Un modelo de frontera ya sabe programar, analizar datos y razonar sobre una campaña. Lo que le falta para trabajar de verdad no es inteligencia: es acceso controlado, herramientas concretas y memoria. Eso es un harness, y es lo que estamos construyendo: una herramienta para que un agente de IA resuelva problemas de tecnología y marketing digital, haga todo lo que sí puede hacer y delegue lo que no.
Cómo trabaja
Recibe pedidos en lenguaje natural (panel web, WhatsApp, MCP, otros agentes o el gestor de tareas del equipo) y decide qué hacer con cada uno:
- Responde si es una consulta directa.
- Investiga en solo lectura si hay que mirar código, bases, logs o métricas.
- Ejecuta si es un cambio u operación: en código, aplica el cambio, corre los tests y solo con todo en verde hace push (el deploy lo hace el CI); en plataformas, valida antes, aplica y relee.
- Delega si no puede terminar: elige a la persona más adecuada para lo que falta, sin saturar a nadie, y deja escrito por qué y qué ya intentó.
Todo pedido queda como tarea. El agente no trabaja al costado del equipo: trabaja dentro de su flujo.
La memoria: lo más importante
Un agente sin memoria repite preguntas, rehace trabajo y contradice decisiones que el equipo ya tomó. Por eso la memoria es la pieza central del harness, no un accesorio.
Cada proyecto tiene una memoria de largo plazo que guarda seis tipos de hechos:
| Tipo | Qué guarda |
|---|---|
| Decisión | Qué se decidió y por qué |
| Pendiente | Qué quedó por hacer |
| Bloqueo | Qué impidió avanzar y cómo se destrabó |
| Resultado | Qué se hizo y cómo se verificó |
| Observación | Cómo es el sistema: stack, convenciones, accesos, comportamientos raros |
| Handoff | La nota de una persona al cerrar un tema |
Lo que la vuelve poderosa:
- No se reescribe el pasado. Si un hecho cambia («el presupuesto pasó de X a Y»), se guarda como memoria nueva enlazada a la anterior. El historial queda, y con él se detectan inconsistencias: cuando algo contradice una decisión previa, el agente lo ve.
- Se escribe en momentos fijos, no a criterio del modelo: al definir un pedido, al terminar un trabajo, al fallar y durante la ejecución, cuando el agente descubre algo del sistema.
- Se lee siempre antes de actuar. Cada trabajo arranca con lo relevante del proyecto, los pendientes abiertos y los bloqueos conocidos. No vuelve a preguntar lo que ya se sabe y sí pregunta lo que quedó abierto.
- Búsqueda híbrida (semántica + texto) y aislamiento estricto por cliente: la memoria de un proyecto nunca se mezcla con la de otro.
El resultado es un agente que mejora con cada tarea: recuerda qué funcionó, qué se rompió, qué se probó y descartó, y qué prometió el equipo.
Los MCP: las armas del agente
Los MCP (Model Context Protocol) son lo que convierte a un agente de código en un agente de operación. Cada plataforma se conecta como un servidor MCP con herramientas concretas. Algunos son oficiales; otros los desarrollamos nosotros porque los oficiales se quedaban cortos.
Google Ads (desarrollo propio)
El MCP oficial de Google Ads es solo lectura: unas tres herramientas para listar cuentas y correr consultas GAQL. Sirve para reportar, no para operar.
| MCP oficial | Nuestro MCP | |
|---|---|---|
| Herramientas | ~3 | 47 |
| Lectura y GAQL | Sí | Sí, con métricas y costo en la moneda de la cuenta |
| Crear y editar campañas, grupos, anuncios RSA | No | Sí |
| Keywords, negativas y términos de búsqueda | Solo lectura | Leer, agregar, pausar, cambiar CPC y concordancia |
| Extensiones (sitelinks, callouts, fragmentos) | No | Crear, editar, vincular |
| Performance Max | No | Grupos de recursos, textos y tROAS |
| Conversiones | Solo lectura | Crear acciones, definir principales/secundarias, metas por cuenta y campaña, diagnóstico de conversiones offline |
| Validar sin aplicar | No aplica | validate_only en toda escritura |
| Acotado a una cuenta | No | Lista blanca: rechaza cualquier otra cuenta antes de llamar a la API |
Además resuelve casos que en la práctica traban a cualquiera, como pedir la excepción de políticas para keywords de salud, y crea las campañas nuevas pausadas por defecto.
