Herramientas e integraciones desde operaciones

Destacado

Muse, el agente de Meta, ya llama a empresas de EE. UU.

Muse, el agente de IA de Meta para consumidores, ya puede llamar por teléfono a empresas de EE. UU. por encargo de sus usuarios, tras una prueba en septiembre con usuarios pioneros. Solo lo tienen los suscriptores de pago. Para las empresas, significa más llamadas entrantes de agentes de IA, y algunas recepciones ya cuelgan al detectarlos.

Qué cambia en operaciones — Si tu equipo atiende el teléfono, cuenta con que algunos llamantes serán agentes de IA que actúan por un cliente, y decide cómo vas a tratarlos antes de que ocurra. Revisa si tu guion de recepción o tu menú telefónico cuelga a quien suena automatizado, porque detrás de la llamada puede haber la petición de un cliente real. Pide a soporte y ventas que anoten las llamadas que sospechen que vienen de una IA, para ver con qué frecuencia llegan y qué piden. Si tu negocio solo gestiona reservas o presupuestos por teléfono, valora añadir una vía web o por correo que pueda usar cualquier llamante, humano o agente.

NVIDIA cede OpenShell, runtime de seguridad de agentes, a CNCF

Una empresa de 10 a 200 personas difícilmente operará clústeres de GPU ni instalará estas herramientas por su cuenta. Su utilidad práctica es la de una lista de comprobación cuando compres o construyas agentes para ventas, soporte u operaciones. Pregunta al proveedor cómo se restringen las acciones del agente cuando usa herramientas o accede a tus datos, dónde se guardan las credenciales y qué monitorización puedes conectar. OpenShell muestra que la aplicación de políticas, el almacenamiento de credenciales propio y la monitorización se están volviendo piezas habituales de un runtime de agentes. Si la respuesta del proveedor es vaga, es una carencia que conviene cerrar antes de dar a un agente acceso a fichas de clientes o a sistemas internos.

AWS Bedrock: modelos nuevos, fallback y precio de memoria

Si lideras soporte u operaciones comerciales con unos pocos agentes en Bedrock, tres cambios son los que más importan. Primero, la cadena de respaldo del gateway significa que una caída o una limitación en un proveedor ya no exige código de reintento en cada cliente, así que prueba una cadena antes de tu próximo pico de trabajo. Segundo, un proceso de reembolsos o aprobaciones que ya tienes en Step Functions puede exponerse a un agente como herramienta: el agente decide cuándo lanzarlo y los pasos se ejecutan tal como los definiste. Tercero, el desglose de costes por modelo permite a quien gestiona la factura de AWS localizar el modelo caro y fijarle una alerta de presupuesto. Revisa también la factura de memoria: el precio ahora sigue el volumen de datos, y antes era una tarifa fija por evento.

Google lanza Decisions API para enrutar y puntuar con rapidez

Si gestionas soporte u operaciones comerciales, buena parte de tu automatización es en el fondo un paso de clasificación: a qué cola va este ticket, si esta llamada incumple una política, si este lead está cualificado. Esta API cobra ese paso solo por tokens de entrada y devuelve un valor de confianza por cada respuesta, de modo que puedes resolver solos los casos claros y pasar a una persona los de baja confianza. Una primera prueba razonable consiste en tomar unos cientos de tickets o grabaciones de llamadas propios, lanzarles una mezcla de preguntas de sí/no y de categoría, y comparar las puntuaciones con lo que decidió tu equipo. Mientras tus propios datos no lo confirmen, trata las cifras de coste y calibración de Google como cifras del proveedor.

Google y Adobe conectan Acrobat y un agente de IA con Gemini

Si tu equipo de ventas, soporte u operaciones ya guarda contratos, propuestas y PDF de clientes en Google Drive y Gmail, esto podría reducir los saltos entre apps para editar. Quienes usen Gemini Enterprise quizá reciban además un agente que prepare gráficos y materiales de campaña. Por ahora nada está disponible y la fuente no da fechas de despliegue ni precios, así que conviene listar qué traspasos de PDF y diseño cruzan apps en vuestros flujos y anotar quién es responsable de cada uno. Cuando Google y Adobe publiquen los detalles, podréis probar un solo proceso en lugar de rehacer varios.

NVIDIA lleva OpenShell, su runtime para agentes, a la CNCF

Si diriges ventas, soporte u operaciones en una empresa de 10 a 200 personas, casi seguro que no desplegarás nada de esto por tu cuenta, porque está pensado para equipos que operan clústeres de GPU. La relevancia es indirecta: las plataformas de agentes que evalúes pueden apoyarse en controles del estilo de OpenShell. Cuando un proveedor te enseñe un agente que lee tu CRM o envía correos a clientes, pregunta qué acciones pasan por una comprobación de políticas, dónde se guardan las credenciales y qué monitorización puedes conectar. La descripción de OpenShell te da un vocabulario concreto para esas preguntas. Considera la integración anunciada entre OpenShell y Agent Substrate como un plan, porque la fuente habla de una colaboración y no de una versión publicada.

