La mayoría de la gente usa la IA para investigar oportunidades de negocio así:
“Dame 10 ideas prometedoras de startups de IA.”
Unos segundos después, obtienes una lista pulida.
¿El problema? No tienes casi ninguna idea de qué conclusiones están respaldadas por evidencia, cuáles son suposiciones y cuáles son simplemente el modelo conectando puntos con demasiada confianza.
Así que probé algo diferente. En lugar de pedirle a un solo agente de IA que encontrara ideas de negocio, construí un pequeño equipo de inteligencia de startups usando Hermes Agent.
El sistema usa cuatro agentes de IA especializados que investigan mercados, analizan competidores, auditan evidencia, desafían las conclusiones de los demás y, finalmente, rankean las oportunidades más prometedoras de SaaS B2B con IA.
Y en lugar de producir otro documento Markdown lleno de ideas, el flujo de trabajo genera investigación estructurada que contiene:
- Puntajes de oportunidad de mercado
- Empresas y competidores
- Dolor del cliente y necesidades no cubiertas
- Afirmaciones respaldadas con evidencia
- URLs de fuentes y pasajes de apoyo
- Ventajas de IA y flujos de trabajo
- Experimentos de validación de bajo costo
Así es como funciona el sistema.
El problema de pedirle a un solo agente de IA ideas de negocio
La investigación de startups parece fácil hasta que realmente necesitas decidir dónde invertir tu tiempo y dinero. Algunas señales pueden ser sorprendentemente engañosas.
El financiamiento puede parecer demanda de clientes
Un mercado que recibe cientos de millones en capital de riesgo no significa necesariamente que los clientes estén dispuestos a pagar por otro producto.
Las afirmaciones de crecimiento pueden parecer validación de mercado
Especialmente cuando los números vienen directamente de los propios vendedores.
Los logos de clientes pueden parecer retención
Un logo no te dice cuánto paga el cliente, qué tan intensamente usa el producto o si renovará.
Una larga lista de competidores puede hacer que un mercado parezca saturado
Pero esas empresas pueden apuntar a compradores, flujos de trabajo o presupuestos completamente diferentes.
La investigación genérica con IA tiende a comprimir todas estas señales en algo como:
“Este es un mercado en rápido crecimiento con fuerte demanda y una oportunidad significativa.”
Eso suena convincente. Pero como fundador, no me dice lo que realmente necesito saber: ¿esta oportunidad es lo suficientemente sólida como para investigarla a fondo?
Así que en lugar de optimizar el sistema para generar ideas, lo optimicé para reducir incertidumbre.
Construyendo un equipo de inteligencia de startups con IA
Creé cuatro perfiles separados de Hermes Agent. Cada agente tiene:
- su propio rol
- sus propias instrucciones
- su propia skill de investigación
- su propia memoria
- una responsabilidad claramente definida
La arquitectura se ve más o menos así:
┌─────────────────────┐
│ Director Startup │
└──────────┬──────────┘
│
Define alcance + rúbrica
│
┌───────────────┴───────────────┐
▼ ▼
┌───────────────────┐ ┌─────────────────────┐
│ Investigador de │ │ Analista de │
│ Mercado │ │ Competencia y │
│ │ │ Señales │
└─────────┬─────────┘ └──────────┬──────────┘
│ │
└───────────────┬───────────────┘
▼
┌─────────────────────┐
│ Editor Escéptico │
└──────────┬──────────┘
▼
Paquete de investigación
respaldado por evidenciaLa parte importante no es simplemente tener cuatro agentes. Es darles diferentes lentes de juicio. Veamos cada uno.
1. Director de Startup — El orquestador 🧭
El Director de Startup actúa como el líder del proyecto. Su primer trabajo no es navegar por la web: convierte una pregunta ambigua de fundador en un problema de investigación acotado.
Por ejemplo: “Encuentra cinco mercados prometedores de SaaS B2B con IA en Norteamérica, con evidencia significativa de demanda de clientes y creación de nuevas empresas entre enero de 2025 y agosto de 2026.”
Antes de delegar la investigación, el Director crea dos artefactos importantes:
brief.md
rubric.mdEl brief define cosas como: geografía, comprador, industrias, ventana de tiempo, alcance de empresas, exclusiones, entregables e incógnitas conocidas.
La rúbrica define: niveles de fuentes, dimensiones de puntuación, estados de afirmaciones, requisitos de evidencia, requisitos de contraevidencia y la estructura del resultado final.
