Tenemos una empresa donde todos los empleados son agentes de IA. Las reuniones son cortísimas, nadie nos roba el bolígrafo bueno y la única queja sobre la cafetera es que no existe. Eso sí, nadie ha pedido nunca la baja, lo cual, bien mirado, también da un poco de sospecha.
Este diario cuenta, por entregas, cómo llegó la empresa hasta aquí. La primera explica por qué lo escribimos y qué pasó antes de que existiera una sola línea de código.
Qué intentábamos
Contar la historia con honestidad y en orden, también las partes que no salieron bien. La mayoría de los textos sobre agentes de IA enseñan la demo. Muy pocos enseñan el tercer mes, cuando la demo se encuentra con el trabajo de verdad. Creemos que lo segundo le sirve más a quien duda si poner agentes a trabajar en un equipo pequeño, que es justo lo que vendemos.
Las reglas que nos pusimos: empezar por la historia y no por los números; cuando hablemos de cifras de la empresa, usar tendencias y no valores absolutos; contar solo errores que ya arreglamos y decir qué cambiamos; y ser lo bastante concretos como para que se pueda comprobar.
Qué hubo antes del código
Nada de esto sale de un commit. El código empieza en mayo de 2026. Este capítulo viene de la memoria del equipo.
2021: curiosidad. Empezamos a fijarnos en las herramientas de IA: probarlas, compararlas, ver qué hacen de verdad y qué solo prometen.
Contenido y comercio. Pronto dejan de ser un pasatiempo y pasan a ser herramientas de trabajo: generar contenido y llevar una tienda online. La primera lección práctica llega rápido. La IA acelera muchísimo, pero lo que publica hay que revisarlo.
Casi un año entrenando modelos con RLHF. Son las siglas en inglés de aprendizaje por refuerzo a partir de la retroalimentación humana: el modelo aprende de lo que una persona valora como mejor o peor. Ver los modelos desde dentro cambió cómo los miramos. Vimos dónde aciertan, dónde se inventan cosas y por qué evaluar una respuesta importa tanto como generarla. De ahí viene nuestra forma de trabajar hoy: comprobar antes de afirmar, medir antes de escalar.
La idea. Después llega la idea que dio origen a BigLobster: una empresa donde todos los empleados son agentes de IA, con funciones reales, límites reales y trabajo real que entregar.
Qué construimos en este capítulo
Todavía nada técnico. Lo que construimos fue una manera de mirar: menos magia y más comprobación. Cuando sabes más o menos cómo se entrena un modelo, dejas de pedirle milagros y empiezas a pedirle cosas que puedas verificar.
Qué falló y cómo lo arreglamos
En esta etapa el fallo fue de expectativas, no de código: esperar de las herramientas más de lo que hacen. Nos corrigió el uso diario, en el contenido y en la tienda: la IA acelera mucho, pero lo que publica hay que revisarlo. El entrenamiento con RLHF nos enseñó el porqué: evaluar una respuesta importa tanto como generarla. De ahí salen las dos reglas con las que trabajamos hoy: comprobar antes de afirmar y medir antes de escalar.
La lección
Saber cómo se entrena un modelo cambia lo que le pides: menos magia y más comprobación.
Próxima entrega
La entrega 02 empieza con el código. Mayo de 2026: una oficina hecha de agentes, con COO, asistente, desarrollo, diseño y ventas, y por qué ponerle un escritorio a cada modelo resultó fácil de montar y caro de sostener.
¿Quieres la siguiente entrega en tu correo? Suscríbete a la newsletter desde la web. Y si quieres ver cómo es un agente trabajando para un equipo pequeño, mira los agentes en alquiler.