¿Qué IA deberías usar en realidad? Construí una IA para eso.

El problema

Construí MemodoAI, un fork de LibreChat, para darle a toda la empresa un chatbot de IA y agentes sin suscripciones por puesto. Después hice que Claude produjera un tutorial de incorporación de 18 minutos. Ambos ayudaron. Ninguno resolvió el problema de fondo, que yo ya veía mucho antes de MemodoAI: la mayoría de la gente usa las herramientas de IA solo para una porción mínima de lo que pueden hacer. Reescribir un correo, un resumen, y ya.

El acceso no es el cuello de botella. Las instrucciones tampoco. Lo que falta es el vínculo entre lo que una herramienta puede hacer y el trabajo concreto que una persona hace cada día. Un tutorial cubre las funciones. No le dice a un controller cuáles de esas funciones aplican a su cierre de mes.

Qué hace Sherpa

Sherpa entrevista a una persona sobre su trabajo: tareas recurrentes, los sistemas que usa, dónde pierde tiempo, qué vuelve a teclear a mano. Devuelve de tres a cinco recomendaciones. Cada una nombra una capacidad de IA concreta (en MemodoAI, Claude o cualquier herramienta aprobada), explica cómo aplicarla al flujo de trabajo de esa persona y da una estimación conservadora del tiempo ahorrado, con el supuesto declarado. Termina pidiéndole a la persona que se comprometa a probar una.

La entrevista corre sin el catálogo de herramientas cargado. Es a propósito. Si el agente conociera el menú mientras hace preguntas, dirigiría todo hacia las necesidades que ya puede atender. Trabajar a ciegas lo obliga a mapear primero el trabajo y solo después, en una fase separada, cruzarlo con el catálogo. Eso también le permite reportar brechas: necesidades reales sin una buena herramienta detrás, que te dicen qué construir o comprar a continuación.

Un asesor personal, a escala

Sherpa ofrece el tipo de orientación que normalmente requiere un consultor, alguien que se sienta con cada empleado y mapea su trabajo con lo que está disponible. Eso no escala, así que la mayoría de las empresas nunca lo hace. Sherpa es software, así que la misma conversación a medida puede correr para todos a la vez, tantas veces como haga falta, incluso cada vez que aparece una herramienta o capacidad nueva.

Las órdenes desde arriba y las capacitaciones para toda la empresa no lo logran. La gente adopta la IA cuando alguien le muestra cómo encaja con su propio trabajo, y Sherpa puede hacer eso para todos a la vez.

Cómo está construido

Sherpa es una aplicación de LangGraph con tres nodos (diagnose, match, commit) y un objeto de estado tipado que lleva un needs profile estructurado entre ellos. Se sirve detrás de un endpoint delgado de FastAPI compatible con OpenAI, así que más adelante puede enchufarse a MemodoAI sin recablear nada. La inferencia corre sobre open weights vía Together AI. LangSmith se encarga del tracing y los evals. Las recomendaciones se arman en código a partir de un objeto JSON estructurado en lugar de que el modelo las redacte libremente, lo que mantiene el formato de salida estable y la calidad inspeccionable.

Estado

Es una prueba de concepto. El alcance es angosto a propósito: un banco de preguntas de finanzas, un solo usuario, un registro local de compromisos en lugar de una capa de medición para toda la organización. El punto de la POC es probar si las recomendaciones salen concretas y realmente útiles antes de construir cualquier cosa alrededor. Las limitaciones conocidas y la hoja de ruta diferida están en el repo.

Qué aborda

Sherpa cubre las partes de la adopción de IA que las organizaciones suelen tratar como problemas separados:

• Descubrimiento: dónde puede ayudar la IA en un rol concreto.
• Adopción: lograr que la gente use herramientas que ya existen.
• Medición: qué sugerencias se adoptan en toda la empresa, para que veas dónde la IA realmente rinde. Esto no es vigilancia de la productividad. Sherpa cuenta sugerencias, no personas. No rastrea quién usa IA y quién no, y no califica el rendimiento individual de nadie. No hay un panel por persona. Medir la adopción en lugar de a los individuos es también lo que lo mantiene dentro de los límites del comité de empresa y el RGPD.
• Automejora: cada conversación produce señal. A qué se comprometió la gente, qué ahorró tiempo, dónde se desviaron las estimaciones, qué necesidades no tenían herramienta. El eval harness lo captura; al reinyectarlo, ajusta el banco de preguntas, el matching y las estimaciones. Ese ajuste lo hago a mano por ahora. Con suficiente uso real, un agente supervisor puede correrlo, reescanear nuevas capacidades de herramientas y reinyectar ambas cosas.

Pruébalo

Es de código abierto. La imagen más clara del estado real es el directorio SDD/: las especificaciones y las revisiones críticas detrás de la construcción, el mismo proceso guiado por especificaciones sobre el que ya escribí.

Repo: github.com/pablooliva/sherpa