Hugging Face suma modelos de decisión a Transformers y llama.cpp

Si su equipo de soporte u operaciones comerciales usa un LLM para etiquetar tickets, leads o correos, lo que conviene probar es la salida. Se obtiene una probabilidad por cada opción, de modo que se puede fijar un umbral: por encima, el ticket se enruta solo; por debajo, pasa a una persona. El conjunto de respuestas se envía con cada petición, así que añadir un departamento como Legal no obliga a reentrenar un clasificador. Un buen punto de partida es pasar unos cientos de tickets antiguos por un modelo y comparar su confianza con las etiquetas que su equipo aplicó en su día. La publicación es una guía práctica y no ofrece cifras de precisión ni de latencia, así que mida ambas con sus propios datos antes de sustituir nada.

n8n Labs lanza Nod, agente de IA de escritorio open source

Nod trabaja para una sola persona con sus propias cuentas, así que encaja en las tareas individuales de una empresa de 10 a 200 personas: sacar cifras de un panel que no permite exportar, descargar cada mes las facturas de un proveedor o vigilar un precio. No sustituye los procesos compartidos que un equipo ejecuta en conjunto. La puesta en marcha exige una clave API propia o un plan de ChatGPT, cada instalación tiene un único propietario y se detiene cuando el portátil entra en suspensión. Antes de probarlo, decide a qué cuentas puede acceder, fija el límite mensual de gasto y revisa el registro de acciones que guarda.

Google Cloud presenta Gemini for healthcare en vista previa

Si no vendes al sector salud, no vas a desplegar este producto, pero su diseño sirve para poner a prueba tus propios procesos. Se conecta a los sistemas que el cliente ya tiene, trabaja con varios de ellos en una misma tarea y deja a una persona en el paso de aprobación. Si un flujo de ventas, soporte u operaciones de tu empresa recorre un CRM, una herramienta de facturación y un repositorio de documentos, y termina en una revisión manual, tiene la misma forma. Mapea uno de esos flujos antes de elegir herramienta. Si desarrollas para clientes del sector salud, espera que te pregunten cómo se compara tu trabajo con una opción nativa del proveedor. La fuente no da precios ni fecha de disponibilidad general, así que aún no hay nada que presupuestar.

Meta añade Spaces, espacios de proyecto, a sus agentes Muse

Si diriges ventas, soporte u operaciones en una empresa de 10 a 200 personas, trata esto como una señal y no como una herramienta que adoptar. Todos los ejemplos de Meta son personales: un plan de vacaciones, un registro de regalos, un organizador de boda. La fuente no dice nada sobre cuentas de empresa, controles de administración, tratamiento de datos ni precios. Lo que merece atención es el mecanismo: un espacio de trabajo persistente por proyecto, que un agente construye a partir de una descripción sencilla y mantiene al día a través de apps conectadas. Es justo lo que muchos equipos ya quieren para llevar el seguimiento de un acuerdo, un tablero de escalados de soporte o una lista de incorporación de clientes. Antes de que nadie de tu equipo meta datos de clientes o del pipeline en un agente de consumo, comprueba a qué apps se conecta y adónde van esos datos. Hasta que Meta diga algo sobre uso empresarial, déjalo en la lista de vigilancia.

Mistral suma agentes gestionados y apps a su plataforma Studio

Si diriges ventas, soporte u operaciones en una empresa de 10 a 200 personas, Studio está pensado para grandes compañías, pero su estructura sirve de modelo: pasos con reglas fijas, un agente solo donde hace falta razonar y una aprobación humana con nombre antes de las acciones sensibles. Los ejemplos de Mistral son un flujo al estilo de un ticket que clasifica el feedback entrante en errores y peticiones de funciones, y un agente de incidencias que sigue un runbook y publica en Slack. Ambos encajan con la clasificación en soporte y la escalada en operaciones. Antes de evaluar nada, pide a tu proveedor o integrador trazas paso a paso y una forma de probar cambios de prompts con tus propios datos. La fuente no da precios ni detalles de planes, así que el coste sigue abierto.

AWS detalla Smart Approvals para los agentes de Amazon Quick

Si tu equipo de ventas, soporte u operaciones usa agentes de Quick que piden confirmación en cada paso, esta función reduce los avisos rutinarios y ya está activa salvo que un administrador la haya restringido. Antes de apoyarte en ella, haz una lista de las acciones que siempre deben llegar a una persona (correos externos, cambios de acceso, borrados, pagos) y defínelas como permisos de acción del conector, porque el clasificador puede equivocarse. Después activa el envío de registros de CloudTrail y de chat, y haz un piloto con un solo equipo y un solo flujo de trabajo. Revisa por muestreo las aprobaciones automáticas y comprueba que un destinatario externo o una adición inesperada vuelven al usuario.

Salesforce lanza plan de 50 $ por usuario para Agentforce Coworker

Si tu equipo de ventas y servicio ya trabaja en Salesforce, Coworker pasa a ser algo que puedes presupuestar por puesto y activar desde Setup, así que un piloto ya no exige un proyecto de IA aparte. La prueba práctica son las Skills: toma la rutina de renovación de tu mejor comercial, conviértela en una solicitud compartida y mide cuánto tiempo necesita el equipo por renovación antes y después. Revisa también qué puede ver el asistente con tus permisos actuales, porque trabaja con las reglas de acceso que ya tienes. El soporte para Teams llega solo en noviembre de 2026, así que un despliegue basado en el chat tendrá que esperar.

