ContactLab
Para quien decide todo el día

7 preguntas sobre agentes de IA — respondidas con dibujos, no con jerga.

Usted no necesita entender de IA para usarla con seguridad. Lea por 3 minutos. Si tiene sentido, un mensaje resuelve el resto.

Su mensaje llega directo al fundador.

1. ¿Qué hace ContactLab, en una frase?

Ejecuta tareas con agentes de IA en un entorno aislado — y le entrega la prueba de lo que se hizo.

Conciliación de facturas. Liberación de lote. Trazabilidad y recall. Trabajo que se repite — y necesita prueba.

Y no se limita a lo operativo: el catálogo trae cientos de puntos de partida — agentes, skills y plantillas, de finanzas a marketing, de salud a ingeniería. Si un agente de código con un buen modelo lo puede hacer, aquí sale con prueba.

De la tarea a la prueba: cómo ejecuta ContactLabLa tareausted describe lo que necesitaLa ejecuciónel agente corre en un entorno aisladoLa pruebaregistro completo + resultado

2. ¿No es solo otro chat de IA?

No. En el chat, usted opera: pregunta, lee, copia y pega. Aquí, un agente montado a partir del catálogo ejecuta la tarea en un entorno aislado — y el trabajo vuelve con recibo, del primer comando al resultado final.

Por dentro, son agentes de código: la tecnología que los equipos de ingeniería del mundo usan en producción todos los días (Claude Code, OpenAI Codex, Qwen Code, Google Antigravity). La apuesta no es un agente experimental — es reaprovechar la clase de agente más usada en producción, con gobernanza por encima.

Quien acompaña el resultado es su equipo, en el panel — sin terminal, sin programación.

El chat sigue siendo su herramienta de pensamiento. ContactLab es su línea de ejecución.

3. ¿Cómo sé qué hizo el agente?

Cada ejecución deja un registro completo: los comandos, los archivos creados, los accesos realizados y el resultado. Usted lee el informe como quien lee un laudo de auditoría.

Y mientras el agente trabaja — por muchos minutos — usted sigue los eventos y aprueba lo que importa. Nadie queda esperando frente a la pantalla.

Anatomía de una ejecuciónPrompt / gatillolo que pides + contexto verificadoSandboxentorno efímero por tareaEl agente ejecutaClaude Code · Codex · Qwen · AntigravityRed con alcanceintentos fuera de política: bloqueo registradoAprobación humanaconsentimientos por agente y herramientaResultados + Evidenciaarchivos, eventos, decisionesCada ejecución registra: Contexto · Actividad · Resultados · Red · Aprobaciones · Evidencia

4. ¿Y si se equivoca? ¿Y si hace de más?

Tres líneas de control — todas definidas por usted:

Tres líneas de control: permisos, red y aprobaciónPermisoslo que puede hacerReddónde puede accederAprobaciónlo que depende de usted

Las acciones consiguientes — enviar, pagar, publicar — solo ocurren con aprobación registrada. El catálogo es punto de partida, no un endoso: revisar el contenido y cada paso es su responsabilidad. La autonomía se gana con evidencia, no se concede.

5. ¿Cuánto cuesta? ¿Y si se pasa del presupuesto?

El costo aparece por ejecución: tokens, tiempo y modelo usados. Usted ve el gasto antes de que se vuelva factura. Y el piloto de 30 días solo empieza con criterios de éxito acordados por escrito.

El “y si no funciona” también queda acordado por escrito: si el flujo no corre de punta a punta con rastro de evidencias, la decisión documentada es Cerrar — sin compromiso de continuidad.

Ver el alcance del piloto

6. Ya uso ChatGPT y Claude. ¿Por qué otra herramienta?

Usted no cambia nada — y el chat de hoy es poderoso: piensa, responde, redacta y, cada vez más, actúa.

El propio ChatGPT hoy se presenta como un agente que "piensa y actúa". La pregunta de la empresa no es si el agente actúa — es quién responde por él.

ContactLab se encarga del trabajo que no puede quedarse sin recibo: lo que toca dinero, clientes o sistemas de la empresa.

Lo que el chat de hoy ya hace

Mucho más que conversar: ChatGPT y Claude navegan, ejecutan código, usan conectores y completan tareas multi-etapa — en entornos de los propios proveedores, con usted operando cada tarea.

Lo que la empresa necesita alrededor

Ejecución en un entorno aislado — y las herramientas en su cuenta AWS. Red y credenciales con alcance. Aprobación registrada en las acciones consiguientes. El mismo trabajo repetible sin reescribir el prompt, con costo y resultado medidos por ejecución — y el trabajo volviéndose activo de la empresa, no conversa de una persona.

Y el modelo correcto cambia con la tarea: la misma tarea puede costar muchas veces más — o equivocarse más — en otra combinación de agente y modelo. ContactLab mide cada combinación (Claude Code, OpenAI Codex, Qwen Code, Google Antigravity). Y usted elige por la evidencia de su propio trabajo, no por rankings genéricos.

Y el uso de IA que hoy es personal pasa a ser de la empresa: ejecución aislada, memoria compartida e historial auditable.

Y usted pasa a ser la persona que trajo IA con control a la empresa — no la que importó un riesgo.

Lo que viene dentro

Para el escéptico del equipo — la especificación en diez líneas:

Ejecución aislada por tarea

Entorno temporal, destruido al final. Red con destinos permitidos — los intentos fuera de política quedan registrados. Credenciales con alcance.

Evidencia completa por ejecución

Entradas, salidas, eventos, decisiones, tiempo, costo, agente y modelo. Cuando la auditoría pregunte, existe la respuesta.

Revisión humana y autonomía progresiva

Toda ejecución pasa por una persona. La autonomía crece con evidencia — por diseño, no por promesa.

