lyfX as an Agentic Organization

Andre Moreira, Claude AI y ChatGPT

NB: este es un documento coescrito; cuando se menciona “yo”, significa “Andre” (el único coautor humano).

Claude y yo recientemente hicimos un inventario interno rápido de todos los archivos CLAUDE.md de Andre, chats bajo Claude AI y ChatGPT y otros trabajos relacionados con la IA que hemos estado haciendo (por ejemplo, mi implementación personal de FuzzyClaw, para uso diario). Después de discutir los hallazgos, creamos este documento, que cumple 3 propósitos:

¿Cuánto ha cambiado mi trabajo diario (el de Andre) en los últimos 2 años? Más allá de los casos de uso de codificación y chat, ¿cuánto han influido realmente los agentes de IA en nuestra forma de trabajar? Siendo nosotros mismos una empresa “AI first”, ¿cuánto de nuestra propia “comida para perros” consumimos?
Crear algo de claridad para nosotros mismos sobre lo que puede clasificarse inequívocamente como trabajo productivo de agentes de IA.
Inspira a las personas de nuestra red y más allá con estos hallazgos: ¿quizás ya estás utilizando agentes de IA? ¿O quizás algunas de las cosas que mencionamos aquí también te son útiles?

El documento contiene una descripción de lo que es ya sucediendo, no lo que nosotros plan por hacer.

Dos cosas que mantener separadas mientras lees:

Cómo usamos la IA — el cual tiene cuatro modos distintos, cada uno con su propio valor y su propio proveedor apropiado.
Para qué lo usamos — lo que se traduce en un organigrama reconocible de departamentos y roles.

1. Cuatro modos de usar la IA

Estos no son niveles de sofisticación; coexisten y usamos los cuatro todos los días. Mezclarlos es lo que hace que la imagen a veces se sienta caótica o “no agentiva”.

Modo 1 — IA como chatbot

Un solo tiro, conversacional, transitorio. Sin contexto persistente, sin automatización, sin herramientas asociadas (excepto para búsquedas en internet cuando se necesita contexto más actualizado). Traes una pequeña unidad de trabajo: un correo electrónico para pulir, una frase para traducir, un tono para suavizar, y el modelo te devuelve una mejor versión de lo mismo.

El proveedor importa por preferencia de estilo, no por capacidad. A menudo uso ChatGPT para la mayor parte del trabajo de chatbots porque el estilo de prosa encaja mejor. Las herramientas son lo suficientemente intercambiables a este nivel como para que el gusto sea el factor decisivo.
No se necesita memoria. La interacción comienza y termina en una sola pantalla.
El volumen es alto; el esfuerzo por interacción es bajo. Este es el grueso del uso casual de IA, aunque suma una pequeña parte del agente trabajo.

Este modo es mínimamente posesivo (el modelo puede decidir por sí mismo extraer información adicional de fuentes en línea, haciéndolo posesivo).

Modo 2 — IA como segundo cerebro

Conversacional pero de alto contexto, a menudo una sesión larga. Se utiliza como compañero de pensamiento: disputando en la arquitectura de aplicaciones, depurando lógica, haciendo una lluvia de ideas para un cambio de posicionamiento, poniendo a prueba un concepto, resolviendo qué falta en una propuesta.

Ejemplos: discusiones de arquitectura para AutoGraph o FuzzyClaw, exploración de modelos de negocio, formulación de estrategias de subvención, análisis post-mortem de una presentación.
El proveedor importa más aquí. Claude para razonamiento y arquitectura de código; GPT para redacción narrativa o cuando importa una atención semi-obsesiva a los detalles; Gemini para investigación y trabajo que necesita ventanas de contexto largas. Rutinariamente hago la misma pregunta a más de un proveedor.
Valor: pensamiento más rápido y profundo que trabajar solo, detecta puntos ciegos, no se cansa cuando tú sí. Lo más parecido a “tener un colega que no juzga para pensar en voz alta”.”

