Volver al Blog

Cómo Uso Claude Code para Automatizar mi Consultoría de IA (Caso Real)

5 de marzo de 2026Actualizado el 19 de noviembre de 202610 min de lectura·Nicolas Farchica

Actualización 2026-11-19: este artículo describe un sistema multiagente que retiré el 3 de julio de 2026 porque, en la práctica, no lo estaba usando. Lo dejo publicado como retrospectiva: las lecciones sobre empezar de a un componente, documentar el contexto y poner puntos de revisión siguen valiendo. Hoy trabajo acompañando a equipos en la adopción de IA, con sesiones y guías de trabajo; si te interesa, está la consultoría de Claude para equipos y el pack de adopción guiada.

Hay una ironía en trabajar como consultor de IA para emprendedores: si no usás IA en tu propia operación, no tenés mucho que mostrar.

Así que cuando empecé a construir mi sistema de consultoría, decidí hacerlo de manera que pueda contarlo públicamente como un caso de uso real. Este artículo es ese caso real: cómo usé Claude Code para automatizar mi consultoría de IA en la primera mitad de 2026, qué construí, qué aprendí, y qué errores cometí.

Qué es Claude Code y por qué es diferente

Claude Code no es el Claude que usás en el chat de claude.ai. Es un entorno de desarrollo donde Claude tiene acceso a tu sistema de archivos, puede leer y escribir código, ejecutar comandos, y manejar proyectos completos de software — con vos como el director que toma las decisiones estratégicas.

La diferencia con un asistente de chat es enorme. En el chat, Claude responde preguntas. En Claude Code, Claude es un colaborador que trabaja en tu proyecto de manera directa: lee tus archivos, entiende el contexto completo del código, propone cambios, los implementa, verifica que funcionen, y reporta lo que hizo.

Para alguien que no es programador de profesión pero entiende la lógica de los sistemas, es transformador.

El problema que necesitaba resolver

Mi consultoría de IA para emprendedores y PyMEs tenía una tensión central: para ser un buen consultor de IA, necesitaba estar actualizado con lo que pasa en el ecosistema de IA, que cambia todos los días. Pero si paso todo el tiempo consumiendo información, no tengo tiempo para atender clientes.

Antes de automatizar, así se veía mi semana:

  • 3-4 horas buscando noticias y tendencias de IA en YouTube, LinkedIn, newsletters
  • 1-2 horas tomando notas de lo relevante
  • 1 hora armando material para el blog y LinkedIn
  • 2 horas gestionando el pipeline de clientes en el CRM
  • 1 hora generando reportes de métricas

Total: 8-10 horas semanales en tareas de gestión e investigación, antes de hacer una sola sesión de consultoría.

El objetivo era reducir eso a menos de 2 horas con la misma calidad de información.

Lo que construí: 10 agentes especializados

Con Claude Code diseñé y construí un sistema de agentes especializados. Cada agente es un conjunto de instrucciones (un archivo de configuración) que define cómo Claude debe comportarse cuando trabaja en una tarea específica.

Los 10 agentes del sistema

1. linkedin-content — Genera posts, carruseles y estrategia de contenido para LinkedIn. Conoce mi voz, mi audiencia, y los formatos que funcionan en mi cuenta.

2. frontend-dev — Trabaja en el código del sitio web (Next.js + Tailwind). Entiende el stack tecnológico, las convenciones del proyecto, y los requisitos de diseño.

3. backend-dev — Maneja APIs, webhooks, integraciones con Go High Level, y el deploy en Vercel. Se encarga de la lógica de servidor.

4. copywriter — Escribe el copy de la web, artículos de blog, descripciones de servicios. Conoce el posicionamiento de la marca y las objeciones del público objetivo.

5. email-marketer — Diseña y escribe secuencias de email para Go High Level. Entiende los principios de email marketing y los flujos de nurturing.

