Automatizar la generación de informes mensuales era uno de los cuellos de botella de nuestro equipo de analítica, así que construimos un agente con Claude API que hoy produce el primer borrador de cada reporte. En este artículo compartimos la arquitectura en tres capas que diseñamos, las decisiones que tomamos para evitar alucinaciones en las cifras y los aprendizajes de operar el sistema en producción con datos reales de clientes en Colombia y España. El objetivo no era eliminar al analista, sino liberarlo de la parte más mecánica del proceso para que dedique su tiempo a interpretar y a recomendar.
La arquitectura en tres capas
El sistema separa claramente la ingesta de datos, la capa de razonamiento y la capa de presentación. Los datos se extraen de GA4 y BigQuery, Claude los interpreta y genera el análisis, y una capa de plantillas convierte ese análisis en documentos listos para revisar, con gráficos y tablas ya formateados según la identidad de cada cliente.
Prompts como contratos
Tratamos cada prompt como un contrato versionado, con entradas esperadas, formato de salida y criterios de calidad explícitos. Este enfoque redujo drásticamente las alucinaciones en las cifras, porque el modelo trabaja siempre sobre datos concretos y con instrucciones muy acotadas sobre qué puede y qué no puede afirmar, sin margen para inventar métricas que no existen.
Qué aprendimos en producción
La verificación humana sigue siendo clave: el agente redacta y calcula, pero un analista valida antes de enviar cualquier informe al cliente. El resultado es un ahorro de alrededor del 70% en tiempo de elaboración, manteniendo la calidad y la responsabilidad sobre las conclusiones en manos del equipo, que ahora revisa en minutos lo que antes construía en horas.
Lecciones transferibles
El proyecto dejó lecciones aplicables a cualquier equipo que quiera automatizar tareas con IA: empezar por un problema bien acotado, tratar los prompts como código versionado y no eliminar nunca la verificación humana en las decisiones sensibles. Estas prácticas son las que separan un experimento vistoso de un sistema fiable en producción.