Al igual que el Modo 1, este modo es mínimamente agente por las mismas razones.

Modo 3: IA como agente genérico, especificad por habilidades

Aquí es donde realmente comienza la historia agéntica, y es el cambio más importante de los últimos doce meses.

Claude (especialmente en Claude Code) es un motor genérico. Habilidades son los que convierten ese motor en un colega con forma de lyfX. Una habilidad es no un aviso. Un paquete de habilidades, en una carpeta:

Instrucciones sobre cuándo y cómo actuar
Convenciones de herramientas (qué herramientas usar, en qué orden, con qué valores predeterminados)
Ejemplos y anclajes de pocos ejemplos de trabajo real de lyfX
Scripts auxiliares donde la lógica determinista es más rápida que los tokens (este es un punto que mucha gente pasa por alto, y es el “superpoder” de una habilidad)
Formatos de salida y estilo de la casa
Valores predeterminados organizacionales

El mismo agente genérico se convierte en el procesador de gastos, el Operador de VM, el revisor de subvenciones, el analista post-llamada, el Constructor de WordPress, el custodio de diseño corporativo — dependiendo de la habilidad que se cargue. Cada una es repetible, controlable en versiones, compartible y adaptada a cómo funciona realmente lyfX.

Actualmente tenemos ~60 de tales habilidades, que van desde la infraestructura transversal (flujo de trabajo de desarrollo de IA, confirmación de código Git, higiene del código) hasta las específicas de LyfX (comprobaciones de VM de LyfX, diseño corporativo de LyfX, constructor de WP de Astra, resumen de Fireflies, resumen de proyecto del cliente, análisis posterior a la llamada).

El punto es que Las habilidades son cómo codificamos el gusto, los valores predeterminados y los procedimientos operativos estándar en algo que la IA puede continuar. El mismo agente genérico realiza el trabajo de todo un departamento, de forma repetible, porque de las habilidades. Esta es la capa agentica orgánica y barata.

Modo 4 — IA como agente especializado (diseñado para un propósito específico)

Software de grado de producción donde la IA es el núcleo, no una ayuda. El agente tiene su propio tiempo de ejecución, su propia memoria, su propia interfaz de usuario, a menudo su propia experiencia de usuario con usuarios finales (clientes o personal interno).

Dos sabores:

Dentro de FuzzyClaw (La plataforma de orquestación propia de lyfX):

Fuzzy — el asistente siempre activo: tablón de mensajes, consultas de plataforma, búsqueda web
Shenlong / Wani — especialista generalista de encendido/apagado de memoria con una amplia gama de herramientas que puede usar (nuestra propia versión contenerizada de OpenClaw)
investigador de mercado, web scraper, career scraper — scrapers/investigadores diseñados para un propósito específico

Fuera de FuzzyClaw, como productos en sí mismos:

PFD Bench — DXF → descripciones de flujo de proceso; tubería de 3 agentes (Trabajador → Auditor → Generador)
Motor CAPEX (en desarrollo) — diagrama de bloques → especificaciones del equipo + estimaciones de costos; Proyector → Agente → flujo de trabajo de Materializador

Esta es la capa de producto: lo que vendemos, lo que entregamos, lo que funciona sin que lo supervisemos.

Por qué esto importa

Es genuinamente útil preguntar, de cualquier interacción con IA: ¿Qué modo es este?

Una indicación de dos minutos para reescribir un correo electrónico es Modo 1. No merece una carpeta, una habilidad ni un nombre.
Una discusión arquitectónica de 40 minutos con Claude es Modo 2. tampoco merece una carpeta, pero la salida (una decisión, unas_notas_de_diseño.md) hace.
Un procesamiento de gastos mensual es Modo 3. Merece una habilidad, y la tiene.
PFD es un banco Modo 4. Merece todo lo que un producto merece.