Esto importa porque, de lo contrario, diferentes agentes pueden interpretar en silencio la misma pregunta de investigación de maneras distintas. Uno podría optimizar por financiamiento, otro por TAM, otro por cuántas startups existen. La rúbrica establece las reglas antes de que se recoja la evidencia.
2. Investigador de Mercado — ¿El dolor es real? 🔎
El Investigador de Mercado verifica si existe evidencia significativa de que los clientes realmente tienen el problema. Busca señales como: dolor del comprador, disposición a pagar, demanda de clientes, creación de empresas, financiamiento, adopción, tracción y señales de contratación.
Pero encontrar una afirmación no es suficiente. La investigación necesita preservar de dónde vino esa afirmación. Esa distinción se vuelve extremadamente importante más adelante, cuando otro agente audita la investigación.
3. Analista de Competencia y Señales — ¿Qué existe ya? 🧩
El segundo investigador aborda los mismos mercados desde otra dirección. En lugar de preguntar principalmente “¿hay demanda?”, pregunta: “¿Cómo se resuelve hoy este problema?”
Eso significa investigar: startups, incumbentes, herramientas internas, agencias, hojas de cálculo, software existente y productos adyacentes. También investiga si la atención del mercado se está traduciendo en algo más fuerte: adopción, pago, retención o uso recurrente.
Un mercado puede ser extremadamente popular en X, LinkedIn, Product Hunt o Hacker News y tener sorprendentemente poca evidencia de que las empresas estén pagando por resolver el problema.
4. Editor Escéptico — Intenta romper la tesis 🛡️
Este podría ser el agente más importante de todo el flujo de trabajo. La mayoría de los pipelines de IA optimizan para generar una respuesta. El Editor Escéptico optimiza para encontrar razones por las que esa respuesta podría estar equivocada.
No se limita a leer los resúmenes producidos por los otros agentes. Examina los archivos de investigación subyacentes, el libro de contabilidad de afirmaciones, las URLs de fuentes, los pasajes de apoyo, las clasificaciones de afirmaciones y la contraevidencia.
Luego hace preguntas como:
- ¿Esta cita realmente respalda la afirmación?
- ¿Esto fue reportado por el vendedor o verificado de forma independiente?
- ¿La evidencia cubre el mercado correcto?
- ¿Cae dentro de la ventana de tiempo solicitada?
- ¿Estamos confundiendo financiamiento con demanda de clientes?
- ¿Qué evidencia contradice la recomendación?
Si una fuente solo respalda una afirmación más débil, la afirmación se reduce. Si la calidad de la evidencia es pobre, la confianza se degrada. ¿Y si no hay suficiente evidencia? La respuesta puede simplemente ser:
DESCONOCIDOEso es una característica, no una falla. Un sistema de investigación con IA debería poder admitir incertidumbre.
Orquestando los agentes con Hermes Kanban
Había otro problema arquitectónico: los perfiles separados de Hermes no comparten historial de conversación. Así que necesitaba un mecanismo de coordinación duradero. Ahí es donde Hermes Kanban se vuelve útil.
El Director de Startup crea dos tareas de investigación independientes: Market Research y Competition & Signals. Como ninguna depende de la otra, pueden correr en paralelo. Luego el Director crea otra tarea: Skeptical Review — pero esta tiene ambas tareas de investigación como padres.
Conceptualmente:
Director de Startup
│
┌────────┴────────┐
▼ ▼
Market Research Competition
│ │
└────────┬────────┘
│
AMBOS COMPLETOS
│
▼
Editor EscépticoEl Editor Escéptico no empieza a sintetizar conclusiones mientras falta la mitad de la investigación. Esto crea un grafo de dependencias real en lugar de simplemente lanzar varios agentes y esperar que se coordinen.
¿Qué les pedí investigar a los agentes?
Para este experimento, le pedí al sistema comparar cinco mercados específicos de SaaS B2B con IA en Norteamérica. El alcance de la industria cubrió:
🏥 Salud y Ciencias de la Vida 💻 Desarrollo de Software 🎧 Soporte al Cliente y Contact Centers 📊 Finanzas y Contabilidad 🛍️ Retail
También excluí explícitamente: wrappers genéricos alrededor de APIs de modelos fundacionales, aplicaciones de consumo, infraestructura de IA, chips, centros de datos, proveedores de modelos y chatbots/copilotos indiferenciados.
El objetivo no era “¿qué industrias de IA están creciendo?” — eso es demasiado amplio para ser útil. Los agentes comparan combinaciones específicas de:
Comprador + Dolor + Flujo de trabajo + Ventaja de IAEso está mucho más cerca del nivel en el que un fundador puede validar realmente una oportunidad.
