Lecciones Prácticas de la Implementación de OpenClaw para Cinco Empresas

Un desarrollador con cinco instancias de OpenClaw ejecutándose en producción en un VPS de Hetzner comparte lecciones concretas de implementaciones comerciales reales.

Decisiones de Infraestructura

El desarrollador probó la implementación local (más fácil pero no escalable) y AWS (costoso), luego se decidió por Hetzner CPX22 a 13€/mes (3 vCPU, 4GB de RAM) por ser barato, rápido y estable. Un descubrimiento clave: WhatsApp está muerto en IPs de centros de datos porque Meta los bloquea, lo que llevó a perder dos días persiguiendo la aprobación de la aplicación de desarrollador de Meta. Telegram se convirtió en el predeterminado porque su API es más indulgente que la de WhatsApp.

Cada cliente obtiene su propio VPS. La multi-tenencia se probó al principio pero se abandonó porque un proceso descontrolado de un cliente no debería matar el agente de otro cliente. Se considera que el aislamiento vale 13€/mes y no es negociable.

Incorporación y Personalización

Los primeros agentes eran genéricos pero no efectivos. El desarrollador creó un formulario de incorporación de 26 preguntas que alimenta un flujo de trabajo de n8n que genera automáticamente un SOUL.md y USER.md para cada implementación. El formulario cubre tipo de negocio, preferencias de tono, qué debe manejar el agente vs. escalar, herramientas utilizadas, horario diario y estilo de comunicación. Un usuario informó que el agente fue "tan útil y específico desde el principio".

El desarrollador señala: "Un agente genérico es un producto. Uno personalizado es un miembro del equipo. Incluso más: cuanto más lo usan, más integrado se vuelve."

Enfoque de Facturación

Lo que no funciona: cobrar por la configuración y esperar que se queden. Lo que sí funciona: prueba gratuita de 7 días en la clave API de Anthropic del desarrollador (cuesta $5-15), luego los clientes obtienen su propia clave. El desarrollador los guía en la configuración en vivo en Zoom en unos 10 minutos. Los clientes ven la transparencia y asumen sus costos. Un cliente cambió de Claude a OpenAI en 3 minutos porque ya tenía una suscripción.

Estrategia de Niveles de Modelos

La pila predeterminada por implementación:

• Haiku: Latidos, respuestas simples, comprobaciones rutinarias (90% del volumen)
• Sonnet: Tareas complejas, flujos de trabajo de múltiples pasos, cualquier cosa que requiera juicio (9%)
• Opus: Pensamiento estratégico, decisiones de alto riesgo (1%)

El desarrollador compara esto con una estructura típica de pequeña empresa: "El visionario/fundador en la cima, luego la gente se une para ejecutar la visión."

Consejo importante: fijar modelos en cada trabajo cron. Olvidar fijar uno resultó en ejecutar latidos en Sonnet durante una semana con una factura de $40.

Optimización Técnica

Usar el SO, no el LLM, para tareas mecánicas como rotar registros, reiniciar servicios o respaldar archivos. Se invoca al LLM para decisiones mientras el SO maneja la mecánica. Esto redujo el uso de tokens en aproximadamente un 30% en todas las implementaciones.

Casos de Uso Reales

• Agencia de cuidados: Recordatorios de cumplimiento CQC, conflictos de programación de personal, búsqueda de políticas (ahorra ~5 horas/semana)
• Negocio de eventos: Captura de leads, secuencias de seguimiento, generación de cotizaciones integrada con CRM
• Consultor SEN: Seguimiento de plazos EHCP, plantillas de comunicación con padres, programación de enlace escolar
• Detallista de autos (Florida): Reserva de citas, seguimiento de reseñas, organización de fotos
• Agente propio del desarrollador: Planificación estratégica, redacción de contenido, memoria a través de más de 4,000 archivos de espacio de trabajo

El desarrollador señala: "Ninguno de ellos quería un chatbot. Querían un sistema operativo comercial que resulta usar IA."