Hallazgos — Inventario de Trabajo Agéntico (enero de 2025 → mayo de 2026)

Fuentes extraídas:

~/.claude/projects/ (47 carpetas de proyectos, ~95 archivos de memoria)
todos los archivos CLAUDE.md en el portátil personal de Andre
~/.claude/skills/ (más de 60 habilidades)
~/Documents/fuzzy-lyfx/ (la instancia FuzzyClaw personal en vivo que usamos día a día).

Mezcla de actividades (aproximada, asignada a los seis departamentos a continuación):

Tecnología y productos ≈ 45%
Finanzas ≈ 20%
Estrategia y Desarrollo de Negocio ≈ 20%
Operaciones e Infraestructura ≈ 10%
Marketing y diseño ≈ 3%
Personal y asistentes ejecutivos ≈ 21 (tiempo completo) y 3 (tiempo parcial)

Advertencia: Marketing, así como Personal y EA, está fuertemente subestimado; la mayor parte de su volumen real es el Modo 1 (pulido de correos electrónicos, edición de tono, reescrituras rápidas) ejecutándose en la web de IA ChatGPT y Claude. Contado entre todos los proveedores, probablemente sería el segundo departamento más grande después de Tecnología y Producto.

2. Los “departamentos”, tal como “existen” en realidad”

Lo que sigue es el organigrama tal como está ya organizado — no es una estructura para imponer, sino una forma de ver lo que ya es orgánico. Cada departamento es la agrupación natural del trabajo; para cada uno, anotamos qué modo de uso de la IA domina.

Finanzas

Actividad: procesamiento de gastos, facturación, redacción de cotizaciones/propuestas, subvenciones, modelado financiero para inversores, revisión de planes de negocio.
Modos dominantes: Modo 3 (habilidades como gastos, redacción de cotizaciones de proyectos) + Modo 2 (modelado financiero y estrategia de subvenciones como sesiones de práctica).
Estado maduro y en uso productivo regular.

Personal de apoyo / Asistente de personal

Actividad: Resúmenes de Fireflies, análisis posteriores a la llamada, correos electrónicos de seguimiento, comunicaciones internas, publicaciones de LinkedIn.
Modos dominantes: Modo 3 (fireflies-debrief, post-call-analysis, client-project-brief, internal-comms) + Modo 1 (pulido de correos electrónicos cotidianos, principalmente a través de ChatGPT, pulido de publicaciones de LinkedIn).
Estado maduro para llamadas y comunicaciones; correo electrónico y calendario tienen conectores MCP cableados pero aún no hay flujo de trabajo recurrente de agente, por ahora uso más puntual.

Estrategia y Desarrollo de Negocios

Actividad: investigación de mercado, investigación de prospectos, análisis del pipeline de desarrollo de negocios (Trello), revisiones de propuestas, briefs de proyecto de transcripciones de reuniones.
Modos dominantes: Modo 2 (pesado — combate estratégico) + Modo 4 (agentes especializados: investigador de mercado en FuzzyClaw) + Modo 3 (revisión de triada, analizando el tablero de Trello de lyfx).
Estado el departamento más multimodal; la misma pregunta a menudo pasa por un encuadre de segundo cerebro, luego una pasada de revisión triádica, luego un rastreador especializado.

Tecnología y Producto

Actividad: todo codificación.
Modos dominantes: Modo 3 (pesado — ai-dev-workflow rige casi cada sesión de codificación, más las familias de habilidades langchain/langgraph/deep-agents/django) + Modo 2 (arquitectura, depuración, sesiones de design_notes.md) + Modo 4 (el salidas — PFD Bench, CAPEX Engine — son en sí mismos agentes especializados).
Estado maduro. También es el departamento más grande por volumen.

Operaciones e Infraestructura

Actividad: Comprobaciones del estado de las VM, despliegues, endurecimiento de la cadena de suministro, administración de políticas de ganchos, el sistema de memoria entre sesiones claude-mem.
Modos dominantes: Modo 3 (chequeos lyfx-vm, despliegue de django, supply-chain-guard) + Modo 1 (preguntas rápidas de infraestructura).
Estado maduro; se ejecuta bajo demanda y según lo programado.

