El sistema que vigila el performance de medios, lo cruza con la verdad del negocio (el cubo), propone las jugadas de la semana, y deja que el equipo decida. La IA hace el trabajo; la persona dirige.
Un equipo de agentes de IA que jala la data de Meta y Google solo, la cruza con el cubo para saber qué leads de verdad se vuelven matrículas, y le entrega a cada coordinador las 3–5 jugadas de la semana en una cola donde aprueba, edita o descarta. No es un dashboard más: es inteligencia accionable + un humano que dirige, no que alimenta.
01 · Arquitectura
Un principio de diseño lo gobierna todo.
El script hace las restas, el LLM hace el juicio. Lo determinista (jalar data, limpiar FX/zona horaria, mapear cuenta→alianza, calcular) lo hace código barato y rápido. Lo ambiguo (¿esta anomalía importa? ¿es crisis o ruido?) lo hace un agente. Lo que requiere criterio de negocio lo decide un humano sobre una propuesta ya armada.
Fuentes y piezas
Pieza
Rol
Estado
Colector determinista (Meta + Google)
Jala y limpia la data cruda. Script, ~$0 en tokens, ~20s. Corre 2×/día.
vivo
Analistas LLM (Meta / Google)
Diagnostican solo lo que el colector flagea como crítico — no barren todo.
vivo
Equipo de análisis del cubo
La fuente de verdad: CPL/CVR real, atribución, qué convierte a matrícula.
vivo
Ficha de contexto por universidad (.md)
Lo que evita que el modelo alucine: estructura de cuenta, nomenclatura, rangos, AP Value.
Sabana lista
Capa de plan de acción
Convierte el diagnóstico en 3–5 jugadas priorizadas con su porqué.
en construcción
Cola de aprobación + alertas
La interfaz: el humano aprueba / edita / descarta / escala.
en construcción
02 · Las 4 capas (el loop)
Capa 1 · Sensor
Jala la data sola
El colector trae Meta + Google por API. Ningún humano exporta nada.
automático
Capa 2 · Juicio + cubo
Diagnostica con verdad
El agente cruza el CPL de plataforma con el CPL/CVR real del cubo + la ficha. Mata falsos positivos.
agente IA
Capa 3 · Acción
Propone la semana
"Dale foco a estas 3–5 cosas": sube, baja, pausa — con el porqué.
agente IA
Capa 4 · Decisión
El humano aprueba
En la cola: aprueba / edita / descarta / escala. El humano dirige.
human-in-the-loop
El AI jala la data por API (es AI-native, nadie le pega información a mano) y el humano va sobre el output, no sobre la entrada. Eso es lo que lo hace escalable: una persona dirige al equipo de agentes que atiende todas las cuentas.
03 · Sistema de alertas
Cada vez que algo se prende, llega ya masticado — con el plan, no solo el aviso.
El colector detecta el breach → el analista lo triagea (¿real o ruido?) → genera el plan de acción → cae en la cola con severidad. Notificación por Teams o correo. Cadencia: briefing semanal de foco ("esta semana, estas 5 cosas") + escalación inmediata solo si la severidad es alta. No es real-time: para una cuenta de medios, el ritmo semanal es el correcto.
Mismo patrón, reusable: este sistema de alertas (detectar → triage → plan → cola) es idéntico al del loop de Social Intelligence. Cambia la fuente (Meta/Google vs Brand24/Apify), no la mecánica.
04 · Cómo se usa — la experiencia
Dos interfaces para dos momentos. No las confundas.
Momento esporádico
Panel de setup
Se configura al dar de alta una universidad: cuentas, competidores, campus, fechas, umbrales. Una vez, y casi no se vuelve a tocar. Es configuración, no operación.
Momento diario / semanal
Cola de aprobación
El AI deposita la alerta con su plan ("severidad alta · mi lectura · plan sugerido"). Tú haces tap: aprueba / edita / descarta / escala. Push por Teams o correo lleva a la cola.
Complemento
Conversacional
Para dudas ad-hoc en una junta: "¿qué pasó con este programa este mes?". Es apoyo, no la interfaz principal.
La regla de oro de la interfaz: el AI propone, el humano dispone. NO es un chat abierto donde tienes que saber qué preguntar — es una cola donde el AI ya marcó la agenda y tú solo juzgas.
05 · Por niveles (quién ve qué)
Ejecutivo
Líder de Medios
Health Monitor: vista global, ventana 90 días, 1×/mes. Para llevar las sesiones de seguimiento con su equipo.
Coordinador
Célula (p. ej. Diplomados)
Vista de su célula: las jugadas de la semana de sus cuentas. Aprueba y dirige a sus especialistas.
