Una construcción completa: hasta 20 fuentes de datos conectadas, la capa de vigilancia con sus hooks, resúmenes, alertas y playbooks, el endurecimiento, el fuente completo como repositorio con un Dockerfile, el despliegue por tu equipo o por mí, y una ventana de ajuste después de la entrega. Fuentes, hooks o playbooks por encima de las cantidades incluidas son añadidos de precio fijo por unidad, presupuestados por adelantado.

En cuatro fases: alcance y accesos ($2,500), integración principal ($5,000), conexionado completo y capa de vigilancia ($5,000), entrega y ajuste ($2,500). Una fase se acuerda antes de empezar y se paga cuando apruebas su entregable, así nunca pagas por adelantado por trabajo que no has visto. Esa forma se mantiene sea cual sea la vía, tanto si el dinero pasa por tu propio contrato y tu facturación como por el escrow de hitos de una plataforma.

Tres vías, y me da igual cuál elijas. B2B directo con tu propio contrato y tu facturación, que suele ser lo más simple si tu empresa ya tiene un proceso de compras. O a través de Contra o Upwork si prefieres que la plataforma retenga los hitos y lleve el papeleo. Mismo trabajo, mismas fases, mismo precio.

Una llamada de alcance para repasar qué tienes en marcha y qué quieres vigilar. Luego una credencial de solo lectura por sistema, creada por ti: un usuario de base de datos, una clave de API acotada, un rol cloud de solo lectura, lo que permita tu política. Después de eso no necesito nada de ti hasta la entrega, salvo alguna pregunta ocasional sobre qué significa una métrica o una tabla en tu negocio. Para ejecutarlo durante la construcción, tu equipo lleva el container por tu pipeline de siempre, o me das un destino de despliegue y lo hago yo, tú decides. Y si tu política pide firmar un NDA antes de hablar de detalles, perfecto.

Cualquier cosa con una interfaz legible por máquina que yo pueda leer con una credencial de solo lectura: una API documentada (REST, GraphQL o gRPC), una base de datos, un sistema de logs, métricas o eventos con API de consulta o exporter, una cola o stream de mensajes, la API de un proveedor cloud, almacenamiento de objetos o un recurso compartido con ficheros estructurados, o un repositorio git. Los sistemas internos cuentan mientras expongan alguna de esas cosas, y un conector a medida para una API o una base interna es parte de la construcción. Lo que no cuenta: cualquier cosa accesible solo por su interfaz de usuario. Las aplicaciones legacy sin API ni acceso a base de datos, los clientes solo de escritorio, y cualquier cosa que necesitara automatización de navegador o scraping quedan fuera del alcance estándar. Si tienes alguna, la miramos durante el alcance y o le encontramos una interfaz de verdad, o se presupuesta aparte, o se deja fuera.

El agente, el MCP, los conectores y la interfaz corren todos en tu propia infraestructura. Es de solo lectura por diseño: nunca escribe en tus sistemas, investiga y te entrega el arreglo en vez de aplicarlo, y no tiene acceso de escritura a tus ficheros, tus datos ni tu configuración. Donde lee una base de datos usa un usuario de solo lectura que creas tú, o cada consulta corre en una transacción de solo lectura. Lo único que sale de tu red es la llamada al LLM que configures, y autoalojar el modelo significa que no sale absolutamente nada.

Sí, razona con un LLM, y un LLM puede leer mal una situación. El sistema está construido alrededor de ese hecho: cada conclusión llega con sus pruebas, el gráfico, la traza, los resultados de la consulta, para que verifiques en segundos en vez de creerle sin más. Nunca actúa sobre sus propias conclusiones, una respuesta equivocada te cuesta un vistazo, no una caída. Y la ventana de ajuste existe precisamente para ajustar hooks y umbrales contra tu tráfico real hasta que la señal merezca confianza, las alertas ruidosas se ajustan, no se ignoran encogiéndose de hombros.

El que tú quieras, mientras hable uno de los dos estilos de API: compatible con OpenAI o compatible con Anthropic. Esas dos formas son en lo que se estandarizó la industria, así que cubre a los grandes proveedores, a los agregadores y a los recién llegados (muchos de los cuales sirven los dos estilos), más cualquier cosa que ejecutes tú mismo detrás de un endpoint compatible con OpenAI, que es lo que exponen vLLM, Ollama y servidores similares. Lo único que sale de tu red es la llamada al LLM que configures; autoaloja el modelo y no sale absolutamente nada. Le pagas a tu proveedor directamente a sus tarifas, y yo no me llevo comisión.

El único coste de funcionamiento que importa es el modelo. El gasto en tokens depende del modelo que elijas, de cuánto investigue la capa de vigilancia y de lo difíciles que sean tus preguntas, así que te lo estimo para tu montaje real durante el alcance y ajusto hooks y resúmenes para que la quema se mantenga proporcional a lo que sacas. Autoaloja el modelo y la factura de tokens desaparece del todo; el resto es un container sobre hardware que ya tienes en marcha.

Va incluida una ventana de ajuste, en la que ajusto hooks, umbrales y playbooks contra tu tráfico real. Después de eso es tuyo: fuente completo, corriendo en tu hardware, sin depender de mí. A partir de ahí, si prefieres no cargar con el mantenimiento, Agent Care lo recoge con una iguala mensual: actualizaciones y parches de seguridad, reparación de conectores cuando cambia una API de arriba, monitorización y ajuste continuo. Nunca obligatorio.

Es tuyo. Las piezas son open source con licencia permisiva, recibes el fuente completo de tu integración, conectores, playbooks y configuración, y todo corre en tu hardware. Pagas una vez por construirlo y luego lo ejecutas para siempre. Sin puestos, sin suscripción, sin alquiler. Agent Care existe por si prefieres no mantenerlo tú, y siempre es una opción, nunca un requisito. Si desaparezco mañana, tu sistema sigue funcionando.