Anthropic presenta Claude Duet, un agente siempre activo

Si diriges ventas, soporte u operaciones en una empresa de 10 a 200 personas, Duet merece una prueba pequeña en un solo buzón antes de plantearse un despliegue. Su paso de aprobación antes de los mensajes salientes y los pagos mantiene a una persona en el circuito, y las plantillas de triaje de correo y lista de tareas diaria se corresponden con trabajo que tu equipo ya hace a mano. El coste hay que vigilarlo: las comprobaciones en segundo plano cuentan contra los mismos límites del plan de Claude que el chat normal, y el único analista que lo probó contó que agotó los límites de sesión en dos días. Lo que se ejecuta igual cada vez, como extraer el importe y el vencimiento de una factura recurrente de un proveedor, pertenece a un flujo de trabajo fijo y no a un agente que lo razone en cada ejecución. Ojo también: el conector nativo de Gmail ve una sola cuenta, así que los buzones compartidos o secundarios necesitan otra vía.

Google DeepMind suma Cheminformatics Skills a Antigravity

Si tu empresa no vende a química o farma, este lanzamiento no cambia nada en tu stack este trimestre. Lo que sí vale la pena copiar es el diseño: el modelo de lenguaje planifica el trabajo y lee las fuentes, mientras que herramientas deterministas hacen todos los cálculos en los que un solo valor erróneo arruina el resultado. Si automatizas presupuestos, facturación o el enrutado de tickets, aplica el mismo reparto: el agente decide los pasos y redacta borradores, y un motor de reglas o una consulta a la base de datos produce cualquier cifra que vea un cliente. Conserva también la revisión humana final que la propia fuente exige para sus resultados.

Microsoft estrena un harness de agentes gestionado en Foundry

Si diriges ventas, soporte u operaciones en una empresa de 10 a 200 personas y tienes un agente piloto que se atasca en tareas de varios pasos, esto reduce el coste de ingeniería de mantenerlo en marcha, porque dejas de mantener tú el bucle y el sandbox. La salvedad: las skills, las aprobaciones y los permisos de las herramientas los sigues definiendo tú. Aprovecha el periodo gratuito para probar un flujo, por ejemplo un informe semanal de investigación de cuentas, y anota cuántas horas de sandbox consume. Todo agente que escriba en un CRM o en un helpdesk necesita comprobar si el registro ya existe, para que un reinicio no genere duplicados, y las decisiones comerciales deben quedar en manos de una persona.

Hugging Face lanza dos paquetes Swift de voz y decisión

Esto solo importa si tu equipo desarrolla o encarga software para Mac o iOS. Una herramienta de soporte que transcribe una llamada, distingue a los interlocutores y envía el ticket a facturación, soporte técnico o ventas ya puede funcionar en el propio equipo con Apple silicon del agente, y el modelo devuelve una probabilidad y un valor de confianza para cada opción de enrutamiento. Así puedes fijar un umbral de revisión, por ejemplo derivar a una persona los tickets con poca confianza. La fuente advierte de que confianza no equivale a acierto, así que mide primero la tasa de error con tus propios tickets y audios. Si tu stack es web, Windows o Android, de momento nada de esto cambia tu configuración.

AWS suma acceso por equipos y métricas de salud a QA Studio

Si gestionas un producto web y llevas tiempo probando tests escritos con IA, esta actualización responde a lo que se rompe cuando entran un segundo y un tercer equipo: nadie sabe de quién son las pruebas que fallan y todos pueden editarlo todo. Una empresa de 10 a 200 personas asignaría cada producto a una aplicación y a un responsable, daría el rol Editor a los desarrolladores, el rol Executor a quienes gestionan los lanzamientos y dejaría a la dirección como Viewer. El ranking de pruebas inestables indica cuáles arreglar primero. Eso sí, es una solución de referencia que se despliega y se mantiene con AWS CDK en tu propia cuenta, así que solo encaja si ya trabajas en AWS y tienes a alguien que se haga cargo del despliegue.

Google lleva los anuncios de AI Mode a otros países

Si tu equipo compra anuncios en Google para alimentar el pipeline, está a punto de aparecer una nueva ubicación frente a consultas más largas y más específicas. La fuente no da fechas de despliegue, lista de países ni controles de compra, así que no muevas presupuesto todavía. Haz tres cosas ahora: comprueba si tus informes de anuncios pueden separar el tráfico de AI Mode de los resultados de búsqueda clásicos, asegúrate de que las páginas de destino respondan directamente a preguntas detalladas y mide la calidad de los leads por fuente en tu CRM. Así, ventas y soporte tendrán pruebas de si el nuevo tráfico convierte, y las primeras cifras saldrán de tu propia cuenta y no de lo que afirme Google.

Strawberry saca de beta su navegador con IA para equipos

Si diriges ventas o soporte en una empresa de 10 a 200 personas, Strawberry es una forma barata de comprobar si alguien de tu equipo sin perfil técnico puede crear y compartir un agente que funcione, como un asistente de prospección, sin gastar horas de ingeniería. Empieza con el plan gratuito y una sola tarea acotada, y observa con qué rapidez se consumen los créditos antes de elegir entre los planes de 20, 85 y 250 dólares. Como los agentes se ejecutan en el dispositivo del usuario y el producto es agnóstico respecto al modelo, revisa qué implica eso para el tratamiento de tus datos y por qué modelos acabarás pagando. La fuente no aporta resultados de clientes más allá de los primeros asistentes de prospección, así que trátalo como un piloto y no como un sustituto de tu proceso actual.

