🚧 El límite del prompting: cuándo se necesita un agente

Felicidades: has completado 3 lecciones, conoces RCTF, dominas 5 patrones y no cometes los errores típicos. Estás en el top 5% de las personas en nivel de prompting.

Pero pronto te toparás con una pared. Te la mostraré ahora mismo.

🧪 Un caso real: monitoreo automático de competidores

Supongamos que tienes una startup SaaS. Una vez a la semana quieres saber:

• Qué novedades han lanzado 10 competidores
• Qué cambios de precios han realizado
• Qué funciones (features) han añadido
• Qué se dice de ellos en Twitter (sentimiento + volumen)
• El informe correspondiente en Slack todos los lunes a las 9:00

¿Puedes resolver esto con un solo prompt? Probemos.

❌ Intento 1: El prompt perfecto

Eres un analista experto en inteligencia competitiva.

Contexto: soy el fundador de una startup SaaS en el nicho de automatización de correo electrónico.
Lista de competidores: [Mailchimp, ConvertKit, Beehiiv, Brevo, Klaviyo, ...]

Tarea: analiza qué ha cambiado en estos competidores durante la última semana.
Lee sus sitios web, blogs y cuentas de Twitter. Encuentra:
1. Nuevos productos/funciones
2. Cambios de precios
3. Sentimiento en redes sociales

Formato: Informe en Markdown.

Piensa paso a paso.

Qué responderá ChatGPT/Claude:

Es decir, el prompt es perfecto, pero la IA no puede ejecutarlo. No tiene herramientas.

🤖 Lo que necesitas: un agente de IA

Un agente es una IA + herramientas. El mismo LLM (Claude, GPT), pero con acceso a:

• 🌐 Web scraping: visita sitios web y lee el HTML
• 📱 API de Twitter/X: recopila publicaciones y reacciones
• 📊 Analítica: calcula el sentimiento, los volúmenes y las tendencias
• 📅 Cron / programador: se ejecuta los lunes a las 9:00
• 💬 API de Slack: envía el informe a tu canal
• 🧠 Memoria: recuerda lo que pasó hace una semana y lo compara

El prompt sigue siendo el mismo. Pero ahora el LLM puede ejecutar, en lugar de «disculparse por no tener acceso».

🎬 Demostración: qué hace un agente frente a un prompt

Un ejemplo concreto con uno de nuestros clientes en NEXUS Algo:

• Sin agente: el fundador pasaba 4 horas el lunes revisando manualmente a 10 competidores
• Con agente: el informe llega a Slack a las 9:00, el fundador lo lee en 5 minutos
• Diferencia: se recuperan 200 horas al año

Este es solo un caso de uso. El mismo cliente tiene actualmente 7 agentes en funcionamiento:

• Monitoreo de competidores (semanal)
• Enriquecimiento de leads desde HubSpot (en tiempo real)
• Respuestas automáticas a preguntas frecuentes en Intercom (24/7)
• Análisis de llamadas del equipo de ventas (diario)
• Auditoría SEO de sitios web de clientes (mensual)
• Publicación automática en 5 plataformas (por disparadores/triggers)
• Informe nocturno de métricas (diario a las 7:00 a. m.)

📊 El gran impacto de 2026

Según datos de Anthropic, la demanda de «AI Agent Engineer» se multiplicó por 4 entre 2025 y 2026. El salario promedio en EE. UU. es de $140-220k. En la UE: €80-130k. Y este es el límite inferior.

🎓 ¿Qué sigue?

Ahora mismo puedes:

• 1. Quedarte en el nivel de los prompts. Es una habilidad útil que se amortiza en el trabajo diario ahorrando de 1 a 2 horas al día.
• 2. Pasar al nivel de los agentes. Esta ya es una habilidad de ingeniería, pero sin necesidad de un título en informática. En 6-8 semanas puedes estar ganando como un junior AI Agent Engineer.

📝 Qué has aprendido en este minicurso

• ✅ La anatomía de un prompt (RCTF)
• ✅ 5 patrones de prompting
• ✅ 5 errores típicos y cómo evitarlos
• ✅ Comprender dónde falla el prompt y por qué

Esto es suficiente para estar en el top 5%. Para estar en el top 0.5%, necesitas agentes.

← Todos los cursos de la escuela NEXUS Algo