Un CRM completo en producción en 7 horas: 1 persona + IA

Contexto

Integra Group AI es una consultora de Cloud y AI Architecture que opera bajo una tesis: una persona dirigiendo agentes de IA entrega lo que antes requería un equipo. Este paper documenta la prueba que nos hicimos a nosotros mismos el 9 de junio de 2026: construir y dejar en producción el sistema nervioso comercial de la empresa — un CRM con dashboard, tres fuentes de leads y una capa de agentes — en una sola tarde.

Todo lo que se afirma aquí es verificable: en el git log del repositorio, en el stack de CloudFormation de la cuenta de AWS y en el sistema vivo en producción.

Problema

Esa mañana, nuestros prospectos vivían en tres lugares que no se hablaban entre sí: un archivo JSONL generado por el test diagnóstico de nuestra plataforma educativa, un Google Sheet de prospección y registros sueltos en DynamoDB de una waitlist. El seguimiento era de memoria — y la memoria falla: dos propuestas llevaban 19 días y 2.5 meses de silencio sin que nadie lo notara. Visibilidad del pipeline: ninguna.

El presupuesto de mercado para resolver esto con una consultora tradicional: MXN $300–900k y 4 a 12 semanas.

Arquitectura

Diagrama generado desde código (diagramas/generate_integra_os.py) con la librería diagrams + Graphviz.

(Toda escritura de agentes pasa por una cola de revisión humana — se aprueba desde el teléfono — antes de tocar DynamoDB.)

• API única de entrada (Lambda + Hono, Node 20): toda escritura pasa por ahí; los leads de las tres fuentes se deduplican automáticamente — un prospecto que llega dos veces no se duplica, se acumula en su ficha.
• DynamoDB single-table: un solo lugar para clientes, etapas, acciones y actividad.
• Dashboard Next.js para humanos; MCP para agentes: los agentes de IA leen el CRM directo, pero solo escriben como propuesta que un humano aprueba desde el teléfono.
• Infra como código (CDK TypeScript): el stack completo — DynamoDB, Lambda, API Gateway, Cognito, Secrets Manager — se despliega con un comando.

Decisiones

• Serverless puro vs servidor: elegimos Lambda + DynamoDB pagando por request. Trade-off: cold starts ocasionales a cambio de una factura de centavos al mes y cero mantenimiento. Para un CRM interno de bajo tráfico, no hay debate.
• Agentes que proponen, no que ejecutan: la IA tiene lectura directa pero toda escritura entra a una cola de aprobación humana. Trade-off: un paso más de fricción a cambio de que el CRM nunca tenga datos que un humano no validó. Es la decisión que más confianza genera al operarlo.
• Single-table design en DynamoDB: una tabla con claves compuestas en vez de tablas por entidad. Trade-off: curva de aprendizaje mayor a cambio de queries predecibles y costo mínimo.
• MCP como puerta de agentes: en vez de darle a la IA acceso a la base de datos, se le da un contrato explícito de herramientas. Lo que el agente puede hacer está tipado y auditado.

Resultados

El mismo día, la IA leyó el correo de la empresa, identificó el pipeline real (4 cuentas con su etapa y siguiente acción) y lo cargó al CRM — incluyendo detectar las 2 propuestas que se estaban enfriando.

Lecciones

• La velocidad no vino de escribir código rápido, sino de no detenerse en decisiones: el stack canónico ya estaba decidido (serverless + CDK + Next.js); la tarde se gastó en construir, no en debatir.
• El control humano es la feature, no el freno: la cola de propuestas fue lo que permitió confiarle datos reales a los agentes desde el día uno.
• El seed automático valió tanto como el sistema: un CRM vacío no sirve; que la IA cargara el pipeline real desde el correo lo hizo útil en la primera hora.
• Lo que quedó pendiente: la cifra exacta de tokens del sprint no se registró en el momento — ahora cada corrida de nuestra fábrica lo reporta. Registra el costo de IA desde el primer commit.
• Un sistema construido en 7 horas lleva 1 mes en operación diaria sin reescrituras — construir rápido con IA no significó construir desechable.