Microsoft lanza ThinkingBox-Training para ajustar agentes

En una empresa de 10 a 200 personas no vas a lanzar un entrenamiento con 24 GPU, pero la publicación te da un criterio de compra mejor para agentes que escriben en tu CRM, en el sistema de tickets o en los registros de facturación. Pide el porcentaje de tareas superadas en todos los intentos repetidos, no solo la precisión media, y evalúa por el estado final del registro, no por lo que el agente dice haber hecho. Si un proveedor o socio ajusta agentes por ti, pregunta si la recompensa sale de una comprobación sobre los datos resultantes o de la opinión de un modelo sobre la transcripción.

AWS SageMaker permite programar bucles de entrenamiento propios

Para una empresa B2B de 10 a 200 personas, esto solo importa si alguien del equipo ya hace ajuste fino de modelos, por ejemplo para entrenar un modelo de respuestas de soporte contra vuestros propios controles de calidad o un modelo de cualificación comercial contra vuestras reglas de puntuación. En ese caso ya no hay que elegir entre una receta gestionada fija y montar un clúster de GPU, y la facturación por token hace más barato comparar experimentos. Si solo llamáis a modelos alojados mediante una API, no cambia nada. El primer paso es ejecutar el ejemplo GSM8K con vuestra propia función de recompensa y ver cuánto cuesta una ejecución antes de comprometer nada.

Walmart abre una pasarela MCP para agentes de compra con IA

Si diriges ventas u operaciones en una empresa B2B de 10 a 200 personas, el planteamiento de Walmart sirve como lista de comprobación para cualquier sistema al que dejes acceder a un agente: dale a cada agente su propia identidad para que sus acciones se distingan de las de una persona, limita lo que puede gastar o comprometer, decide qué acciones requieren aprobación humana y deja por escrito las condiciones que justifican cortar el acceso a un agente que se exceda. También muestra la decisión que tendrás delante si clientes o socios empiezan a enviar agentes a tus formularios de pedido, herramientas de presupuestos o portales de soporte: bloquearlos de plano, como ha hecho Amazon, o darles un punto de entrada definido y controlado. Tomar esa decisión de forma deliberada es mejor que descubrir el tráfico de agentes por casualidad.

Commerce.com activa WebMCP en casi 100.000 tiendas online

Si vendes a través de una tienda de Commerce.com, el acceso para agentes ya viene activado por defecto: revisa el interruptor de exclusión en tu panel y decide con criterio. Si gestionas tu propia web sobre Cloudflare, la misma función de WebMCP en el edge está en beta desde agosto, así que puedes probarla sin tocar tu tema. Plantéalo como un piloto: WebMCP funciona tras flags experimentales de Chrome y en unos pocos navegadores con agentes, de modo que aún habrá poco tráfico real que lo use. La pregunta útil para ventas y operaciones es si tu catálogo, tus precios y la lógica del carrito están lo bastante limpios para que un agente los llame, porque el pago sigue en manos del comprador humano.

Slack lanza Frontline, su espacio móvil para personal sin oficina

Si diriges operaciones en una empresa de 10 a 200 personas con turnos, técnicos o personal de tienda, lo útil es que los relevos, las alertas y las escalaciones pueden salir de los mensajes de grupo y pasar a canales con control, sobre los que actúan agentes y flujos de trabajo. La pega está en el requisito de entrada: Frontline es un complemento de Slack Enterprise+ y la fuente no da precio. Revisa tu plan actual de Slack y pide un presupuesto a ventas antes de planificar nada. El anuncio no muestra cómo rinde fuera de los escenarios del propio proveedor, así que un piloto con una sola sede o un solo turno es un primer paso razonable.

Together AI lanza Post-Training para ajustar modelos abiertos

Para una empresa B2B de 10 a 200 personas, esto solo importa si una tarea concreta y de mucho volumen, como priorizar leads o puntuar candidatos, le cuesta demasiado en un modelo cerrado. El caso de Jack & Jill en la fuente tiene justo esa forma: un modelo abierto igualó a uno cerrado en pruebas offline y sale más barato de servir. Como se factura por GPU-minuto, conviene presupuestar un experimento antes de empezar. Sin personal de ML, habría que apoyarse en los ingenieros desplegados de Together, que la fuente ofrece como opción de acompañamiento.

Replit pasa a OpenAI como modelo por defecto en Agent

Si alguien en tu empresa crea herramientas internas, prototipos o automatizaciones en Replit, revisa qué modelo usa realmente cada proyecto, porque el valor por defecto es donde acaba la mayoría. Elige un modelo de forma deliberada para todo lo que usen clientes o compañeros, y vuelve a ejecutar tus flujos clave después de un cambio de modelo por defecto para detectar variaciones en la calidad de los resultados. Tómalo también como recordatorio de no atar un proceso a un único proveedor de modelos: Replit se presenta como agnóstica en cuanto a modelos, y tu propia pila debería serlo. Consulta el registro de cambios del proveedor para confirmarlo, ya que la parte de Anthropic sigue en disputa.

