Archivo
Casos reales, con la fuente a la vista
12 casos publicados para este filtro. Cada ficha cita la fuente y no inventa la cifra que falta.
Nuevos hoy
- Clasificar el gasto de empresa sin mirar cada ticketDos cifras: 75 % automatizado y 94 % de cumplimiento. No se publica el volumen absoluto.Fuente: Brex
- Contestar al interesado en un vehículo antes de que se enfríeLa fuente dice que respuestas y pruebas se duplicaron. No da la base ni el periodo.Fuente: Cox Automotive
- Repartir un trabajo entre varios agentes con un rol cada unoSon ejemplos de repositorio, no el despliegue medido de una empresa. No hay ahorro ni volumen real.Fuente: CrewAI
- Quitar 200 horas al mes con un único flujo de operaciones200 horas al mes en una sola tarea. No se dice el coste del flujo ni si el ahorro se mantiene.Fuente: Delivery Hero
- Pedir un informe y exigir las fuentes al ladoNo hay cifra de exactitud ni de tiempo medio. Sirve si alguien revisa las citas.Fuente: GPT Researcher
- Sustituir licencias y horas a mano por flujos propiosCifras citadas: unas 100.000 libras en licencias y cerca de 1.000 horas en nueve meses. El cálculo no viene desglosado.Fuente: Huel
- Cerrar la mayoría de los tickets sin pasar cada chat a una personaLa pieza cita un techo del 86 % de resolución automática. No indica el periodo ni cuántos tickets entraron en la cuenta.Fuente: Intercom
- Sacar un editor en el que el modelo vive dentro del texto25.000 altas en un día. La ficha no dice cuántas siguieron usando el editor después.Fuente: Lex
- Entregar un dato al cliente sin hacer cola en el equipo técnicoLa fuente describe que desaparece el cuello de botella. No hay tiempos medios ni volumen de peticiones.Fuente: Musixmatch
- Probar agentes en local para no sacar los datos de casaEs una guía de arranque. No publica ahorro, latencia ni cuántos equipos lo usan.Fuente: n8n
- Apoyar al despacho con un asistente que cita conocimiento expertoSe cita una base de más de 3.000 expertos. No hay porcentaje de acierto ni horas ahorradas.Fuente: Thomson Reuters
- Dejar que cada equipo fabrique sus propios agentesDos datos: 89 % de adopción y más de 800 agentes internos. No hay reparto por departamento.Fuente: Zapier
Destacados
Los tres más recientes del filtro. No es un ranking de pago.
- Clasificar el gasto de empresa sin mirar cada ticketDos cifras: 75 % automatizado y 94 % de cumplimiento. No se publica el volumen absoluto.Fuente: Brex
- Contestar al interesado en un vehículo antes de que se enfríeLa fuente dice que respuestas y pruebas se duplicaron. No da la base ni el periodo.Fuente: Cox Automotive
- Repartir un trabajo entre varios agentes con un rol cada unoSon ejemplos de repositorio, no el despliegue medido de una empresa. No hay ahorro ni volumen real.Fuente: CrewAI
Sectores
Patrocinio
Índice
- FinanzasClasificar el gasto de empresa sin mirar cada ticketBrex usa Claude para clasificar y justificar gastos. El caso habla de un 75 % de transacciones automatizadas y de un 94 % de cumplimiento de la política.Claude (API)Dos cifras: 75 % automatizado y 94 % de cumplimiento. No se publica el volumen absoluto.
- VentasContestar al interesado en un vehículo antes de que se enfríeCox Automotive usa Claude para responder a quien pregunta por un coche. Afirman haber duplicado las respuestas a leads y las pruebas de conducción.Claude (API)La fuente dice que respuestas y pruebas se duplicaron. No da la base ni el periodo.
- ProductividadRepartir un trabajo entre varios agentes con un rol cada unoLos ejemplos oficiales de CrewAI muestran equipos de agentes que se dividen tareas como preparar un viaje, mirar acciones o dejar lista una reunión.CrewAISon ejemplos de repositorio, no el despliegue medido de una empresa. No hay ahorro ni volumen real.
- OperacionesQuitar 200 horas al mes con un único flujo de operacionesDelivery Hero automatizó una tarea repetida de IT con un flujo de n8n. Declaran 200 horas menos cada mes.n8n200 horas al mes en una sola tarea. No se dice el coste del flujo ni si el ahorro se mantiene.
- InvestigaciónPedir un informe y exigir las fuentes al ladoGPT Researcher investiga una pregunta en la web o en documentos locales y devuelve un informe con referencias.GPT ResearcherNo hay cifra de exactitud ni de tiempo medio. Sirve si alguien revisa las citas.
- EcommerceSustituir licencias y horas a mano por flujos propiosHuel cuenta que, en nueve meses con n8n, dejó de pagar unas 100.000 libras en software y cerca de 1.000 horas de trabajo manual.n8nCifras citadas: unas 100.000 libras en licencias y cerca de 1.000 horas en nueve meses. El cálculo no viene desglosado.
- Atención al clienteCerrar la mayoría de los tickets sin pasar cada chat a una personaFin, el agente de Intercom, responde apoyado en la API de Claude. En la ficha del proveedor se afirma que puede despachar hasta el 86 % del volumen de soporte sin intervención humana.Claude (API)La pieza cita un techo del 86 % de resolución automática. No indica el periodo ni cuántos tickets entraron en la cuenta.
- ContenidoSacar un editor en el que el modelo vive dentro del textoLex es un procesador de texto que llama a la API de Claude. El caso cuenta 25.000 registros en las primeras 24 horas.Claude (API)25.000 altas en un día. La ficha no dice cuántas siguieron usando el editor después.
- DatosEntregar un dato al cliente sin hacer cola en el equipo técnicoMusixmatch conecta su stack de datos con n8n para resolver peticiones de clientes sin que cada consulta se detenga en ingeniería.n8nLa fuente describe que desaparece el cuello de botella. No hay tiempos medios ni volumen de peticiones.
- InfraestructuraProbar agentes en local para no sacar los datos de casaEl kit autoalojado de n8n reúne n8n, un modelo local con Ollama y una base vectorial. Sirve para ensayar flujos sin enviar los datos a un tercero.n8n, OllamaEs una guía de arranque. No publica ahorro, latencia ni cuántos equipos lo usan.
- LegalApoyar al despacho con un asistente que cita conocimiento expertoCoCounsel, de Thomson Reuters, asiste en derecho y fiscalidad y está construido con Claude. El relato incorpora el criterio de más de 3.000 especialistas.CoCounsel, Claude (API)Se cita una base de más de 3.000 expertos. No hay porcentaje de acierto ni horas ahorradas.
- OperacionesDejar que cada equipo fabrique sus propios agentesZapier desplegó Claude Enterprise en la compañía. El caso habla de un 89 % de adopción y de más de 800 agentes montados por la propia plantilla.Claude EnterpriseDos datos: 89 % de adopción y más de 800 agentes internos. No hay reparto por departamento.