La empresa de medios Every, con un equipo de unas 25 personas, entregó a cuatro agentes de IA propios la priorización de tareas, la conversión de reuniones en encargos, la planificación de OKR y el reporte diario de crecimiento. La planificación de OKR se redujo a dos días. Los agentes no trabajan por separado: los cuatro consultan un mismo conjunto de bases de datos vinculadas. Every publicó el caso en abril de 2026; Grow2.ai lo analiza y lo traduce al lenguaje de las operaciones de una pyme.
La mayoría de los materiales sobre agentes de IA en un equipo terminan en la palabra «productividad». El caso de Every interesa por otra cosa: se ve qué proceso de gestión concreto desapareció, y qué tenía que estar listo para que desapareciera.
Es un caso ajeno. Grow2.ai no lo implementó ni tiene acceso a los datos internos de Every. Abajo va el análisis del material publicado más nuestra conclusión sobre qué se traslada a un equipo de 25 a 50 personas y qué no.
Quiénes son Every y por qué este caso no va de «otro chatbot»
Every sostiene a la vez seis productos, una publicación de medios y una línea de consultoría. Unas 25 personas. Según la descripción de la propia empresa, cada quien tiene en su lista unas 30 tareas en cualquier momento.
Así vive la mayoría de las pymes: varias líneas, la misma gente en varios frentes y ninguna oficina de proyectos que sincronice todo eso. La diferencia es que Every describió públicamente su salida de esa situación.
El desafío: un COO como enrutador de toda la empresa
Antes de los agentes, el papel de despachante lo cargaba Brandon Gell, director de operaciones de Every. Para responder «¿por dónde empezamos?», cotejaba a mano tres fuentes distintas: los calendarios de lanzamientos, los documentos de estrategia de la empresa y las listas de tareas.
El esquema funciona exactamente mientras una persona tenga tiempo de mantenerlo. El COO está ocupado una semana y el equipo prioriza a ojo.
Ahora ese mismo Brandon le escribe por Slack a un agente llamado Anton y en segundos recibe una lista ordenada, para él y para otras personas del equipo.
La solución: cuatro agentes, un cerebro compartido
En unos pocos meses Every armó cuatro agentes propios con Notion AI. Los cuatro leen el mismo conjunto de bases vinculadas: estrategia, calendario, tareas, personas, notas de reuniones.
Agente | Proceso que se llevó | Qué debe existir en el sistema para eso |
|---|---|---|
Priorización (Anton) | cotejo manual de calendarios, estrategia y listas de tareas | estrategia escrita, una única lista de tareas, calendario de lanzamientos |
Reunión → tareas | revisión de las notas después del encuentro y reparto de encargos | notas de reuniones en una sola base, vinculadas a personas y proyectos |
Planificación de OKR | ciclo largo de coordinación de objetivos entre líneas | historial de objetivos, métricas y responsables en forma estructurada |
Reporte de crecimiento | recolección diaria de cifras a mano | métricas de crecimiento accesibles al agente sin exportación manual |
Las columnas izquierda y central salen de la publicación de Every. La derecha es nuestra: una reconstrucción de los requisitos de datos, no una cita.
Qué cambió: las cifras que Every mencionó públicamente
Proceso | Antes | Después |
|---|---|---|
Obtener las prioridades del día | el COO coteja tres fuentes a mano | un mensaje en Slack, respuesta en segundos |
Planificación de OKR | la duración no se menciona en la parte abierta | dos días |
Hay pocas cifras, y no es casualidad. En la parte abierta del material no está el costo de implementación, ni las horas ahorradas, ni el ROI: el desglose completo de cada agente y los prompts los guarda Every detrás de una suscripción de pago.
Así que el caso demuestra que la rutina de gestión se puede sacar a un agente. Cuánto le costará a usted, no lo demuestra: nuestro propio cálculo del costo completo de una historia así está en el análisis sobre cuánto cuesta de verdad un agente de IA.
Tres principios que Every sacó de armar sus agentes
Describa el resultado, no los pasos. Dígale al modelo qué hay que lograr y déjelo elegir la implementación. El exceso de detalle del tipo «cree una base, después agregue un vínculo, después filtre por fecha» más bien estorba al modelo.
Su espacio de trabajo es el cerebro del agente. Los agentes propios se vuelven fuertes cuando pueden consultar bases vinculadas entre sí. Los agentes de Every funcionan justamente porque la estrategia, el calendario, las tareas, las personas y las notas están en un solo lugar y se referencian entre sí. Primero la empresa llevaba esas bases para sí misma y después, encima de ellas, aparecieron los agentes. No al revés.