Replit cambia su modelo por defecto de Anthropic a OpenAI

Si tu equipo construye herramientas internas, prototipos o automatizaciones en una plataforma como Replit, el modelo que hay debajo lo decide el proveedor, salvo que lo configures tú. La mayoría de los usuarios nunca cambia el valor por defecto, así que un cambio por parte del proveedor puede alterar la calidad de los resultados, el coste y el comportamiento sin que hagas nada. Comprueba en qué modelo se ejecuta realmente cada flujo de trabajo, elige uno de forma explícita donde los resultados importen y conserva un pequeño conjunto de casos de prueba que puedas repetir cada vez que cambie un valor por defecto.

OpenAI lanza dots, agentes siempre activos, para Pro y Business

Si diriges ventas, soporte u operaciones en una empresa de 10 a 200 personas, los dots merecen un piloto pequeño y supervisado, no una delegación total. Los casos de uso que cita OpenAI, como detectar una factura sin enviar o vigilar informes de errores, se parecen al trabajo real de back office. Pero la prueba práctica vio que el agente marcaba alertas rutinarias y pasaba por alto un correo que exigía criterio, así que conviene mantener a una persona en todo lo que afecte a clientes o dinero. Define las reglas de aprobación antes de conectar cuentas y revisa primero qué hace tu plan por defecto con el entrenamiento de datos.

ML-intern de HuggingChat crea modelos a medida por ~$16

Para una empresa de 10 a 200 personas, la barrera para construir un modelo acotado y específico (un clasificador de defectos en fotos de producto, un reescritor de texto para un dominio concreto, un modelo de visión pequeño para una cola de soporte) ha sido sobre todo el tiempo de ingeniería y el costo de GPU, no la falta de voluntad para automatizar. ML-intern reduce ambos obstáculos a un prompt y un tope de presupuesto: un ejemplo del post convirtió un modelo de visión genérico en un clasificador de enfermedades de cítricos, llevando la precisión de 14.9% a 52.8% por $1.90, y otro destiló un modelo de reescritura de prompts de 9B en una versión de 0.8B ejecutable en CPU por unos $16. Un equipo de operaciones sin personal de ML podría, en principio, describir una tarea de clasificación o extracción ligada a sus propios datos y recibir un modelo evaluado en un día, en lugar de comprometerse con un proyecto de ajuste fino de varias semanas o pagar por token indefinidamente por un modelo grande de propósito general. La salvedad es que cada ejemplo del post todavía requirió que alguien reuniera o señalara un conjunto de datos etiquetado y escribiera un prompt detallado: es un camino más barato hacia un modelo a medida, no un sustituto de definir bien la tarea, y cualquier salida aún necesita validación antes de tocar flujos de soporte o ventas en producción.

Anthropic lleva el sandbox de agentes de Cowork del VM local a la nube

Para una empresa de 10 a 200 personas que ejecuta tareas agénticas mediante Cowork —redactar mensajes de prospección, triar tickets, compilar informes—, esto elimina el costo de disco, batería y rendimiento que suponía correr un VM local, y significa que un trabajo largo de agente iniciado en el escritorio puede revisarse o continuar desde un móvil sin perder su estado. Los equipos que piloteen Cowork para tareas de operaciones deberían notar menos interrupciones al cerrar el portátil a mitad de tarea, pero también deben confirmar cómo gestiona el nuevo sandbox exclusivamente en la nube los archivos y credenciales que antes tomaba del equipo local.

Cloudflare abre su telemetría a agentes de IA y renueva los precios

Para una empresa de 10 a 200 personas que corre Workers, R2 o AI Gateway sobre Cloudflare, esto elimina buena parte del trabajo de integración necesario para que un agente de IA de operaciones o soporte sea realmente útil durante un incidente: en vez de construir conectores separados para logs, trazas y analíticas, un agente puede consultar un único SQL API o el nuevo servidor Observability MCP, y las alertas pueden enrutarse directo a ese agente vía webhook antes de que una persona abra un dashboard. Que Logpush deje de ser exclusivo de planes Enterprise también significa que equipos más pequeños pueden exportar logs crudos a sus propias herramientas para entrenar agentes o mantener registros de auditoría sin un contrato enterprise, aunque vale la pena revisar el nuevo precio por GB que entra en vigor en diciembre de 2026 contra el volumen de logs actual.

Zapier conecta el agente Muse de Meta con más de 9.000 apps empresariales

Para una empresa de 10 a 200 personas que ya usa Zaps para enrutar leads, clasificar tickets o dar seguimiento a ventas, esto permite insertar el criterio de Muse Spark justo en el paso que realmente lo necesita —resumir una llamada de soporte, redactar una respuesta a partir del historial de pedidos o marcar tickets urgentes— mientras el resto del flujo determinista queda intacto. Como las acciones consumen el cupo de tareas que ya se paga en Zapier y la autenticación permanece dentro del sistema de permisos de Zapier, no hace falta un contrato con un nuevo proveedor ni gestionar claves de API, y se controla exactamente qué apps y acciones puede tocar el agente, algo relevante para quien recela de dar a un agente de IA acceso total a un CRM o a una bandeja de soporte.

