Un guardián delante de un agente que redacta solo
Filtro determinista, luego un revisor LLM, luego reescritura o rebote, y al final una persona. Un modelo revisor aparte costaba 7 minutos de cambio de VRAM por pedido, así que rediseñé el guardián.
Fundador técnico · Control de agentes, anclaje a la fuente, evaluación
Soy Alvaro Zweig. Hace 21 años que construyo software en producción y cofundé cuatro empresas. Este año trabajé en un solo problema: agentes que corren sobre mensajes y documentos reales, donde el modelo nunca tiene la última palabra.
01 · Investigación
Este año trabajé en un solo problema: agentes que corren sobre mensajes y documentos reales, donde el modelo nunca tiene la última palabra. Tres controles que construí en Pipe, en producción:
Filtro determinista, luego un revisor LLM, luego reescritura o rebote, y al final una persona. Un modelo revisor aparte costaba 7 minutos de cambio de VRAM por pedido, así que rediseñé el guardián.
Todo dato que extrae un agente debe traer una cita que se verifica contra el texto original. Lo que no pasa la verificación se descarta antes de que lo vea una persona.
Un servidor MCP de solo lectura escrito desde JSON-RPC puro, sin dependencias. Aísla la salida de las herramientas contra prompt injection, no tiene salida a internet y registra cada llamada.
Investigador del Grupo de IA de la Universidad de Palermo, Buenos Aires: algoritmos evolutivos y aprendizaje automático para extraer conocimiento.
02 · Proyectos
Cada página explica el problema, cómo funciona y sobre qué corre.
Una bandeja de entrada unificada, en tu propio servidor, con una IA en la que puedes confiar.
WhatsApp, correo, Telegram, Teams y más en un solo lugar, en tu servidor. Los agentes resumen, extraen y redactan, pero cada dato necesita una cita verificada y nada sale de la máquina.
Cómo funcionaSube un PDF, practica lo que estudias.
Comunidades de estudio donde tus apuntes y exámenes pasados se vuelven exámenes de práctica. Cada pregunta cita el material de donde salió. Gratis y sin registro.
Cómo funcionaTu propio entretenimiento de avión.
Guarda videos y música en tu celular desde YouTube y otros diez sitios, y míralos en modo avión. Corre en tu propia computadora: sin cuentas ni registros.
Cómo funciona03 · Gravity
Gravity es infraestructura de marketplace para retailers de Latinoamérica. El retailer la conecta a la tienda que ya tiene y puede vender productos de terceros en unas seis semanas. Está hecha nativa para MCP, así que los agentes de IA se conectan directamente mediante el Model Context Protocol.
Gravity llegó hasta acá sin capital externo. Si inviertes en software B2B en Latinoamérica, conversemos.
04 · Trayectoria
Infraestructura de marketplace para retailers de Latinoamérica. Sin inversión externa, a $1M de ARR en cinco países.
Dirigí el tren de releases entre equipos distribuidos y fui responsable de la arquitectura: +10% de conversión en e-commerce, más de $500K de ahorro al año y un motor de prevención basado en datos que redujo 90% la pérdida de clientes.
Capital semilla de 500 Startups y un fondo del Gobierno del Perú. Lanzado con más de 10 integraciones de e-commerce.
Lideré equipos de más de 30 personas para clientes de banca y finanzas de EE. UU., y formé a líderes de la industria en ágil.
El primer buscador de descuentos del Perú. Seleccionado entre más de 400 startups por Startup Perú y Start-Up Chile; premio del público en Seedstars.
Consultora de tecnología en Perú, México y Argentina. Entre sus clientes: BNP Paribas, Belcorp, Finning Caterpillar y Assist-Card.
05 · Sobre mí
Empecé a vivir de escribir software en Buenos Aires en 2005 y pasé dos años investigando IA en la Universidad de Palermo antes de un MBA en NYU Stern. Desde entonces fundé empresas en Perú, México y Argentina, y pasé cinco años como arquitecto de e-commerce en FedEx. Este año construí Pipe sobre mis propios mensajes, y eso cambió en qué trabajo: cuando los agentes sacaban tareas y promesas de conversaciones reales, parte de lo que reportaban no estaba ahí. Ahora todo dato tiene que traer una cita que se verifica contra la fuente, y el modelo nunca tiene la última palabra. Ese es el problema en el que quiero seguir trabajando: dejar que la IA actúe sobre datos reales sin tener que confiar en ella.