Es razonable preguntar, antes de confiar en cualquier afirmación de “IA que aprende tu negocio”: ¿lo aprende cómo, exactamente, y cómo sabría alguien si de verdad funcionó? La mayoría de las veces, la respuesta honesta es que no. El modelo es el mismo modelo el primer día y el día trescientos, y cualquier sensación de mejora en realidad es solo que tú te has vuelto mejor escribiendo prompts.
Queríamos una respuesta real para nuestro propio producto, no una cómoda. Así que lo probamos de dos formas distintas.
El camino lento: una empresa simulada, doce meses
AlphaForge es un estudio de marca que usamos como simulación: un arco realista de doce meses ejecutado contra el producto en vivo, con documentos reales y patrones de uso reales, aunque no sea un cliente de pago. Al principio, la misma pregunta, “cuánto deberíamos cobrar por un proyecto como este”, recibía una respuesta genérica, porque todavía no había nada en el Vault en lo que apoyarla.
Seis semanas después, siempre que la fundadora realmente se sentaba a hacerlo, no según un calendario fijo, llegó el primer Alignment mensual estructurado. Para entonces el Vault en realidad no partía de cero: notas en bruto y la actividad que ya se estaba acumulando del trabajo real con clientes se habían ido acumulando en silencio todo ese tiempo. El Alignment le dio forma a eso. La siguiente vez que surgió la pregunta de precios, la respuesta fue distinta: hacía referencia a una filosofía de precios realmente documentada, mencionaba a un cliente reciente concreto por su nombre, recuperaba una metodología escrita una vez, en una nota en bruto de cincuenta palabras, semanas antes. Para el sexto mes, citaba patrones de cuatro proyectos pasados y una observación concreta del equipo sobre cómo se comporta cierto tipo de cliente. Para el mes doce, redactar una propuesta que antes tomaba seis horas tomaba cuarenta y cinco minutos, no porque nadie escribiera más rápido, sino porque el sistema ya conocía el alcance, las objeciones y el lenguaje que suele funcionar.
Ese es el mecanismo, dicho sin rodeos: cada Alignment mensual, cada observación del equipo, cada patrón de presupuesto, y la actividad diaria ordinaria de por medio, se escribe en el Vault, y cada respuesta futura se ensambla con ese historial como contexto de base. Más acumulación tampoco significa respuestas más ruidosas. Curatoria, el propio agente de mantenimiento del Vault, cura y resume a medida que crece, archivando en lugar de eliminar, siempre con la aprobación humana primero. No es un modelo más grande. Es el mismo modelo con un lugar real, y cada vez mejor cuidado, donde buscar cosas.
El camino rápido: un mes controlado, verificado contra una factura real
La historia de doce meses es convincente, pero lenta de verificar de forma independiente. Así que también ejecutamos algo más rápido y más frío: una simulación de un mes completamente controlada. Cuatro personas, una fundadora, tres miembros del equipo, consultas reales, conversaciones reales con clientes, presupuestos reales, cada interacción de IA sin excepción una llamada genuina a un modelo en vivo, no un guion recitando respuestas preescritas.
De ahí salieron dos cosas.
El coste fue insignificante. Revisamos la factura de IA antes y después. Todo el mes simulado, equipo de cuatro personas, costó menos de un dólar, en total, no por usuario. El miedo a que las funciones de IA se conviertan en silencio en una segunda suscripción cara no se sostiene a esta escala, incluso multiplicado generosamente para un equipo mucho más ocupado.
La honestidad aguantó bajo presión, que es la parte que realmente nos importa. Al final de ese mes, le pedimos a la capa de revisión estratégica del sistema que mirara hacia atrás lo que había pasado. Se habían redactado y aprobado siete presupuestos, un mes que en el papel parecía ajetreado. Una herramienta construida para mantenerte enganchado habría llamado a eso un mes estupendo. La nuestra no:
“Seis meses después, la empresa todavía solo está escribiendo propuestas… Ilusión de pipeline: un alto volumen de borradores aprobados crea una falsa señal de progreso mientras no se materializan ni ingresos ni trabajo con clientes.”
Nadie le pidió que encontrara un problema. Miró el patrón real, borradores que aumentan, nada que se convierte en trabajo pagado, y lo dijo, sin rodeos, en un lenguaje que haría sentir a cualquiera un poco incómodo leyéndolo sobre su propio mes. Esa incomodidad es el objetivo. Un sistema que solo te da buenas noticias en realidad no está prestando atención.
Por qué esto importa más que la cifra llamativa
Sería fácil empezar con “nuestra IA se vuelve más inteligente con el tiempo” y dejarlo ahí, porque esa es la versión cómoda. La versión menos cómoda, más útil, es esta: un sistema de memoria solo merece confianza si también está dispuesto a ser el que te dice algo que no querías oír. Construimos la acumulación específicamente para que el sistema tuviera suficiente historial real como para notar patrones del tipo “esto sigue sin convertir”, no solo para sonar más impresionante en una llamada de ventas.
La apuesta detrás de la acumulación
Hay una pregunta más grande debajo de todo esto, que vale la pena decir sin rodeos: ¿qué pasa cuando cada negocio empieza a funcionar con una IA entrenada para dar a todos más o menos la misma respuesta? Una IA genérica por defecto no solo arriesga estar equivocada a veces. Arriesga que cada negocio que se apoye en ella empiece a parecerse, sonar igual, tomar las mismas decisiones, porque el modelo no tiene memoria de lo que realmente hace diferente a esta empresa de la de al lado.
La apuesta detrás de la acumulación de Craft11 va en la otra dirección. No un modelo más grande que da respuestas genéricas más inteligentes, sino el mismo modelo con un lugar real, específico y privado donde buscar cosas, que aprende con un negocio en lugar de solo aprender sobre los negocios en general, lo bastante barato como para que operarlo nunca sea un compromiso. Menos de un dólar por un mes de uso real no es solo una cifra bonita. Es lo que hace posible dar a un equipo pequeño el tipo de memoria institucional estructurada que antes solo las grandes empresas podían permitirse, sin cobrarles de más por ese privilegio.
Por eso la IA aquí tampoco fue pensada nunca como el punto final. Es el punto de partida. Imagina cincuenta empresas distintas usando Craft11 en cincuenta sectores distintos, dentro de tres o cinco años. La interfaz se verá casi idéntica en las cincuenta pantallas. Lo que hay realmente dentro de cada una, la filosofía de precios, los patrones de clientes, los cientos de pequeñas decisiones de criterio acumuladas un Alignment mensual a la vez, no tendrán nada en común. Ese es el objetivo, no un efecto secundario. La IA aquí está pensada para apoyar la diversidad de cómo cincuenta líderes distintos eligen dirigir su negocio, no para aplanarla en una sola “mejor práctica” hacia la que todos son empujados. La acumulación es el producto. La IA es solo lo que hace posible la acumulación.
Doce meses de la historia de AlphaForge muestran cómo se siente la acumulación desde dentro. Un mes real de simulación verificada contra una factura muestra cuánto cuesta y si se mantiene honesta bajo presión. Preferimos mostrarte ambas cosas antes que pedirte que te fíes de cualquiera de las dos sin más.