En el post sobre autoresearch escribí que las empresas que descubran cómo dirigir loops de iteración autónoma van a operar a una velocidad diferente. Que van a competir contra organizaciones que iteran 12 veces por hora.

Uno de los socios de IQ Source lo leyó y preguntó: “¿Cómo se vería eso en una empresa real? No de Silicon Valley — de acá.”

Buena pregunta. Un loop autónomo necesita tres cosas: un proceso con parámetros ajustables, una métrica clara, y restricciones que el agente no puede cruzar. El humano define la dirección; el agente itera toda la noche; el equipo revisa resultados en la mañana. Cinco escenarios, cinco países, cinco industrias.

Grupo Monge (Costa Rica): 200 combinaciones de crédito antes del lunes

Imaginemos que es lunes a las 7 am en las oficinas de Grupo Monge. El gerente de crédito abre su dashboard y encuentra 200 combinaciones de parámetros crediticios que un agente probó durante el fin de semana — diferentes enganches, plazos y tasas, segmentados por perfil de cliente y categoría de producto.

No son números aleatorios. El agente usó datos históricos de mora y aprobación para simular cada combinación contra los últimos 18 meses de comportamiento real. Las restricciones: nunca bajar del umbral regulatorio de SUGEF, nunca superar el techo de riesgo por categoría.

El hallazgo que nadie habría buscado: un enganche diferenciado para la línea de muebles — más bajo que el estándar pero con plazo más corto — reduce la mora en esa categoría sin afectar el volumen de aprobación. La regla general trataba muebles igual que electrodomésticos. El agente encontró que no deberían serlo.

El gerente no perdió control. Definió las restricciones y la métrica (tasa de mora a volumen dado). Lo que no tenía era tiempo para probar 200 variantes una por una.

Pollo Campero (Guatemala): el menú que se optimiza por zona

Pollo Campero opera en contextos muy diferentes: zona 10 en Ciudad de Guatemala, Quetzaltenango, y locales en Estados Unidos. Cada mercado tiene costos, preferencias y ritmos distintos.

Imaginemos un agente que prueba configuraciones de menú — qué combos destacar, a qué precio, en qué horario — optimizando dos métricas: margen por ticket y throughput en hora pico.

Configuración	Margen por ticket	Tiempo promedio de servicio
Menú estándar actual	Base	Base
Variante zona 10 (combo premium al frente)	+8%	+15 seg
Variante Quetzaltenango (combo familiar destacado)	+5%	−20 seg

El hallazgo: un combo que lleva meses en la parte baja del menú tiene el mejor margen por minuto de preparación. No el mejor margen absoluto — el mejor margen por unidad de tiempo en cocina. Nadie lo había evaluado con esa métrica porque el reporte estándar ordena por ventas totales, no por eficiencia operativa.

El agente no decide cambiar el menú. Presenta opciones rankeadas. El equipo de marca y operaciones decide qué implementar y dónde.

Caracol Knits (Honduras): calidad que no duerme

Instrucciones (viernes 5 pm): El jefe de planta define el objetivo — reducir tasa de defectos por lote sin bajar velocidad de producción. Las restricciones: no exceder temperatura máxima de maquinaria, no modificar especificaciones del cliente, mantener output mínimo por turno. Métrica: defectos por cada 1,000 unidades.

Noche: El agente simula combinaciones de velocidad de línea y tensión de hilo contra datos históricos de los últimos 6 meses de producción. 150 combinaciones. Cada una evaluada contra la tasa de defectos real de lotes similares.

Lunes 6 am: El supervisor encuentra un resultado que contradice la práctica habitual. La planta ajustaba velocidad O tensión, nunca las dos al mismo tiempo — por costumbre, no por evidencia. El agente encontró que una combinación específica de ambas variables reduce defectos ~12% con el mismo output. Nadie la había probado porque el ajuste simultáneo se consideraba riesgoso.

