Tesseron

UAI · Innovación · Abril 2026

Construyendo
negocios sobre agentes.

Cómo pensamos, planeamos, monitoreamos y orquestamos AI agéntica en Tesseron — y por qué la mayoría del mercado está mirando la foto equivocada.

Matías Cadile · CTO, Tesseron

20 min · + Q&A

00 · Contexto

De dónde viene este lente.

Software engineer en Braze (NYC, martech a escala). Paralelo, CTO y fundador de Tesseron en Chile.

Tesseron construye varios productos verticales de software — contabilidad, facturación, finanzas personales — todos apoyados por agentes de AI trabajando dentro del producto, no como add-on.

Recepthor

Documentos
tributarios

Lexio

Billing para
estudios legales

Prometeo

Capacidad
crediticia PYME

Tres productos, un stack compartido, una misma pregunta de fondo: cómo conviven humano + agente dentro de un flujo de trabajo real.

01 / 20Tesseron · UAI

Capítulo 01 · El diagnóstico

La foto
equivocada.

La mayoría de las empresas no está fallando en "adoptar AI". Está fallando en cómo imagina la fotografía completa de lo que es un agente.

01.1 · Cómo lo ve el mercado

Agentes = chatbots con permisos.

El pitch típico del 2025–2026:

Lo que suena

  • Un agente reemplaza un rol humano.
  • "Dale acceso al CRM y lo hará solo."
  • Modelo más grande = producto mejor.
  • Si falla, cambiamos el prompt.

Lo que realmente pasa

  • El modelo solo es una pieza del sistema.
  • Se rompe en el segundo turno — sin estado, sin contexto, sin reintentos.
  • No hay forma de saber qué hizo anoche.
  • Nadie es dueño del comportamiento.

El error no es técnico — es de modelo mental. Se piensa el agente como un empleado virtual, cuando en realidad es una nueva forma de infraestructura.

02 / 20Foto equivocada

01.2 · Redefinir

Un agente es un proceso, no una persona.

Un agente es un loop que observa, decide, actúa — y vive lo suficiente para fallar, reintentar y ser auditado. — Definición de trabajo, Tesseron 2026

01

Tiene memoria

Entre turnos, entre días, entre deploys.

02

Toma acciones reversibles

Escribe, agenda, pide aprobación. No solo responde.

03

Es observable

Cada decisión deja traza. Auditable como un servicio.

03 / 20Agente = proceso

Capítulo 02 · Método

Cómo pensamos
en Tesseron.

Cuatro capas de práctica, en orden. Ninguna se puede saltar, y cada una vino antes del modelo.

02.1 · Pensamiento primitivo

Primero el trabajo. Después el modelo.

Antes de elegir un LLM, elegimos un verbo. Antes de un verbo, una unidad de trabajo que un humano hoy sabe terminar.

PREGUNTA 01

¿Qué hay que terminar?

No "qué hay que automatizar". Qué outcome observable cierra un expediente.

PREGUNTA 02

¿Quién sabe cómo ya?

El agente imita un proceso humano existente. Si nadie sabe hacerlo, no hay nada que modelar.

PREGUNTA 03

¿Qué pasa si falla?

Si no hay plan para el error, no hay producto. Solo demo.

El modelo es la última decisión, no la primera.

04 / 20Primitive thinking

02.2 · Journeys

Mapeamos el journey, no el feature.

Un journey es la ruta ejecutable de un trabajo real: entrada → decisiones → handoffs → cierre. Es lo que en una consultora sería un "proceso BPMN" — pero pensado para ser ejecutado por humanos y agentes indistintamente.

Cada journey responde:

  • ¿Cuáles pasos son estrictamente humanos?
  • ¿Cuáles puede resolver un agente solo?
  • ¿Dónde hay handoff con control explícito?
  • ¿Qué evidencia queda al final?

Principio

"Un journey bien escrito es un contrato entre un humano y una máquina."

05 / 20Journeys

02.2 · Ejemplo — Recepthor

Extraer un DTE de un correo.

01 · INGEST

Detectar correo

Email → clasificar como factura / recibo / nada.

02 · EXTRACT

Parsear PDF

Agente: montos, emisor, folio, RUT. Salida estructurada.

03 · VALIDATE

Cruzar con SII

Check determinístico — el LLM no decide, verifica.

04 · REVIEW

Handoff humano

Solo casos de baja confianza o monto > umbral.

05 · CLOSE

Registrar + archivar

Evidencia inmutable. Auditable por contador.

Humano

Paso 4. Solo excepciones.

Agente

Pasos 1–2. Juicio acotado.

Máquina determinista

Pasos 3 y 5. Sin LLM.

06 / 20Recepthor · journey

02.3 · Monitoring

Si no lo puedes ver, no existe.

Un agente sin observabilidad es un junior al que nadie le revisa el trabajo. Termina costando más que un empleado.

  • Cada decisión del agente queda trazada con su contexto.
  • Runs paralelos se ven en tiempo real, no como logs retrospectivos.
  • El "por qué hizo X" es la primera ciudadana, no un postmortem.