GA4 (desarrollo propio)
El MCP oficial de Analytics también es solo lectura y no se puede limitar a una propiedad. El nuestro lee reportes y tiempo real, y además crea dimensiones personalizadas y eventos clave, siempre dentro de las propiedades permitidas.
Google Tag Manager (desarrollo propio)
18 herramientas para leer el contenedor completo (tags, activadores, variables, versiones), crear y editar en su propio workspace (nunca en el de otra persona), compilar una vista previa para detectar errores, crear la versión con notas de qué cambió y cómo revertirlo, y publicar.
BigQuery (desarrollo propio, solo lectura)
Consultas SQL sobre una lista blanca de datasets, con dry run previo, tope de costo por consulta y rechazo automático de cualquier consulta que toque datos fuera de lo permitido. Aquí es donde el agente cruza todo: ventas, GA4, Search Console y pauta.
Meta Ads (oficial)
Reportes e insights, diagnóstico de entrega, campañas, conjuntos, anuncios, creativos, catálogos, pixel y datasets y pruebas A/B.
Decisiones data driven con toda la potencia de un modelo de frontera
Juntos, estos MCP le dan al agente algo que ningún dashboard tiene: puede leer los datos, razonar sobre ellos y actuar en el mismo flujo. Detecta en BigQuery que una campaña vende menos de lo que reporta, lo confirma en GA4, revisa la configuración de conversiones en Google Ads y corrige el tag en GTM. Ya escribí sobre lo que aparece cuando un agente tiene los datos conectados en tres-mcps-y-una-ia-los-huecos-que-ningun-dashboard-te-muestra y tu-empresa-ya-tiene-los-datos-lo-que-faltaba-era-alguien-que-los-leyera-todos; esto es el paso siguiente: que además de leer, actúe.
Conversiones de punta a punta
Lo que más tiempo le cuesta a un e-commerce (o a cualquier solución que necesite medir) es que la medición esté bien. El agente puede configurarla en todas las capas:
- Google Ads: crear acciones de conversión, decidir cuáles optimizan la puja y diagnosticar las importadas.
- GA4: definir eventos clave y dimensiones personalizadas.
- GTM: implementar los tags y activadores que disparan esos eventos.
- Meta: revisar y ajustar pixel y datasets.
Y después verificarla con datos reales en BigQuery.
Desarrollo: del código al servidor
Del lado técnico, cada trabajo corre en un contenedor con un clone fresco del repo y puede:
- Modificar código con tests obligatorios antes del push.
- Consultar bases de datos de forma directa, por túnel SSH o por proxy de Cloud SQL.
- Conectarse a servidores remotos por SSH para analizar logs, revisar procesos o levantar un servicio caído.
- Usar las CLIs de nube (Google Cloud, AWS) y las APIs del proyecto.
- Llegar a sistemas que filtran por IP mediante un relay que vive en la nube del propio cliente, con lista blanca de destinos y bloqueo de operaciones de escritura cuando el sistema debe quedar en solo lectura.
Sobre todo esto, skills cargables por proyecto: responder por WhatsApp, generar gráficos o usar modelos de decisión rápidos.
Seguridad: acceso total, pero contenido
Un agente con este alcance solo es aceptable si cada acceso está acotado:
- Infisical como única fuente de secretos. Variables, contraseñas de bases, tokens de plataformas y llaves viven ahí, por proyecto. El agente los lee con una identidad de solo lectura; nadie copia un
.envni pega una contraseña en un chat, y los valores nunca entran al prompt ni a los logs. - Contenedores efímeros con solo las credenciales de ese proyecto. Al terminar, se destruyen.
- Listas blancas en el código de cada MCP, no en el prompt: aunque el modelo se equivoque, la herramienta rechaza la cuenta, propiedad, contenedor o dataset que no le corresponde.
- Seis pasos antes de escribir en una plataforma: alcance exacto, seguir los patrones existentes, revisar efectos colaterales, validar, aplicar una sola vez y releer, y registrar el antes, el después y cómo revertir.
- Pide confirmación solo en casos extremos: borrar algo con historial, cambiar cómo se mide o se puja en toda la cuenta, un salto grande de gasto o un pedido ambiguo que exige una decisión de negocio.
Lo que viene
Estamos sumando un CDP y el envío de correos, para cubrir el ciclo completo del marketing digital basado en datos: medir, segmentar, activar y comunicar, sin salir del mismo agente ni de la misma memoria.
La idea de fondo no cambia: el modelo pone la inteligencia; el harness pone las herramientas, los límites y la memoria. Con eso, el agente hace todo lo que puede hacer bien, y las personas dedican su tiempo a lo que realmente necesita criterio humano.