No escriba solo la instrucción del agente : describa qué debe lograr y deje que la IA genere la instrucción. Every también armó agentes con Claude Code y la API de Notion directamente desde la terminal.
Traducción al lenguaje de una pyme: qué de esto funciona en un equipo de 25 a 50 personas
La condición sin la cual no funciona nada
En este caso Notion se puede reemplazar por cualquier cosa: Bitrix24, HubSpot, Google Workspace, ClickUp. Lo que no se puede reemplazar es el estado de los datos.
Un agente que debe fijar prioridades tiene que leer en alguna parte cuáles son las prioridades de la empresa. Si la estrategia vive en la cabeza del dueño, las tareas están repartidas en cuatro chats y el «calendario de lanzamientos» existe como un audio del lunes por la mañana, el agente entregará una lista segura de sí misma y armada con nada. No es un error del modelo, es la ausencia de una fuente.
Una persona nueva, en su segunda semana, debería poder responder «qué es lo más importante ahora» solo con sus sistemas, sin hablar con el dueño. Si no puede, primero los datos y después los agentes. La preparación de los datos suele ser justamente la línea del presupuesto que nadie previó.
Un agente = un proceso
La tentación de hacer un asistente de IA universal para todo sale cara y termina siempre igual: el agente hace todo a medias. Every tiene cuatro agentes, y cada uno tiene exactamente un área de responsabilidad.
Es la única forma de medir el efecto con honestidad. Cuando un agente se lleva un proceso con nombre, usted puede calcular cuánto costaba antes ese proceso en horas. Cuando un agente «ayuda al equipo», no hay nada que calcular, y en medio año nadie recordará para qué se puso. La misma lógica la desarrollamos en el material sobre cómo calcular el ROI de los agentes de IA.
Cuándo el agente sobra
No todo proceso de esta lista necesita un agente. El reporte diario de crecimiento en un equipo de 20 personas suele resolverse con una programación normal y un tablero ya armado: sin autonomía, sin prompts, sin riesgo de una cifra alucinada. El límite entre la IA integrada en un proceso y un agente completo lo analizamos aparte, en cuándo la autonomía sobra.
La rutina interna, en general, rara vez es el primer paso correcto. Los agentes de priorización y OKR no traen dinero directamente: devuelven tiempo a la dirección. El beneficio es real, pero indirecto. Si lo que duele son los ingresos, conviene empezar por el front-office: calificación de prospectos, velocidad de la primera respuesta, higiene del CRM. El análisis básico de esa capa es agentes de IA para pequeñas empresas.
El agente no va a formular la estrategia por usted: va a aplicar la que usted escribió. Every pudo entregar la priorización justamente porque las prioridades de la empresa existían por escrito antes de que apareciera el agente.
Cómo comprobarlo en su equipo en dos semanas
- Elija un proceso de gestión que hoy dependa de una sola persona. Los candidatos más frecuentes en una pyme: convertir reuniones en encargos, el reporte semanal, la distribución de solicitudes entrantes.
- Anote las fuentes de las que esa persona saca la respuesta. Si entre ellas aparece «la memoria» o «preguntarle a Oleg», esa es la primera tarea, y no tiene que ver con la IA.
- Verifique que sea legible por máquina. Los datos deben estar en un sistema con API, no en un informe PDF ni en una conversación.
- Descríbale al agente el resultado, no el algoritmo. Un área de responsabilidad y límites claros de lo que no hace.
- Mida una métrica antes y después: horas por proceso o tiempo desde el evento hasta la acción.
Si después de la segunda semana la métrica no se movió, el problema casi siempre está en el paso 2 y no en el modelo.
Fuentes
- Every, «How We Run a 25-person Company on Four AI Agents», Katie Parrott, 9 de abril de 2026 (actualizado el 12 de julio de 2026). El material salió del Custom Agents Camp, en alianza con Notion.
- Every, Context Window: The Missing Layer in AI Adoption, 11 de abril de 2026 — resumen breve de la composición de los cuatro agentes.
Siguiente paso. Haga la auditoría de IA gratuita en dos minutos: muestra cuáles de sus procesos ya sirven para un agente y cuáles primero necesitan orden en los datos. La lista de nuestros agentes de front-office está en una página aparte.
Publicado por Andrew Maryasov, fundador de Grow2.ai — agentes de IA y consultoría de IA para pequeñas y medianas empresas. Grow2.ai es la división de IA de Auspex.