Cloudflare integra búsqueda web en AI Gateway

Para una empresa B2B de 10 a 200 personas que opera agentes de soporte o ventas, esto elimina un fallo habitual: agentes que alucinan o chocan con errores 404 al adivinar URLs para buscar precios actuales, cambios de políticas o información de la competencia. Si ya usás Cloudflare Workers o AI Gateway para enrutar inferencia y registrar logs, sumar búsqueda web fundamentada ahora es un binding de una línea en vez de una integración separada con un proveedor de búsqueda externo, y consume el mismo sistema de facturación y observabilidad que ya tenés.

OpenAI convierte ChatGPT en un espacio de trabajo colaborativo

Para una empresa B2B de entre 10 y 200 personas que ya gestiona conversaciones de ventas y soporte a través de ChatGPT, esto cierra una brecha: en lugar de exportar los resultados de la IA a Google Docs o Word, los equipos pueden redactar propuestas, manuales de soporte o informes internos directamente en Pages, asignar un Dot para vigilar un canal y actualizar una página automáticamente, y generar diapositivas de cara al cliente a partir de una conversación en vez de una plantilla. El cambio práctico es reducir los traspasos entre la investigación basada en chat y las herramientas documentales que los equipos de operaciones ya usan a diario; vale la pena probarlo cuando salga Slides, pero todavía no es motivo para tocar las licencias existentes de Microsoft o Google.

Shopify permite que agentes de IA completen el pago en tiendas de comerciantes

Si tu empresa vende a través de una tienda Shopify, los compradores ahora pueden completar una compra enteramente a través de un agente de IA que opera en su navegador, en lugar de pasar manualmente por tu interfaz de checkout. Eso significa que la configuración de tu checkout, las opciones de entrega y los campos de dirección son ahora efectivamente una superficie de API que los agentes leerán y sobre la que actuarán directamente, así que cualquier lógica personalizada de checkout, upsells o pasos de verificación manual necesitan seguir funcionando cuando quien opera es un agente en lugar de una persona. Los equipos que dependen del comportamiento de la página de checkout para controles de fraude o edición de pedidos deben confirmar que esas salvaguardas se activan correctamente cuando los pedidos se colocan vía get_checkout/update_checkout/complete_checkout en lugar del flujo orientado a humanos.

Cloudflare añade WebMCP a su navegador para agentes de IA

Para una empresa B2B de 10 a 200 personas que construye o compra agentes que necesitan extraer datos de sitios web, completar formularios o monitorear páginas de competidores, esto importa porque WebMCP permite que un agente invoque una función expuesta por el sitio (como searchFlights()) en lugar de adivinar píxeles y elementos del DOM, reduciendo las tasas de fallo en flujos de scraping frágiles. Kitesurf ahora también funciona con herramientas estándar (Playwright, Puppeteer, MCP), de modo que un equipo de operaciones o ingeniería que ya use esos frameworks para automatización interna puede sustituir el backend del navegador por Kitesurf sin reescribir scripts, y es gratuito durante la beta de Cloudflare sujeto a límites por cuenta — vale la pena probarlo antes de comprometerse con un proveedor de navegador headless de pago para flujos de agentes.

AWS lanza un contenedor para transcribir llamadas por hablante

Para un equipo de soporte o ventas que acumula grabaciones de llamadas, esto elimina una parte real del trabajo de ingeniería necesario para obtener transcripciones que digan no solo qué se dijo, sino quién lo dijo y cuándo, hasta el nivel de palabra. Esa es la diferencia entre una transcripción que sirve para buscar en una revisión de cumplimiento y una sobre la que realmente se puede construir QA automatizado, coaching o puntuación de sentimiento. La salvedad: sigue siendo un componente de infraestructura de AWS, no un producto terminado; alguien tiene que conectar los endpoints de SageMaker, elegir entre despliegue en tiempo real o asíncrono según la duración de las llamadas, y gestionar costos de GPU, autoescalado y seguridad de S3. Los equipos sin ingeniería de ML propia seguirán necesitando un integrador de sistemas o un proveedor que ya tenga esta capa construida.

n8n lanza agentes que invocan los workflows ya construidos

Para una empresa de 10 a 200 personas que gestiona soporte o operaciones de ventas en n8n, esto elimina buena parte del trabajo de conexión manual: en lugar de diseñar una rama fija para cada posible pregunta de soporte o solicitud de investigación de leads, se apunta un agente a los workflows de enriquecimiento, CRM y notificaciones ya construidos y se le deja decidir cuándo invocar cada uno. El detalle de seguridad que importa operativamente es que el agente nunca posee directamente una credencial de escritura del CRM, sino que posee un workflow acotado ("agregar una nota") que hace una sola cosa, y cualquier acción sensible, como avisar a la guardia o escribir en un sistema de registro, puede forzarse a pasar por un paso de aprobación antes de ejecutarse. En cuanto al costo, un turno de agente cuenta como una ejecución de workflow y comparte la cuota de ejecuciones existente, por lo que presupuestar no requiere un modelo de precios nuevo, solo seguir el volumen de sesiones.

