AI Operations Agent para PYMEs: nuestra solución para la hackathon de Anthropic
Detalle técnico de nuestra propuesta: un agente de IA que conecta operaciones de pequeñas empresas mediante MCP, permitiendo coordinación automática entre negocios.
El problema que queremos resolver
El 90% de las pequeñas empresas en Latinoamérica opera con herramientas desconectadas: inventario en Excel, pedidos por WhatsApp, facturas en el SII, ventas en un POS básico, costos en la cabeza del dueño. Toman decisiones operacionales a ciegas porque sus datos están fragmentados y el análisis es manual.
Los ERPs existen, pero son caros, complejos y diseñados para corporaciones. Las PYMEs necesitan algo distinto: una solución que se adapte a cómo ya trabajan, no al revés.
La solución: un agente operacional con MCP
Cada negocio obtiene su propio servidor MCP que organiza y conecta toda su data interna en una interfaz conversacional. Pero lo que lo hace realmente poderoso es que estos servidores MCP pueden conectarse entre sí.
Capa interna — tu negocio, unificado
El dueño sube planillas, facturas, datos de ventas, incluso fotos de stock. El agente consolida todo en un perfil operacional estructurado y responde preguntas en lenguaje natural:
- “¿Qué necesito pedir esta semana?”
- “¿Cuál es mi margen real este mes?”
- “¿Qué local está rindiendo menos?”
Capa externa — negocios hablando entre sí
Una cafetería con este agente puede conectarse directamente al servidor MCP de su proveedor de café para hacer pedidos automáticamente. Un operador de vending puede exponer un endpoint MCP de soporte para que los clientes reporten problemas y el sistema despache un técnico. Un distribuidor puede publicar disponibilidad y precios como recursos MCP que sus clientes consultan en tiempo real.
Qué habilita esta arquitectura
- Proveedor → Retailer: reabastecimiento automático basado en consumo real
- Servicio → Cliente: soporte técnico conversacional con tracking
- Distribuidor → Red: catálogo en vivo, pricing y disponibilidad en toda la cadena
- Cualquier relación B2B: comunicación estructurada entre negocios donde agentes negocian, ordenan y coordinan en nombre de sus dueños
MCP se convierte en el protocolo universal para operaciones de PYMEs — no solo inteligencia interna, sino conectividad entre empresas.
El piloto: café de especialidad
Para la demo de la hackathon construiremos una vertical completa: un proveedor de café y sus clientes retail.
Dos agentes MCP conectados:
- El agente del proveedor expone catálogo público y endpoint de pedidos
- El agente del cliente detecta stock bajo, consulta el MCP del proveedor y hace el pedido automáticamente
El momento demo: un dueño de cafetería dice “Pide lo que necesito para la próxima semana” y dos agentes de IA completan una transacción B2B a través de MCP sin coordinación humana. Con datos reales de Patagonia Blend.
Privacidad y separación de datos
Cada servidor MCP tiene dos capas estrictas:
- Contexto privado (costos, márgenes, financieros, historial) nunca sale de la sesión del dueño
- Interfaz pública (catálogo, colocación de pedidos, estado) es explícitamente definida — el dueño controla exactamente qué expone
Como un restaurante: la cocina es privada, el menú es público.
Arquitectura técnica
Frontend — React + TypeScript
- Chat UI con streaming en tiempo real
- File Upload drag & drop (Excel, CSV, XML, PDF, imágenes)
- Dashboard Operacional con métricas en vivo
Backend — Python + FastAPI
Chat Engine (dual LLM):
| Modelo | Función |
|---|---|
| Claude Opus 4.7 | Orquestación de tools, razonamiento multi-paso, gestión de contexto |
| Claude Haiku 4.5 | Tareas rápidas, routing, clasificación |
MCP Server (FastMCP) — doble capa:
| Capa Privada | Capa Pública |
|---|---|
| Costos reales | Catálogo de productos |
| Márgenes | Colocar pedido |
| Alertas internas | Estado de orden |
| Historial completo | Pricing vigente |
El dueño controla exactamente qué se expone. Privado nunca sale de la sesión.
Business Intelligence Tools:
- Stock Projector — proyección de quiebre de stock
- Margin Calculator — margen real por producto/período
- Purchase Order Generator — órdenes de compra automáticas
- Demand Forecaster — predicción de demanda
- Supplier Price Tracker — seguimiento de precios de proveedores
- Anomaly Detector — alertas de datos fuera de rango
Data Parsers: Excel, CSV, XML (DTE/SII), PDF, imágenes (OCR)
Session Store: inventario, ventas, proveedores, alertas y conversaciones — aislado por negocio.
Conexión MCP-to-MCP
El flujo automático entre dos negocios:
Agente Cliente (Cafetería) ←→ Agente Proveedor (Patagonia Blend)
| Paso | Cliente | Proveedor |
|---|---|---|
| 1 | Detecta stock bajo de café | — |
| 2 | Consulta catálogo del proveedor vía MCP | Expone catálogo público |
| 3 | Genera orden de compra | Recibe y valida pedido |
| 4 | Confirma recepción | Confirma envío y ETA |
Trigger: el dueño dice “Pide lo que necesito para la próxima semana” y los dos agentes completan la transacción B2B sin intervención humana adicional.
Plan de implementación (5 días)
| Día | Entregable |
|---|---|
| 1 | MCP server core con parsers de datos (Excel, CSV, XML facturas). Agente interno funcional: subir data, hacer preguntas, obtener respuestas. |
| 2 | Herramientas de inteligencia: proyector de stock, calculadora de margen, forecaster de demanda, generador de órdenes de compra. |
| 3 | Capa MCP pública: exponer catálogo + herramientas de pedido. Construir el segundo agente (lado cliente) que se conecta al MCP del proveedor. |
| 4 | Flujo end-to-end: agente cliente detecta stock bajo → consulta MCP proveedor → genera orden → agente proveedor valida → confirma. |
| 5 | Grabación de demo, casos borde, manejo de errores. Testing con datos reales de Patagonia Blend. |
Por qué creemos que puede ganar
- Problema real: millones de PYMEs operan así — no es un nicho
- Usuario real: Sebastián lo usa el día uno en sus propios negocios
- MCP-native: demuestra el protocolo que Anthropic está impulsando, incluyendo conectividad inter-agentes
- Opus 4.7: razonamiento multi-paso sobre datos financieros y operacionales requiere el modelo más capaz
- Desde Chile: perspectiva latinoamericana, mercado de 10M+ PYMEs
Stack
- Frontend: React, TypeScript
- Backend: Python, FastAPI
- MCP: FastMCP (servidores público/privado)
- LLM: Claude Opus 4.7 (razonamiento), Claude Haiku (tareas rápidas)
- Deploy: Railway
- Construcción: 100% con Claude Code