6. seo-specialist — Optimiza el contenido para buscadores: title tags, meta descriptions, estructura de headings, palabras clave. Audita el sitio regularmente.

7. video-creator — Trabaja con Remotion (mi herramienta de generación de video con código) para crear composiciones de video para LinkedIn e Instagram.

8. research-trends — Monitorea tendencias de IA, herramientas nuevas y movimientos de la competencia.

9. cro-analytics — Analiza métricas de Google Analytics, propone mejoras en conversión, y evalúa el rendimiento de las páginas.

10. research-manager — El agente más complejo. Coordina el pipeline de investigación completo: escaneo de canales, generación de briefings y documentación de repositorios de código.

Cada agente tiene su propio archivo de instrucciones con: rol, herramientas disponibles, cómo debe trabajar, qué revisar antes de hacer cualquier cosa, y cómo entregar sus outputs.

Si querés replicar esta parte, ahí está el verdadero trabajo de arquitectura: cuántos agentes conviene tener, qué contexto recibe cada uno y quién coordina a quién. Lo desarmé entero en la guía de subagentes en Claude Code, con los patterns que funcionan y los errores que hacen que un sistema multi-agente rinda menos que un solo Claude bien instruido.

El pipeline de investigación diario

El sistema que más tiempo me ahorraba era el pipeline de investigación. Funcionaba así:

Script en Python (research-pipeline.py) — Todos los días a las 7 AM, un script en Python hacía fetch de los últimos 5 videos de 15 canales de YouTube que seguía sobre IA. Extraía títulos, descripciones y transcripciones cuando están disponibles.

15 canales monitoreados — Estaban seleccionados por calidad de contenido técnico y relevancia para mi audiencia: canales de ingenieros de IA, founders de startups de herramientas, investigadores, y divulgadores de calidad.

~3000 fuentes en NotebookLM — Todo el conocimiento acumulado de mis investigaciones, artículos, documentaciones y notas vivía en NotebookLM. Era mi segundo cerebro consultable.

El research-manager como agente coordinador — Cuando lo invocaba, el agente procesaba todos los videos nuevos del día, los agrupaba por tema, identificaba los más relevantes para mi audiencia, y generaba un briefing consolidado.

El briefing diario — Un documento de 500-800 palabras que resumía: los temas más importantes del día en IA, las herramientas nuevas que aparecieron, las oportunidades de contenido que identificaba, y las conexiones entre temas.

Tiempo de mi parte para generar este briefing: cero. Lo leía en 5 minutos mientras tomaba el café.

Lo que hace posible que un agente salga a buscar afuera —YouTube, la web, mi propia base de notas— son los MCP servers: el estándar que le conecta herramientas externas a Claude. Cuáles instalé y cuáles descarté después de probarlos está en los mejores MCP servers para Claude Code.

Cómo Claude Code hace posible todo esto

La clave técnica es que Claude Code puede leer y escribir archivos en mi máquina directamente. Cuando le pido que construya un nuevo workflow o que mejore un agente existente, no me da instrucciones para que yo lo implemente — lo implementa él directamente, yo lo reviso y apruebo.

Un ejemplo concreto:

Le digo: "Necesito un agente de email-marketer que pueda escribir secuencias de 5 emails para Go High Level, que conozca el posicionamiento de mi consultoría y que siempre revise el content-log antes de escribir para no repetir temas."

Claude Code hace esto:

  1. Lee los archivos de configuración de agentes existentes para entender el formato
  2. Lee el archivo de product-marketing-context.md para entender el posicionamiento
  3. Lee el content-log.md para entender qué existe
  4. Escribe el archivo completo del nuevo agente con todas esas instrucciones integradas
  5. Me muestra el resultado para que lo revise
  6. Si necesito ajustes, los hace directamente

Tiempo total: 10-15 minutos. Antes, documentar un proceso así me tomaba 2-3 horas.