Claude Tag deja a cada usuario de Slack usar sus propias fuentes

Para un equipo de ventas o soporte que usa Slack con Claude Tag, esto cierra un hueco real: antes, un administrador tenía que vincular un conector compartido de CRM o drive a todo el canal, lo que exponía datos de más o dejaba a los representantes sin poder preguntarle a Claude por sus propias cuentas. Ahora un vendedor puede pedirle a @Claude, en un canal de revisión de negociaciones, que revise su propio pipeline de CRM, o un agente de soporte puede consultar su propia cola de tickets, sin dar acceso a todo el canal a esos datos. Combinado con los modos de publicación automática o revisión manual, esto permite a los responsables de operaciones decidir, por cada flujo de trabajo, si las respuestas de Claude se publican solas o esperan revisión humana, algo útil para todo lo que toque precios, contratos o planes específicos de clientes. La contrapartida: las automatizaciones desatendidas o programadas (triaje de guardia, reportes nocturnos) siguen dependiendo de conectores que un administrador vincula explícitamente al canal, así que los equipos todavía deben decidir qué flujos son personales y supervisados frente a compartidos y automatizados.

Cloudflare deja bloquear el entrenamiento de IA, no la búsqueda

Para una empresa B2B de 10 a 200 empleados, esto es una palanca directa sobre la generación de leads a través de la búsqueda con IA. Los compradores investigan cada vez más a los proveedores mediante ChatGPT, Perplexity y AI Overviews en lugar de hacer clic en enlaces azules, por lo que ser recuperable y citable en esas respuestas importa para el pipeline. Hasta ahora, bloquear rastreadores de IA para proteger contenido propietario (páginas de precios, casos de estudio, documentación técnica) también arriesgaba desaparecer por completo de las respuestas generadas por IA. Con esta señal, un operador puede indicarle a los rastreadores: indexen y citen nuestro contenido, pero no lo usen para entrenar. Los equipos de marketing y RevOps deberían actualizar robots.txt para declarar esta política explícitamente en lugar de depender del comportamiento predeterminado de los rastreadores, y auditar qué bots de IA (de OpenAI, Anthropic, Google, Perplexity) realmente la respetan, ya que el cumplimiento es voluntario.

Anthropic fusiona Claude Cowork con Claude

Para una empresa de 10 a 200 personas que ya usa Claude para redactar informes, resumir tickets o preparar materiales de venta, el cambio práctico es tener menos superficies de producto que gestionar internamente: ya no hay que decidir si una tarea va a Cowork o al chat. Si la promesa de persistencia se sostiene en la práctica, alguien del equipo podría delegar una tarea larga de investigación o redacción al final del día y recoger el resultado a la mañana siguiente sin vigilar la sesión, algo relevante para flujos de operaciones y soporte que funcionan fuera del horario habitual. El matiz es que este despliegue es solo para Pro/Max durante semanas sin fecha concreta, así que los equipos en otros planes o en ventanas tempranas de despliegue no deberían diseñar flujos de trabajo alrededor de esto todavía, y los límites reales de la función siguen sin estar claros incluso para observadores cercanos.

Salesforce presenta Koa, un modelo de razonamiento para CRM

Para una empresa B2B de 10 a 200 personas que ya usa Agentforce o lo está evaluando, Koa se convierte en un modelo seleccionable por el cliente y ajustado específicamente para acciones de CRM como actualizar oportunidades, enrutar casos de soporte y programar seguimientos, con menos errores que los modelos de propósito general en el propio CRM Bench de Salesforce. Como Salesforce afirma que no se usan datos de clientes ni en el entrenamiento ni en la inferencia, los equipos que dudaban en enviar registros de CRM a un modelo de terceros para ajuste fino tienen una objeción menos para probar flujos de trabajo agénticos. El movimiento práctico es observar los resultados del grupo piloto de octubre en lugar de asumir que Koa supera a las opciones de modelo actuales antes de la disponibilidad general prevista para el invierno de 2026.

Claude for Small Business suma 43 flujos y 27 integraciones

Para una empresa que gestiona ventas y operaciones con entre 10 y 200 personas, los flujos ofrecidos coinciden directamente con tareas que hoy consumen el tiempo de un dueño o responsable de operaciones: un resumen de los lunes extraído de hasta 37 conectores posibles, calificación de leads fuera de horario con registro en el CRM, generación de propuestas con precios basados en trabajos anteriores, y un cierre mensual que concilia nómina, gasto con tarjeta y liquidaciones de ventas. El modelo de gobernanza es la parte que vale la pena revisar antes de adoptar cualquiera de estos flujos: todos arrancan por defecto en modo de aprobación, los permisos existentes del software se mantienen sin cambios, y Anthropic afirma que no entrena con datos de negocio por defecto en los planes Team y Enterprise. Ese es el detalle que un responsable de operaciones debería verificar contra sus propios requisitos de cumplimiento en lugar de asumirlo a partir del material de marketing: la lista de conectores, la puerta de aprobación y quién puede ver qué una vez que Claude queda conectado a los sistemas de finanzas y CRM.

n8n permite usar modelos de IA sin registrarse en cada proveedor

Para una empresa de 10 a 200 personas que construye flujos de ventas, soporte u operaciones en n8n, esto elimina un cuello de botella real: en vez de que un responsable de equipo pase una tarde configurando cuentas y claves API para Anthropic, Brave Search o LlamaParse solo para probar un nodo, selecciona Gateway credits y lo ejecuta de inmediato. El saldo compartido también implica que finanzas ve una sola factura en lugar de cinco facturas de proveedores distintos, y el Cloud Admin Panel permite que un responsable de operaciones vea qué flujo de trabajo está consumiendo créditos y en qué servicio. Los propietarios de instancia pueden desactivar Gateway credits por completo desde la configuración del Workspace, algo relevante para equipos que necesitan controlar qué proveedores externos tocan los datos de clientes que circulan por sus automatizaciones.

