Dos semanas. Ese era el deadline.
El CEO tenía una reunión con angel investors y necesitábamos un MVP que mostrara hacia dónde iba el producto. La presión era real, pero el problema que resolvía también lo era: el equipo comercial llegaba a las reuniones con prospectos sin contexto suficiente. Sin entender la empresa, la industria, el rol de la persona al otro lado de la mesa. Oportunidades perdidas no por falta de producto, sino por falta de preparación. Y eso es algo que se puede resolver con tecnología.
Así nació Synthetic Prospecting.
La primera semana la perdimos. Construimos todo sobre CrewAI, un framework multiagente interesante pero demasiado pesado para sostener en un entorno real. Los tiempos de respuesta eran impredecibles, la arquitectura difícil de controlar y el deadline no esperaba. Tuvimos que tomar la decisión difícil: tirar todo y empezar de nuevo. La segunda semana la construimos sobre LangGraph, y eso cambió todo.
El sistema investigaba automáticamente cada prospecto antes de una reunión. Varios agentes especializados corrían en paralelo, cada uno con una tarea clara: uno para el perfil general de la compañía, otro para el panorama competitivo de la industria, otro para entender el rol y los posibles pain points del lead, y uno más para construir un perfil personal basado en su huella digital, incluyendo un análisis de personalidad. Usábamos Tavily para búsquedas en tiempo real y Apify para scraping estructurado, con RAG para mejorar la calidad del contexto que recibía cada agente.
Todo eso se consolidaba en un reporte ejecutivo con tres salidas concretas: un potential offering score que recomendaba qué producto ofrecer según el contexto investigado, un script sugerido para la reunión, y un resumen de todo lo encontrado. De cero a reunión preparada, sin intervención manual.
Yo era el product owner de Synthetic Prospecting. Me reunía constantemente con el equipo comercial para entender qué información necesitaban realmente para llegar bien preparados a cada reunión, y al mismo tiempo construía los agentes. Éramos solo dos: Wil, el desarrollador, y yo. Yo hacía los scripts en Python, los testeaba, y se los pasaba a Wil para que los integrara y optimizara en el flujo final. Esa dinámica me enseñó a moverme entre lo técnico y lo estratégico sin perder ninguno de los dos.
El MVP funcionó. Las conversaciones con los investors siguieron. Con más tiempo, el producto evolucionó internamente y se fue haciendo más sofisticado. Pero meses después un pivote estratégico de la empresa lo dejó sin salida al mercado. Nunca llegó a usuarios externos.
Lo que sí quedó fue el aprendizaje: cómo especializar agentes, cómo usar orquestadores y reviewers para mejorar la calidad del output, cómo implementar memoria entre nodos, y cómo construir workflows agénticos que funcionen en producción real y no solo en demos.
Stack: LangGraph, LangChain, Tavily, Apify, Python, RAG