Cada afirmación importante necesita evidencia 📚
Un requisito cambió fundamentalmente la calidad del resultado: cada afirmación importante del mercado debía estar respaldada por una fuente. El dataset de afirmaciones preserva campos como:
afirmación
estado
empresa / mercado
tipo de afirmación
URL de la fuente
título de la fuente
fecha de publicación
fecha de recuperación
nivel de fuente
pasaje de apoyoEsto hace que la investigación sea auditable. En lugar de ver “las empresas adoptan cada vez más IA para este flujo de trabajo”, puedes inspeccionar la evidencia exacta que causó que el sistema hiciera esa afirmación. Y eso significa que otro agente — o un humano — puede desafiarla.
El resultado final no es solo un informe
El Editor Escéptico produce varios archivos CSV estructurados:
markets.csv
experiments.csv
competitors.csv
companies.csv
claims.csvEsto hace que los resultados sean mucho más útiles que un documento de investigación gigante.
markets.csv
Contiene las oportunidades rankeadas. Para cada mercado, el dataset puede incluir: definición del mercado, puntaje de oportunidad, comprador objetivo, flujo de trabajo, recomendación, empresas, quejas de clientes, necesidades no cubiertas, ventaja de IA y calidad de la evidencia.
Ahora puedo comparar oportunidades en lugar de leer cinco informes de investigación no relacionados.
companies.csv
Captura las empresas descubiertas durante la investigación: empresa, producto, comprador, mercado y diferenciación. Esto ayuda a responder: ¿quién ya está atacando este problema y cómo?
competitors.csv
La competencia no se limita a startups. La alternativa real podría ser: una plataforma SaaS incumbente, un equipo de operaciones interno, una agencia, una hoja de cálculo o un flujo de trabajo manual. Entender el status quo suele ser más útil que contar startups.
claims.csv
Es efectivamente el libro de contabilidad de la evidencia. Cada conclusión importante puede apuntar a la evidencia que la respalda:
Recomendación
↓
Hallazgo de mercado
↓
Afirmación
↓
Fuente
↓
Evidencia de apoyoEsto hace que la recomendación final sea mucho más difícil de falsear con lenguaje confiado.
El resultado más útil podría ser experiments.csv 🧪
Encontrar un mercado interesante no significa que debas construir un producto. Así que cada oportunidad prometedora se convierte en un pequeño experimento de validación, con: hipótesis, comprador objetivo, procedimiento, canal, tamaño de muestra, costo/esfuerzo, umbral de éxito, umbral de fracaso, regla de decisión y evidencia requerida.
Esto cambia la pregunta final. En lugar de:
“¿Debería construir esta startup?”
El sistema pregunta:
“¿Cuál es el experimento más barato que podría demostrar que esta oportunidad es más débil o más fuerte?”
Esa es una pregunta mucho mejor para un fundador.
Los agentes de IA deberían reducir incertidumbre, no fabricar confianza
Después de construir este flujo de trabajo, esta fue mi conclusión más importante.
El valor de los sistemas multi-agente no es simplemente que puedas ejecutar más agentes de IA. Cuatro agentes produciendo cuatro versiones de la misma respuesta no es necesariamente mejor que uno.
La ventaja aparece cuando los agentes tienen: diferentes responsabilidades + evidencia independiente + dependencias explícitas + estado duradero + revisión adversarial.
Entonces estás construyendo algo más parecido a un proceso de investigación real.
El sistema final no afirma: “Encontré la startup perfecta.” En cambio, te dice:
- qué parece prometedor
- qué evidencia respalda esa conclusión
- qué evidencia la contradice
- qué sigue siendo desconocido
- qué deberías probar a continuación
Esa distinción importa. Porque cuando estás decidiendo dónde pasar meses construyendo un producto, una respuesta confiada no es suficiente. Necesitas un proceso que sea más difícil de engañar.
“El valor de los sistemas multi-agente no es simplemente que puedas ejecutar más agentes de IA. La ventaja aparece cuando los agentes tienen diferentes responsabilidades, evidencia independiente y revisión adversarial.”
Para los emprendedores de la región, esta es una lección clave: la IA no reemplaza la validación, la hace más rigurosa. Herramientas como Hermes Agent permiten armar equipos de investigación que antes requerían semanas de trabajo manual, y el enfoque en evidencia auditable ayuda a evitar el error más común en el ecosistema startup latinoamericano: enamorarse de una idea sin verificar que el dolor del cliente sea real.
Sigue explorando estos temas en el blog de DojoFullStack y aprende a construir sistemas de IA que realmente agreguen valor a tu negocio.