Anthropic lanza un plugin de Salesforce para Claude

Para un equipo de ventas en una empresa B2B de 10 a 200 personas, esto convierte a Claude en la capa que arma la preparación de llamadas y redacta el trabajo de higiene del CRM —cambios de etapa, fechas de cierre, tareas de seguimiento, registros de contacto— que los representantes hoy hacen a mano o directamente omiten. La trampa es que se necesita que un administrador conecte Salesforce y Slack a nivel de toda la organización a través de AgentExchange, y requiere un plan de pago de Claude; no reemplaza a Salesforce como sistema de registro, y cada escritura sigue necesitando un clic de aprobación humana, así que el tiempo realmente ahorrado depende de cuán disciplinado ya sea el equipo de ventas a la hora de registrar actividad.

Cloudflare adopta Python para agentes de IA en su red edge

La mayoría de las empresas B2B de 10 a 200 personas no tocará esto directamente, pero los equipos y agencias que construyen sus bots de soporte con IA a medida, búsqueda RAG interna o asistentes basados en MCP sí lo notarán: Hyperdrive ahora permite que un Python Worker consulte directamente la base de datos PostgreSQL o MySQL existente de la empresa, y el soporte nativo de langchain/openai significa que un proveedor de automatización puede levantar un agente de IA de cara al cliente o un asistente de conocimiento interno sin mantener un servidor aparte ni escribir adaptadores en JavaScript. Para un operador que evalúa construir o comprar una herramienta de soporte u operaciones con IA, esto reduce el costo de ingeniería de una solución a medida corriendo en la red de Cloudflare, algo que conviene señalar al contratista o desarrollador interno que mantiene el stack de automatización.

AWS lanza puntuación de calidad para agentes de IA en producción

Si tu empresa ha desplegado un agente de IA para gestionar tickets de soporte, calificar leads o disparar flujos de trabajo, probablemente no tengas visibilidad de si la calidad de sus respuestas se está degradando con el tiempo: una actualización del modelo, un caso límite nuevo o un cambio en la documentación pueden romperlo sin avisar. AgentCore Evaluations permite fijar umbrales de calidad (precisión, relevancia, seguridad) y recibir alertas automáticas cuando un agente en producción empieza a desviarse, en lugar de descubrirlo tres semanas después en una escalada de cliente. Para una empresa de 10 a 200 personas sin equipo dedicado de monitorización de ML, esto marca la diferencia entre detectar un bot de soporte averiado en horas o enterarte por un cliente enfadado.

Salesforce empaqueta agentes de IA por rol en Agentforce

Si tu empresa ya opera sobre Salesforce, esto reduce la distancia entre lo que habrías pagado a una consultora por construir algo (un agente de calificación de leads, un bot de triaje de tickets de servicio) y lo que ahora viene como módulo configurable. Vale la pena dedicar una hora a evaluarlo antes de dar luz verde a un desarrollo a medida para el mismo caso de uso. Pero para empresas de 10 a 200 personas, los niveles de precio empresarial de Agentforce y la dependencia del CRM significan que la mayoría de los equipos siguen obteniendo valor más rápido con automatizaciones puntuales conectadas directamente a su stack actual —correo, mesa de ayuda, CPQ— en lugar de adoptar una capa completa de agentes de Salesforce. El movimiento práctico es tratar este lanzamiento como referencia: si un agente preconstruido de Agentforce cubre el 80% de un flujo de trabajo que planeas automatizar, compáralo en precio con un desarrollo a medida; si solo cubre la porción nativa del CRM, sigue construyendo fuera de Salesforce, donde están tus herramientas reales.

Salesforce lleva interfaces visuales a los agentes de IA dentro de Slack

Para una empresa B2B de 10 a 200 personas que ya gestiona tickets de soporte, aprobaciones de negocios o solicitudes internas a través de Slack, esto cierra una brecha real: hoy un agente de IA que publica en Slack puede describir lo que quiere hacer, pero un humano todavía tiene que saltar a un CRM o herramienta de tickets separada para aprobarlo o ejecutarlo. Si Slack Surfaces funciona como se describe, un agente puede mostrar el registro de un cliente con un botón de 'aprobar reembolso' o 'escalar a humano' directamente en el canal, eliminando un paso del proceso y reduciendo la cantidad de herramientas que un representante de soporte u operaciones debe tocar por ticket. La limitación a corto plazo es que esto solo rinde frutos si el agente subyacente (Agentforce u otro agente de terceros conectado) ya está integrado con los sistemas de registro sobre los que actúan los botones: los equipos sin esa integración obtienen una ventana de chat más agradable, no un proceso más rápido.