Especialista
Por campaña
El detalle accionable campaña por campaña. Ejecuta lo aprobado.
06 · Flujo de trabajo (semana típica)
Lunes — llega el foco
El loop deja en tu cola las 3–5 jugadas de la semana por cuenta, priorizadas, con el porqué cruzado contra el cubo.
Revisas la propuesta
Cada jugada trae: qué hacer, en qué campaña, severidad, y la lectura (no solo CPL de plataforma — el CPA-a-venta real).
Decides
Aprueba / edita / descarta / escala. Lo que apruebas se ejecuta (en el MVP: tú lo aplicas; más adelante el AI lo ejecuta vía MCP con tu OK).
Si algo explota, te llega
Severidad alta (p. ej. anuncios masivos rechazados, caída brusca) → push inmediato a Teams/correo, fuera del ritmo semanal.
El sistema aprende
Tus decisiones afinan el contexto (la ficha) y el criterio del agente. Cada semana es mejor que la anterior.
07 · Caso real — Sabana Diplomados
Lo que el dashboard de plataforma esconde
En Sabana Diplomados, los dos canales pagados se ven así:
$8.52 → $121
paid search · CPL plataforma → CPA-a-venta real (CVR 7.02%)
$5.23 → $176
paid social · CPL plataforma → CPA-a-venta real (CVR 2.98%)
15–21×
ROAS de ambos vs AP Value $2,400–2,800/venta
El engaño: en la plataforma, paid social se ve más barato ($5.23 vs $8.52 por lead). Un optimizador que mire solo el dashboard le metería más a social. Pero por matrícula real, paid search cuesta $121 y social $176 — search es 31% más eficiente. Solo el loop lo ve, porque cruza con el cubo. Ese es el producto.
08 · De demo a producción (arquitectura en la nube)
Hoy es una demo estática. Para que viva arriba y aprenda, tres capas sobre tu stack actual de Cloudflare.
Arquitectura
1 · Front (la cola) → ruta aplatam.ai/medios/ servida por el Cloudflare Worker que ya tienes, detrás de Cloudflare Access (allowlist: Julieta + coordinadores + JuanCa). Mismo patrón que el funnel WhatsApp. 2 · Estado + feedback → Cloudflare D1 (SQLite serverless). Tablas: jugadas, decisiones (aprobó/editó/descartó/escaló · quién · cuándo · nota), outcomes. Dos endpoints en el worker: GET /api/medios/plan (lee jugadas activas) y POST /api/medios/feedback (guarda la decisión). 3 · Generador (el loop) → los agentes (colector + analistas + cubo) corren por cron, leen las decisiones pasadas de D1, generan el plan de la semana y lo escriben a D1.
Pieza
Dónde corre
Esfuerzo
Front + Access + estado + feedback (D1)
Cloudflare Worker (ya lo tienes)
fácil — patrón ya probado
Generador de jugadas (agentes + cubo + Meta/Google + LLM)
Runner con cron (hoy launchd local; después VPS/contenedor) que pushea a D1
medio — auth + LLM no caben en un Worker puro
Decisión honesta: el front + el feedback + el estado son fáciles en Cloudflare (ya tienes worker + Access + el patrón). El generador (que jala cubo/Meta/Google con sus auth y corre el LLM) NO cabe en un Worker puro — corre en un runner por cron y empuja resultados a D1. Migrar el generador a full-nube es un proyecto aparte que va con Ferney (infra + seguridad + licencias), justo la sesión de arquitectura que ya quedaron de tener.
El loop de aprendizaje (lo que pediste)
Cada interacción de Julieta no se pierde — alimenta el sistema en 3 niveles:
Nivel 1
Memoria de decisiones
Cada aprobar/editar/descartar/escalar se guarda en D1 con la jugada, la razón y quién decidió. Histórico auditable.
Nivel 2
Outcome tracking
La siguiente corrida verifica si la jugada aprobada movió la métrica (¿el shift social→search bajó el CPA-a-venta?). Cierra el loop empírico: el sistema sabe qué funcionó.
Nivel 3
Ajuste del agente
Las decisiones + outcomes entran como contexto al generador. Aprende qué jugadas acepta el coordinador y cuáles rinden → cada semana propone mejor. Y nutre la ficha de contexto.
Métrica del propio loop: la tasa de aprobación (jugadas aprobadas ÷ propuestas) mide la calidad del agente. Si sube con el tiempo, el loop está aprendiendo. Si Julieta descarta sistemáticamente un tipo de jugada, eso es señal para ajustar el generador.