Fidel Pérez → Acoru
Para el equipo detrás de

Acoru ↗ site

Propuesta — capa de plataforma para clientes nativos en agentes

Vuestro ciclo Frame Integrator + Frame Orchestrator comprimido por banco — la misma forma que entregué en una plataforma de datos fintech.

Por qué este es el momento

Las soluciones impulsadas por agentes IA están desplazando al mercado — y vuestros clientes aterrizarán en vuestra plataforma esperando que eso sea evidente.

Vuestros clientes están a punto de transformar los procesos que sus equipos ya corren — creación compleja de documentos, flujos humanos, análisis de Salesforce, recogida de contexto IA, triaje de soporte — en bucles dirigidos por agentes. Vuestra plataforma es lo que tocan cuando lo hacen; la pregunta es si la historia de integración hace que eso entre en producción en semanas, no en trimestres. El riesgo que estáis gestionando es el mal uso de vuestra plataforma con la prisa, no si construirla.

  • 3-4 sem primer bucle agéntico en producción
  • 1 dev dueño de infra → app → bucle
  • MCP nativo, sin wrapper
  • 30+ servicios self-hosted hoy

Qué está haciendo tu competencia

Qué está haciendo vuestra competencia.

Tres referencias en el mismo eje agéntico que Acoru — cada una con su categoría (incumbente, peer UE, plataforma de pagos) — útiles como cota superior cuando alguien diga "aún es pronto para apostar la plataforma a agentes".

Featurespace (Visa)

Cerrada por Visa en diciembre 2024 — el incumbente compró capa de fraude basada en ML.

Cuando un network de pagos paga ~mil millones por una capa de fraude AI, la categoría queda decidida: la plataforma de fraude basada en agentes ya no es apuesta de research, es donde Acoru va a competir el próximo trienio.

Source: investor.visa.com

Hawk

Series C $56M en marzo 2025, lead One Peak — AML/transaction monitoring agéntico para tier-1.

Mismo mercado UE, misma apuesta agéntica que vuestro Agentic Fraud Operator. Es el peer más cercano para benchmarkear velocidad de incorporación por banco — el patrón que tendréis que igualar en la próxima ronda.

Source: hawk.ai

Stripe Radar

Detección de fraude reescrita sobre foundation models entrenados en la red completa de Stripe.

Stripe valida la tesis del Consortium Manager: la inteligencia inter-red es donde se gana la siguiente fase. Útil cuando alguien argumente que mover señales entre bancos es 'demasiado complejo' — Stripe ya monetizó la idea sobre su propia red.

Source: stripe.com/blog

Ninguno ganó por modelo. Lo mismo será cierto para Acoru — la plataforma que incorpora bancos (y consorcios) más rápido se queda con el mercado. Esa palanca es trabajo puro de plataforma.

La amenaza que nadie está midiendo

Vuestros clientes serán un solo ingeniero con un stack de agentes en 12 meses. ¿Vuestra capa de plataforma va a entregar limpiamente cuando lo sean?

Un solo ingeniero con el stack de agentes adecuado va a iterar más rápido que la mayoría de equipos de producto en los próximos doce meses — y muchos de esos ingenieros serán vuestros clientes. La pregunta para vuestro equipo de plataforma es si pueden aterrizar en vuestro SDK y entregar una transformación de proceso en semanas, con los recibos que un comprador necesita para defender el proyecto. Yo ayudo a vuestro equipo a hacer ese camino real, en paralelo al roadmap.

  • Documentar el know-how de plataforma

    Decisiones, runbooks y playbooks de integración capturados por los mismos bucles de agentes que vuestro equipo corre — no una auditoría trimestral en Confluence.

  • Plataforma lista para agentes

    Herramientas internas que vuestro bucle de IA pueda usar — para que cuando un cliente necesite una integración, sea un prompt, no una reescritura.

  • En paralelo a la entrega

    Sin transformación de capa-de-plataforma de seis meses. Los artefactos componen desde la primera semana, junto al roadmap que ya tenéis.

Lo más cercano — capa de plataforma

Este ya está en producción — sobre un stack que se solapa con el vuestro.

Plataforma de datos en producción (fintech SaaS) — data engineering tradicional, transformado a desarrollo dirigido por agentes

Vuestros clientes corren bucles de proceso a nivel de plataforma sobre vuestro sustrato; la forma es la misma.

Tech lead de facto, equipo de 2-3 personas. Tomé un proceso tradicional de data engineering — PRs de cambios de schema, autoría de modelos, autoría de jobs de pipeline, triaje on-call de fallos — y lo convertí en un ciclo de desarrollo dirigido por agentes. El ciclo feature/fix se comprimió de días/semanas a horas/minutos; los fallos diarios pasaron a cero; el equipo siguió igual mientras el throughput se triplicó. Las mismas primitivas que un cliente vuestro necesita conectar alrededor de vuestro SDK.

  • MCP
  • CrewAI
  • OpenHands
  • Langfuse
  • Qdrant
  • Postgres
  • Docker
  • Tailscale
↗ ver homelab + showcase

Qué haría en los primeros 90 días

Concreto, no aspiracional.

Construyo las piezas de la capa de plataforma que vuestros clientes necesitan para aterrizar y entregar — los adaptadores de integración, el harness de eval + trazas, el agente de onboarding de cliente — de la misma forma en que automaticé una plataforma tradicional de data engineering: identificas las etapas mecánicas entre el trigger y el resultado, envuelves un bucle de agentes alrededor de esas etapas, y entregas recibos semanales. La capacidad acaba disponible en toda vuestra plataforma, no atada al ancho de banda de un solo equipo.

¿Hablamos 15 minutos esta semana?

Si tras la llamada no encaja, sin presión. En cualquier caso os quedáis con el análisis que ya escribí sobre vuestro stack.