Caracol Knits no delegó qué contratos aceptar ni qué clientes priorizar. Delegó la búsqueda del punto óptimo en variables que ya controlaba.

El Latino Foods (Miami): rutas que se reescriben cada noche

Antes (ruta manual):

• Rutas fijas diseñadas hace 18 meses, actualizadas trimestralmente
• Secuencia de carga basada en orden de pedido, no en ruta
• El tráfico de la I-95 y Palmetto en hora pico se “absorbe” como costo fijo

Después (con loop autónomo):

• El agente recalcula rutas cada noche usando datos de tráfico de la semana anterior y pedidos confirmados del día siguiente
• Secuencia de carga optimizada para la ruta — lo último en entrar es lo primero en bajar
• Las ventanas de entrega comprometidas se mantienen como restricción absoluta

El hallazgo: invertir el orden de tres paradas en la ruta sur — visitando primero la zona de Homestead antes de subir por la US-1 — ahorra 40 minutos de tráfico en hora pico. Cuarenta minutos por camión, por día. La ruta original se diseñó cuando esas tres paradas eran clientes nuevos y se agregaron al final. Nadie la rediseñó después.

El Latino Foods no delegó qué clientes soltar ni qué márgenes aceptar. Delegó la geometría de la ruta.

Super Selectos (El Salvador): merma de perecederos que se recalibra sola

El problema: Todas las sucursales de Super Selectos piden volúmenes similares de frutas, verduras y lácteos — un planograma heredado que no distingue entre una tienda en San Salvador con alta rotación y una sucursal de menor tráfico. La merma de perecederos se asume como costo operativo normal.

El loop: Un agente analiza las ventas reales de perecederos por sucursal de los últimos 30 días, cruza con días de entrega de cada proveedor, y genera pedidos calibrados por tienda. Las restricciones: no bajar del stock mínimo por categoría, respetar los días de entrega pactados con el proveedor, mantener variedad mínima en góndola. Métrica: porcentaje de merma sobre inventario de perecederos.

El hallazgo: Varias sucursales piden cantidades idénticas de lácteos a pesar de tener demandas muy distintas — herencia directa del planograma copiado. Ajustar el pedido de lácteos por sucursal según ventas reales reduce merma ~18% sin generar quiebres de inventario. El agente no inventó una categoría nueva ni cambió proveedores. Solo recalibró cuánto pedir para cada tienda.

Super Selectos no delega qué proveedores usar ni qué productos descontinuar. Delega la calibración de cuánto pedir por tienda.

El patrón y sus límites

Lo común en los cinco escenarios: el humano define dirección, métrica y restricciones. El agente itera. El humano revisa y decide.

Los cinco agentes encontraron configuraciones que los equipos humanos no habrían probado — no por falta de capacidad, sino por falta de tiempo y por sesgos operativos (“siempre lo hicimos así”). El ajuste simultáneo de velocidad y tensión. La ruta que nadie rediseñó. El combo evaluado con la métrica equivocada. El planograma que se copiaba entre sucursales.

Pero cada escenario tiene un límite claro. Monge no delega apetito de riesgo crediticio. Campero no delega decisiones de marca. Caracol Knits no delega qué contratos aceptar. El Latino Foods no delega qué clientes soltar. Super Selectos no delega qué productos descontinuar. El agente opera dentro de los bordes que el humano define — y ahí está exactamente su valor.

Este es el mismo patrón del operador de agentes: no es quitar humanos del proceso, es moverlos al lugar correcto. Y requiere un inventario claro de qué agente hace qué, igual que un organigrama define quién responde por qué.

---

Identifica tu primer candidato a loop. Si tienes un proceso manual donde alguien ajusta parámetros, mide resultados, y repite — eso es un loop esperando ser autónomo. Envíanos un párrafo: cuál es el proceso, cuál es la métrica, y cuáles son las restricciones. Te decimos si es candidato y cómo se vería tu program.md. Escríbenos aquí.