Agentes de IA empresariales: OpenClaw para canales, herramientas MCP personalizadas, runtime CLI de Cursor

Ejecutar agentes de IA en producción para cumplimiento, DevOps y finanzas exige más que "darle acceso a la API al modelo y esperar lo mejor." OpenClaw sin más no bastó. Aquí está la receta empresarial que funciona.

MCP enfocado, no MCP del proveedor

Los servidores MCP genéricos que envuelven APIs de proveedores no escalan. El modelo termina haciendo trabajo de integración: llamar endpoint, paginar, reintentar, manejar errores, repetir 1000 veces. Ejemplo: exponer la API de BoldSign a través de MCP y dejar que el agente envíe 1000 documentos individualmente lleva a alucinaciones, llamadas fallidas y lotes parciales.

Lo que funciona: una herramienta determinista que maneje el envío por lotes. El agente decide qué enviar y cuándo; la herramienta hace la parte aburrida y fiable. Mismo patrón para Jira, Graph, reportes de costos. Construye herramientas MCP por proceso, no por API. La IA hace que conectar una API a MCP tenga un costo casi nulo.

Ejemplo con Microsoft Graph API: los agentes pueden desplegar apps a través de Intune, configurar políticas de seguridad, manejar incidentes, añadir indicadores de seguridad, consultar registros de Sentinel, restablecer MFA y credenciales de usuarios. Pero cada proceso necesita límites de privilegios y controles detallados — p.ej., puede restablecer credenciales excepto para administradores. Esto se aplica mediante herramientas y configuraciones, no está incluido en el prompt.

OpenClaw para canales, no para todo

OpenClaw maneja Teams, webhooks, enrutamiento y sesiones — eso se mantuvo. Las credenciales quedan fuera del contexto del modelo. Cada agente obtiene una lista de herramientas ajustada. Una única puerta de enlace compartida para herramientas reemplaza un proceso MCP por agente.

Cursor CLI como runtime a través de ACPX

El bucle real del agente se ejecuta en cursor-agent y está conectado a OpenClaw mediante ACPX. Cursor CLI se comporta mejor en tareas largas, creación de subagentes y mantenimiento del enfoque que los bucles de agente genéricos. El precio escalonado de modelos ayuda — algunos pasos se ejecutan en modelos más baratos/rápidos. Si OpenClaw mejora, cambiar es trivial ya que todo está en su lugar.

Ejecutar el CLI proporciona registros detallados del agente (pensamiento interno, llamadas del agente, etc.), que se realimentan a un agente de bucle de calidad que detecta desviaciones del objetivo, alucinaciones, etc., y propone pull requests con correcciones en herramientas y prompts.

Autoalojado y reglas deterministas

Todo se ejecuta autoalojado en Kubernetes. El código del agente es inmutable, incluido en la imagen y probado en CI — el comportamiento del agente es parte de la cobertura de pruebas. Se usan identidades administradas en Azure cuando es posible. Olvídate de agentes "autodidactas" — confía en un buen sistema de memoria más prompts, reglas y herramientas deterministas y sólidos.

1 agente = 1 backend

Los procesos necesitan un estado bien pensado, determinista y duradero. Cada agente recibe, a través de su MCP, una API específica para la tarea. Primero construye el "backend" para el agente (herramientas deterministas y almacenamiento de datos), luego construye el agente sobre él. No esperes que un agente funcione a largo plazo operando sobre YAML, archivos de marcado o lo que improvise.