Marketing y Diseño

Actividad: Creación de páginas en WordPress, coherencia de marca en documentos y presentaciones, reconstrucciones grandes de PPTX, trabajo en el sitio web lyfX.ai.
Modos dominantes: Modo 3 (astra-wp-builder, lyfx-corporate-design, pptx).
Estado maduro y en uso productivo regular.

I+D / Laboratorio

Actividad: hackatones (p. ej. MessMiner), prototipos (DönerWatch, explorando NanoClaw como alternativa a OpenClaw), aprendizaje de frameworks (LangChain Academy, DLAI Claude Skills), clones exploratorios.
Modos dominantes: Modo 4 (la mayoría de los prototipos) convertirse agentes especializados) + Modo 2 (usando IA como tutor).
Estado maduros; algunos prototipos se convierten en productos.

4. Lo que aprendimos y hacia dónde vamos

La forma de lyfX como organización agente es que Modo 3 (agente genérico + habilidades) está haciendo el trabajo pesado para los departamentos, mientras El Modo 4 (agentes especializados) es la línea de productos, y Los modos 1 y 2 son la textura de operación cotidiana. La capa de habilidades — más de 60 que representan nuestro gusto codificado — es la parte subestimada: es lo más parecido que lyfX tiene al “conocimiento institucional” en forma utilizable por máquina. FuzzyClaw es la capa de orquestación para las partes no técnicas ni interactivas.

Si solo una cosa de este ejercicio sobrevive, debería ser la distinción de cuatro modos. Es genuinamente útil poder observar cualquier interacción de IA y preguntar: ¿qué modo es este? La respuesta te dice si merece una habilidad, una carpeta, un nombre o solo dos minutos de atención. Mucha de la confusión sobre “cuánto usas realmente la IA” se disipa una vez que dejas de tratar las ediciones de chatboxes y un agente de producción como si fueran lo mismo.

En términos prácticos, esto significa que una empresa de dos personas hoy opera con la superficie de trabajo que habría requerido un pequeño equipo hace tan solo dos años. Los departamentos anteriores no son roles en los que contratamos, son el trabajo que ya se está realizando, hecho por un agente genérico que ha sido cuidadosamente adaptado a cada uno. La implicación para el crecimiento de lyfX a partir de ahora es menos “contratar a una persona por departamento” y más “invertir en la capa de habilidades para que un futuro colega pueda conectarse a la configuración existente sin tener que re-aprender mi gusto”.”

A medida que continuamos nuestro viaje, probablemente moveremos algo de los conjuntos de habilidades más utilizados en agentes FuzzyClaw con nombre así que estos pueden ejecutarse de forma independiente, sin interrupciones, en ejecuciones programadas sin una capa interactiva como la que tengo, por ejemplo, con Claude Code. Es notable que me siento cada vez más cómodo brindando a los agentes cada vez más autonomía y acceso: por ejemplo, Claude ahora puede acceder a mi Google Drive para que podamos trabajar en un documento en la nube en paralelo; este mismo documento es la prueba viviente de ello. Esto conlleva algunos riesgos obvios (dar acceso amplio a un sistema agénico que podría estar mal configurado, comprometido o simplemente actuar con demasiada confianza) y otros que estoy seguro de que no conozco. Por otro lado, tener un colega humano con una contraseña de “12345” para su correo electrónico también es un riesgo importante. Entonces, ¿dónde trazamos la línea?

Mirando hacia atrás, la trayectoria está clara: 2024 fue el año en que los chatbots y el segundo cerebro se volvieron algo natural; 2025 fue el año en que las habilidades hicieron que el agente fuera específico para nuestro trabajo; 2026 se perfila como el año de los agentes autónomos programados en los que confío lo suficiente como para dejarlos funcionando.