Construyendo sistemas de growth en la intersección entre creatividad, media y AI.
Pipeline BigQuery para CPR automático. Sistema de agentes AI con contexto persistente por cliente.
OS desde cero: presupuestos automatizados, workflow de agentes, gestión de clientes.
Sistema de selección, forecasting y reporting de creators a escala.
Context management para equipos con AI. Deployed en Rufus y Remode.
Sistemas en producción — performance, AI y operaciones. Lo que estoy construyendo hoy.
Cada tanda exigÃa reactivar el contexto del cliente desde cero. Era una deuda operativa que todos reconocÃan — pero el ritmo de la agencia no dejaba espacio para parar y resolverla.
Diseñé Rufus Performance: pipeline BigQuery para CPR automático y sistema de agentes AI con contexto persistente por cliente. El equipo ahora dedica ese tiempo a lo que realmente mueve la aguja.
Empresa activa sin sistema: cada presupuesto se armaba desde cero, el seguimiento dependÃa de la memoria del equipo.
Construà el OS desde cero: presupuestos automatizados con Google Apps Script, workflow de agentes, gestión de clientes. Operación que funciona sin depender de mÃ.
La selección de creators se hacÃa por intuición. El resultado de cada campaña quedaba en un sheet sin conexión con la decisión siguiente.
Sistema de selección, forecasting, amplificación y reporting a escala. Influencer + UGC como canal de growth medible con distribución paga.
Ver pitch & métricas →"Sabemos que esto se puede hacer mejor, pero nunca paramos a resolverlo." La pérdida de contexto entre sesiones es silenciosa y acumulativa.
Sistema de context management para equipos con AI: documentación estructurada, agentes con memoria, skills reutilizables. Deployed en Rufus y Remode.
No hay solución sin diagnóstico primero. Este es el loop que aplico en cada problema.
Me siento con las personas y mapeo cómo piensan — no el sÃntoma visible, sino la estructura detrás. Qué deciden, cómo lo deciden, dónde pierde velocidad el sistema.
Entre lo que se hace y lo que deberÃa hacerse hay un gap especÃfico. No el más visible — el que más duele cuando no está resuelto.
La solución más simple que resuelve algo concreto, construida para escalar. Primero que funcione. Después que sea elegante.
Sistematizo para que funcione sin mÃ. El sistema que no está documentado depende de la persona que lo construyó — eso no escala.
Diseño y operación de Rufus Performance. Pipeline BigQuery para CPR automático. Sistema de agentes AI. Gestión de clientes: Felix Pago, Swiss Medical, Ualá.
Empresa familiar de reformas de interiores. Construà el sistema operativo desde cero: presupuestos automatizados con Google Apps Script, workflow de agentes, gestión de clientes. Paralelo a Rufus.
Gestión de presupuestos paid media hasta $300K USD/mes. Geo tests de incrementalidad. Optimización de budget allocation con coeficientes reales.
Campañas anuales $2.12M USD en Meta, Google, TikTok para fintech lÃder. Creé el Creative Performance Framework: proceso de Brandformance para iterar contenido.
Approach data-driven para desarrollo creativo: briefings con diseño para integrar performance insights en el proceso creativo. Análisis de creatividades con recomendaciones accionables para estrategia digital y de marca.
Equipo de 40 sales reps + 4 team leaders para marketplace B2B. Viaje a Kuala Lumpur para operaciones asiáticas.
Automatización de tracking y reporting de facturas con VBA.
Primer contacto con data aplicada a negocio real. Armé el sistema de proyecciones, targets y gestión de tarifas en plataformas de reservas. Optimización de pricing y revenue streams.
Ideas donde tengo opinión propia. No frameworks genéricos — lo que aprendà construyendo.
La mayorÃa de los equipos que usan AI pierden el contexto entre conversaciones, entre personas, entre herramientas. No tienen memoria institucional. Esa es la diferencia entre AI útil a largo plazo y AI que falla a la tercera semana.
El nomenclador de Rufus empezó como un Sheet con fórmulas. Hoy es un agente. El CPR empezó como un template. Hoy es un pipeline en BigQuery. Primero el caso más simple, después escalar.
Hay una diferencia entre "usar AI" y "construir sistemas que funcionan con AI". Lo que me interesa: cómo diseño el sistema para que el output sea consistentemente bueno sin micromanagearlo.
Usar el modelo más caro por default no es sofisticación, es pereza. Diseñar qué modelo hace qué tarea y por qué es parte del sistema. Opus para clasificar texto que puede hacer Haiku es caro y malo.
El valor de un agente no está en que genere output automáticamente. Está en que replica un criterio especÃfico — el de alguien que ya sabe hacer bien una tarea. Si ese criterio no está documentado, el agente va a generar output mediocre. El trabajo difÃcil es documentar el know-how antes de automatizarlo.
Antes de construir algo, entendé cómo piensa la persona del otro lado. Dónde está el gap real, no el sÃntoma. El tiempo que "perdés" mapeando lo recuperás no construyendo la cosa equivocada.