Cuando una instrucción de estas se repite semana a semana, deja de tener sentido escribirla de nuevo cada vez: se convierte en un slash command propio, que queda guardado en el proyecto y se invoca con una palabra. Cómo se arman y hasta dónde llegan lo cuento en la guía de slash commands en Claude Code.

Los errores que cometí (para que no los repitas)

Error 1 — Querer automatizar todo de golpe: Los primeros dos meses intenté construir el sistema completo de una vez. El resultado fue caos: flujos a medio terminar, agentes que no funcionaban bien, documentación inconsistente. Aprendí a ir un componente a la vez.

Error 2 — No documentar el contexto desde el principio: Claude Code trabaja mejor cuando tiene contexto claro: qué es el proyecto, qué stack usa, cuáles son las convenciones. Tardé varias semanas en escribir el CLAUDE.md que centraliza todo ese contexto. Una vez que lo hice, la calidad del trabajo de Claude Code mejoró notablemente.

Error 3 — Darle demasiada autonomía sin checkpoints: Al principio quería que el sistema fuera completamente autónomo. Aprendí que los mejores resultados vienen de revisar cada paso importante antes de que el agente avance. No es falta de confianza en la IA — es la diferencia entre supervisión y abandono.

Error 4 — Ignorar el costo de la API: Claude Code usa tokens. Con uso intensivo, el costo mensual puede ser significativo. Aprendí a ser preciso con las instrucciones y a no tener conversaciones largas cuando podía resolver algo en una más corta.

Los números después de 4 meses

Con el sistema funcionando, los cambios concretos en mi operación:

Tiempo de investigación y actualización: de 4-5 horas semanales a 30 minutos (solo leer el briefing y aprobar o descartar lo relevante)

Tiempo de producción de contenido: de 3-4 horas semanales a 1-1.5 horas (editar y publicar drafts generados por los agentes)

Tiempo de gestión de clientes: de 2-3 horas a 45 minutos (los flujos de GHL manejaban el seguimiento automáticamente)

Tiempo de desarrollo web: reducción de 70% en el tiempo de implementar cambios en el sitio

Total tiempo operativo ahorrado: 8-10 horas semanales que redirigía a sesiones de consultoría y al trabajo estratégico.

Por qué esto importa para tu negocio

No te estoy contando esto para impresionarte con lo que hago yo. Te lo cuento porque los principios son los mismos para cualquier negocio:

  1. Identificás los procesos que te consumen más tiempo
  2. Documentás cómo funcionan esos procesos
  3. Construís un sistema (con IA o sin ella) que los ejecute de manera consistente
  4. Vos supervisás y hacés las decisiones estratégicas

La diferencia entre mi sistema y el tuyo es solo la escala y las herramientas específicas. El proceso es idéntico.

Un negocio de e-commerce puede automatizar su servicio al cliente y su gestión de inventario. Una agencia de marketing puede automatizar sus reportes y su producción de contenido. Un consultor de finanzas puede automatizar su pipeline de prospección y su seguimiento de clientes.

El sistema que construyas va a ser diferente al mío. Pero si querés construirlo de manera que realmente funcione y no solo se vea bien en una presentación, el proceso empieza por entender bien qué necesitás automatizar.

Del artículo a tu negocio

¿Querés aplicar IA a un proceso de tu negocio?

Contame cómo lo resolvés hoy y qué querés mejorar. Reviso tu caso y te digo si puedo ayudarte y qué servicio encaja.

Escribir no reserva una llamada ni contrata un servicio.

Herramientas relacionadas

Si no necesitás el nivel técnico de Claude Code pero querés automatizar tu trabajo con IA, estas guías te van a servir:

Nicolas Farchica
Nicolas Farchica

Especialista en Agentes de IA · Copenhague

Diseño e implemento agentes IA, MCP servers y harnesses en producción: el loop, las herramientas y el contexto que hacen que un modelo pase de contestar a trabajar. Todo lo que ves en este sitio está construido así.

Artículos relacionados