Catálogo de trabajo reutilizable

Cientos de puntos de partida, skills y plantillas — entorno en 1 clic e importación directa desde GitHub.

MCP: público y en su cuenta AWS

Conectores públicos (context7) y MCP custom vía Bedrock AgentCore con SSO. Sus herramientas, su cuenta, su control.

Memoria de la empresa

Hindsight en runtime: procedimientos y correcciones aprobadas se vuelven contexto. La segunda ejecución sale mejor que la primera.

Multi-agente, multi-modelo

Claude Code, Codex, Qwen y Antigravity — con Anthropic, OpenAI/Azure, Bedrock, Gemini/Vertex, Alibaba o local (vLLM/Ollama).

Gobernanza y privacidad

SSO y permisos por rol, privado por defecto, cifrado en tránsito y en reposo, consumo medido en el panel.

Analytics y FinOps

Conclusión técnica, latencia de aprobaciones (p50/p95), adopción bajo gobernanza, costo por modelo y tokens. Ni el costo queda escondido.

Acceso granular

Visibilidad por recurso — privado, compartido u organización — y consentimientos revocables a cualquier momento.

Sus herramientas, su cuenta AWS

Sus datos y archivos son privados por defecto — y pueden persistir en recursos AWS que usted controla, con acceso cross-account controlado. El MCP corre vía AWS Bedrock AgentCore: un token efímero por ejecución, autorizado contra su SSO.

MCP custom en tu cuenta AWSContactLabAgente (runtime)Claude Code · Codex · Qwen · Antigravitymcp-broker sidecartoken efímero por ejecuciónTU CUENTA AWSBedrock AgentCore — gatewayautorizador JWT + tu SSOTus herramientas MCPrecursos en tu cuentastream_httpCada ejecución registra: Contexto · Actividad · Resultados · Red · Aprobaciones · Evidencia

7. ¿Cómo empiezo?

Una conversa de 30 minutos, con una ejecución real frente a usted. Si tiene sentido, un diagnóstico de entrada en su primer flujo — y un piloto de 30 días con el éxito acordado antes de correr.

El diagnóstico — una lectura de su flujo actual, con plan de ejecución — entra como crédito en el piloto. Y el piloto incluye documentación de arquitectura y seguridad lista para su equipo de TI — quien aprueba el piloto suele ser otra persona.

Después, el camino es gradual:

Ciclo de madurez de la adopciónExperimentarObservarRevisarRepetirGobernarAutomatizarrepite hasta que la evidencia muestra madurez

¿Quedó una pregunta? Se vuelve respuesta en un mensaje.

No lo decimos nosotros. Lo dice el mercado.

“El uso de IA en las empresas brasileñas casi se duplicó en un año: de 29% a 45%.”

FGV — estudio con 3 mil empresas

“ChatGPT ahora piensa y actúa — usa herramientas para completar tareas.”

OpenAI — lanzamiento de ChatGPT agent

“Si vendes la herramienta, estás en una carrera contra el modelo.”

Sequoia Capital — Services: The New Software

“Más del 40% de los proyectos de IA agéntica serán cancelados para 2027 — entre las causas, controles de riesgo inadecuados.”

Gartner — 2025

“Why AI is going vertical (again)”

“El 82% de las empresas brasileñas tiene IA en uso sin aprobación — y solo el 18% de forma integrada.”

Exame — uso corporativo de IA en Brasil
Anthropic — Dianne Penn en Lenny’s Podcast

Cuando los modelos se vuelven commodity, el valor migra a las aplicaciones.

Mistral — Arthur Mensch, CEO

Los agentes y el razonamiento más barato amplían lo que el software puede hacer.

Sarah Guo — Conviction, AI Engineer 2025

La IA exige un nuevo modelo operativo: de la experimentación artesanal a la producción a escala.

Marco Iansiti — Harvard Business School

Los agentes en producción piden aislamiento de sesión, identidad, memoria y observabilidad.

AWS — Bedrock AgentCore

“Solo el 7% de los turnos de agente requieren un modelo de frontera.”

LangChain — benchmark Switchyard

Opportunities in AI: el mapa del valor — de tareas a sistemas que ejecutan el trabajo.

Andrew Ng — Stanford, 2023

“El uso de IA en las empresas brasileñas casi se duplicó en un año: de 29% a 45%.”

FGV — estudio con 3 mil empresas

“ChatGPT ahora piensa y actúa — usa herramientas para completar tareas.”

OpenAI — lanzamiento de ChatGPT agent

“Si vendes la herramienta, estás en una carrera contra el modelo.”

Sequoia Capital — Services: The New Software

“Más del 40% de los proyectos de IA agéntica serán cancelados para 2027 — entre las causas, controles de riesgo inadecuados.”

Gartner — 2025

“Why AI is going vertical (again)”

“El 82% de las empresas brasileñas tiene IA en uso sin aprobación — y solo el 18% de forma integrada.”

Exame — uso corporativo de IA en Brasil
Anthropic — Dianne Penn en Lenny’s Podcast

Cuando los modelos se vuelven commodity, el valor migra a las aplicaciones.

Mistral — Arthur Mensch, CEO

Los agentes y el razonamiento más barato amplían lo que el software puede hacer.

Sarah Guo — Conviction, AI Engineer 2025

La IA exige un nuevo modelo operativo: de la experimentación artesanal a la producción a escala.

Marco Iansiti — Harvard Business School

Los agentes en producción piden aislamiento de sesión, identidad, memoria y observabilidad.

AWS — Bedrock AgentCore

“Solo el 7% de los turnos de agente requieren un modelo de frontera.”

LangChain — benchmark Switchyard

Opportunities in AI: el mapa del valor — de tareas a sistemas que ejecutan el trabajo.

Andrew Ng — Stanford, 2023