

    Qué decisión se quiere apoyar, quién la toma hoy y con qué información. Si no hay una decisión concreta detrás, lo que se pide no es IA: es un buscador, y sale mucho más barato.

  2. Paso 02

    Herramientas acotadas sobre MCP

    El agente no accede a sistemas, accede a herramientas con contrato: entradas validadas, permisos mínimos, salida tipada. Model Context Protocol da esa frontera de forma estándar y hace que el mismo conjunto sirva para varios clientes y modelos.

  3. Paso 03

    Evaluaciones antes que producción

    Un conjunto de casos etiquetados con la respuesta esperada, ejecutado en cada cambio, con métricas por tipo de error. Sin evaluaciones no se puede decir si una versión es mejor: solo si la última prueba manual salió bien.

  4. Paso 04

    Mandatos y límites cuando hay dinero

    En cuanto el agente puede gastar, el control deja de ser un prompt y pasa a ser un objeto del sistema: un mandato con monto, categoría, contraparte y caducidad, consultable y revocable. Un límite que solo vive en las instrucciones no es un límite.

  5. Paso 05

    Guardarraíles y trazas

    Límites de gasto, tiempos máximos, validación de salida contra esquema y detección de casos fuera de distribución. Cada ejecución queda trazada con sus entradas, sus llamadas a herramientas y su resultado, porque un agente sin auditoría no es auditable por definición.

Finanzas agénticas

Cuando el que paga es un agente

Durante toda la historia de los sistemas de pago, del otro lado hubo una persona. Eso está dejando de ser cierto: cada vez más un agente inicia la compra, contrata el servicio o paga el consumo de una API. Y casi ninguna plataforma financiera está construida para eso.

Las preguntas que aparecen no son teóricas. ¿Quién es el agente ante el sistema, y cómo se distingue del humano que lo desplegó? ¿Cuánto puede gastar, en qué y hasta cuándo? Cuando algo sale mal, ¿la traza permite decir qué instrucción originó el movimiento y quién autorizó el mandato?

Puedo integrarlo porque vengo del otro lado. En Yummy opero pagos de alta transaccionalidad —2 millones de transacciones diarias, medios de pago, conciliación— y ese es exactamente el conocimiento que esto exige: identidad, mandatos revocables, idempotencia, partida doble y auditoría. Que el iniciador sea una máquina no relaja ninguna garantía; la aumenta, porque una máquina reintenta más rápido y más veces que una persona.

  • Identidad y credenciales propias del agente, separadas de las del humano que lo desplegó
  • Mandatos explícitos con monto, categoría, contraparte y caducidad, revocables y auditables
  • Umbral de aprobación humana: por debajo se ejecuta y queda trazado, por encima escala
  • Liquidación con idempotencia y partida doble, igual que cualquier pago entre personas
  • Herramientas financieras acotadas vía MCP, nunca acceso general al core
Evidencia

¿Dónde lo he hecho?

Yummy Inc. · Pagos de alta transaccionalidad
El conocimiento que exigen las finanzas agénticas: identidad, límites, conciliación
2M tx/día
skill-rules · Código abierto
Sincroniza capacidades de agentes entre Claude Code, Cursor y Windsurf
npm
skills · Código abierto
Compuerta adversarial de riesgo: bloquea la acción de un agente hasta que una persona la aprueba
40+ agentes
ai-sync-cli · Código abierto
Sincroniza configuración, skills y sesiones entre agentes e IDEs, con soporte MCP nativo
20+ agentes
bcv-exchange-rate · Código abierto
Librería Node y servidor MCP de tasas oficiales BCV, TRM y PTAX
~700 desc./mes

Las cifras vienen de sistemas en producción. La trayectoria completa está en Sobre mí.

Ejecución

Prácticas y entregables

Prácticas

  • Model Context Protocol
  • Evaluaciones automatizadas
  • Human-in-the-loop por umbral
  • Mandatos revocables
  • Identidad de máquina
  • RAG con fuentes citadas
  • Guardarraíles y validación de esquema
  • Observabilidad de LLM

Entregables

  • Definición de la decisión a apoyar
  • Servidor MCP con herramientas acotadas
  • Conjunto de evaluación con casos reales
  • Modelo de identidad, mandatos y políticas de gasto
  • Trazas, auditoría por instrucción y coste por ejecución

Stack

  • TypeScript
  • MCP
  • Ollama
  • OpenTelemetry
  • PostgreSQL
  • pgvector
Preguntas

Lo que suelen preguntarme

¿Hace falta entrenar un modelo propio?
Rara vez. En la mayoría de los casos el valor está en las herramientas, el contexto y las evaluaciones, no en el modelo. Entrenar tiene sentido cuando hay datos propios que ningún modelo general ha visto y el volumen justifica el coste.
¿Por dónde se empieza con finanzas agénticas?
Por un caso acotado y con tope: pago de consumo de APIs, compras internas con límite, reposición automática. Se define el mandato, se fija el umbral de aprobación y se amplía solo cuando la traza demuestra que se sostiene.
¿Qué pasa con los datos sensibles?
No salen del perímetro si no deben. Se trabaja con minimización, enmascarado antes de la llamada y, cuando el dato no puede salir, con modelos desplegados dentro de la infraestructura del cliente.
¿Cómo se audita algo que decidió un modelo?
Trazando la instrucción, no el razonamiento. Qué mandato estaba vigente, qué herramienta se llamó, con qué parámetros y con qué resultado. Eso es auditable y suficiente; reconstruir el razonamiento del modelo no lo es.
¿Cómo se sabe si el agente está funcionando bien?
Por el conjunto de evaluación y por las métricas en producción: tasa de escalado a humano, tasa de corrección posterior y coste por caso resuelto. Si esas tres no se miden, la respuesta honesta es que no se sabe.
Catálogo
Ver todos

Otros frentes