Nuestro tool interno

Panoptica

Sala de control de agentes. Vemos dónde están, qué están haciendo, y quién les cede el turno.

07 / 20Monitoring

02.4 · Orchestration

El valor vive en la coreografía.

Un agente solo resuelve cosas chicas. Cinco agentes coordinados — con estado durable, reintentos, paralelismo y handoffs — resuelven un negocio.

DURABLE

Sobrevive crashes

Se cae el server, el workflow retoma exactamente donde quedó.

PARALELO

Fan-out / fan-in

10 agentes revisan 10 facturas a la vez; un supervisor reúne.

REINTENTABLE

Errores con política

Backoff, circuit breaker, escalamiento — no "catch y sigue".

HANDOFF

Humano en el loop

El control lo puede tomar una persona en cualquier paso.

En Tesseron esto vive en nuestro runner agéntico interno — Ralph — sobre Vercel Workflow + colas durables.

08 / 20Orquestación

Capítulo 03 · La tesis fuerte

El harness es
el producto.

No es el modelo. No es el prompt. No es el framework. Lo que decide si un agente es útil o un circo es la envoltura que lo rodea — el "agent OS".

03.1 · Harness engineering

Un término prestado.

"Context engineering helps the model think well. Harness engineering keeps the whole system from drifting off-course." — Karpathy · Software 3.0, 2025

Harness = el andamiaje que rodea al modelo: permisos, herramientas, límites, feedback loops, memoria, recovery.

Lo que OpenAI, Anthropic y Cursor no abren. Lo que en la práctica diferencia un producto agéntico de un chatbot con API.

09 / 20Harness

03.2 · El stack agéntico

Nadie compite en el modelo. Todos compiten por encima.

Producto · journeysUX del trabajo
Agent OS · harnessOrquestación · memoria · permisos
ContextoRAG · tool use · state
ModeloCommodity · intercambiable
Infra · GPUAWS · Vercel · clouds

El modelo se volvió commodity. Claude, GPT, Gemini — intercambiables semana a semana.

El harness es donde se construye defensa: las reglas, los límites, la memoria, el proceso. Eso no lo da ningún proveedor.

Ahí es donde nace un producto defendible.

10 / 20Stack

03.3 · Agent OS

Cinco capas que toca tener.

01

Identidad & permisos

Quién es este agente, qué puede tocar, a nombre de quién actúa. IAM para procesos no humanos.

02

Contexto & memoria

Qué sabe, qué recuerda, cuándo olvida. Cache, RAG, state machine por sesión.

03

Herramientas & acciones

El conjunto acotado de verbos que el agente puede ejecutar — con sandbox y reversibilidad.

04

Orquestación

Cómo se componen múltiples agentes: handoffs, paralelismo, durabilidad, rollback.

05

Observabilidad & governance

Trazas, auditoría, política. Tu agente hace algo raro a las 3 AM — tienes que saberlo a las 3:01.

11 / 20Agent OS

Capítulo 04 · Implicancias

Lo que cambia
en cómo
se construye.

Tres reencuadres concretos para una empresa que quiere construir sobre agentes — en lugar de comprarlos.

04.1 · Reencuadre

Deja de tratarlos como features.

Foto equivocada

  • "Le pongo AI a la pantalla X."
  • Un equipo chico hace un POC; el resto del producto no se entera.
  • Comprar agentes de terceros; confiar en la demo.
  • Meter el LLM dentro del endpoint existente.

Foto correcta

  • El agente es un servicio interno con SLA.
  • Hay un equipo dueño del harness, no del chatbot.
  • Construyes el andamiaje una vez; lo reúsas en 3 productos.
  • El journey se diseña antes que la UI.

El 80% del trabajo es fontanería: estado, memoria, permisos, observabilidad. El 20% visible es el modelo respondiendo.

12 / 20Reencuadre

04.2 · Tesis — repetition gap

Los agentes no reemplazan. Cierran una brecha.

Un humano hace una tarea compleja bien una vez. Fatiga a la décima.

Un script la hace 10.000 veces igual, pero no la puede razonar.

Los agentes llenan la franja entre "100 veces con criterio" y "10.000 veces sin error". Esa franja no existía antes.

×100

Donde antes tenías
un analista

÷10

Del tiempo por unidad
de trabajo

13 / 20Repetition gap

04.3 · Tres preguntas

Para el próximo producto que quieran construir.

PREGUNTA 01

¿Qué journey termina mi agente — y qué evidencia deja?

PREGUNTA 02

¿Qué piezas del harness tengo que construir yo — y cuáles puedo alquilar?

PREGUNTA 03

¿Cómo se va a ver cuando fracase a las 3 AM un sábado?

Si no tienes las tres respuestas, todavía no tienes producto — tienes demo.

14 / 203 preguntas

Cierre

Construir un agente
es construir
un sistema operativo.

Gracias, UAI. Quedan ~5 minutos para preguntas — las mejores son las que me dejen sin respuesta.

Matías Cadile · CTO Tesseron · mcadile@tesseron.cl