📡 Por qué investigar en tiempo real
Un LLM por sí solo responde con lo que aprendió durante el entrenamiento, y ese entrenamiento tiene una fecha de corte. Pregúntale por la empresa del cliente y inventa o usa datos antiguos. La investigación en vivo lo resuelve: Perplexity busca la empresa en internet en el momento en que ejecutas la Fábrica.
✗ Solo el LLM (estático)
- ✗Conocimiento congelado en la fecha de corte
- ✗Inventa números y hechos plausibles (alucina)
- ✗No ve la noticia de ayer ni la ronda de financiación de ayer
- ✗Recomienda una herramienta que ya fue reemplazada
✓ Con investigación en vivo
- ✓Se ejecutó en junio/2026 → llega hasta junio/2026
- ✓Datos con fuentes citables, no suposiciones
- ✓Si se reemplaza n8n, lo sabe
- ✓Las recomendaciones se actualizan solas
💡 La frase que define la Fase 1
"Esto es lo que hace que todo esté actualizado y no sea estático." La investigación en vivo es lo que distingue un paquete genérico de un diagnóstico que habla de presente de esa empresa. Sin ella, entregas una plantilla; con ella, entregas consultoría.
hechos de hoy
citable
menos alucinación
sigue el mercado
⚖️ Quick vs Deep y costo
La Fábrica tiene dos modos de investigación, y tú eliges en tiempo real para controlar el costo. El modo quick hace una evaluación rápida con las queries esenciales; el comprehensive investiga a fondo, usando modelos más caros.
| Modo | Queries | Modelos | Costo | Cuándo usar |
|---|---|---|---|---|
| Quick | ~9 | sonar | ~US$0,05 | evaluación rápida, lead, demo |
| Comprehensive | ~18 | sonar, sonar-pro, deep-research | ~US$0,50 | estrategia completa, cliente que paga |
sonar — el caballo de batalla
Barato y rápido. Hace las queries de prioridad alta del quick mode. Es suficiente para entender lo esencial de la empresa.
sonar-pro — más profundo
Respuestas más completas y más caras (US$0,015/1K de salida). Se usa en comprehensive para las categorías que requieren detalle.
deep-research — la investigación
Para los temas que merecen profundizar —competencia e iniciativas de IA. Solo en el comprehensive, donde el costo se justifica.
💡 Regla práctica de costos
Empieza siempre en quick para calificar al lead. Pasa a comprehensive solo cuando el cliente ya esté cerrado: la diferencia de 10× en el costo (US$0,05 → US$0,50) sigue siendo apenas unos centavos frente a lo que cobras por el paquete.
9 consultas · sonar
18 consultas · pro/deep
en tiempo real
costo < US$1
🗓️ Contexto temporal en las queries
Una query sin fecha devuelve resultados de cualquier época. La Fábrica inserta la fecha actual en cada template mediante el TemporalContext — y define un filtro de actualidad (day, week, month o year) por categoría.
// template antes y después de la inyección temporal
# template cru (placeholders)
"{company_name} latest news announcements {current_month_year}"
# renderizado para junho de 2026
"Stripe latest news announcements June 2026"
recency_filter = "month" # só notícias do último mês
✓ Con contexto temporal
- ✓
{current_year}e{current_month_year}se convierten en la fecha real - ✓Noticias filtradas por
month; sector poryear - ✓"de este mes" significa este mes, de verdad
✗ Sin contexto temporal
- ✗Mezcla un artículo de 2022 con el de ayer
- ✗"últimas noticias" se convierte en un montón sin fecha
- ✗El diagnóstico nace desactualizado
💡 Vigencia por categoría
Las noticias e iniciativas de IA requieren month (cambian rápido). El perfil de la empresa, el sector y la regulación se mantienen year. Ajustar la actualidad a la volatilidad del tema es lo que evita el ruido.
fecha en las queries
day/week/month/year
{current_year}
en presente
🗂️ Las 9 categorías de query
La investigación cubre la empresa desde nueve perspectivas. Cada plantilla incluye una categoría, una prioridad (1 = más alta) y una bandera required_for_quick_mode — es ella quien decide si la consulta entra directamente en modo rápido.
🏢 Empresa
Modelo de negocio, productos, tamaño, sede. La base del perfil.
📈 Sector
Tamaño del mercado, tendencias, desafíos y oportunidades.
⚔️ Competencia
Quiénes son los rivales y cómo adoptan la IA.
🧰 Tecnología
Stack, plataformas e infraestructura de la empresa.
🤖 Iniciativas de IA
Proyectos de IA de la empresa, adopción y casos de uso del sector.
⚖️ Regulatorio
Reglas del sector, cumplimiento de IA y privacidad de datos.
📰 Noticias
Anuncios y desarrollos recientes (recencia month).
👔 Liderazgo
CEO, ejecutivos y equipo de gestión.
💵 Inversión
Rondas, valoración e inversionistas.
📊 Quien entra en quick mode
- •Siempre (quick): empresa, sector, competencia, IA y noticias — los enfoques que responden «lo esencial».
- •Solo en el comprehensive: liderazgo, inversión, stack tecnológico detallado y regulatorio — la profundización.
- •A prioridad ordena la ejecución: lo que es priority 1 se ejecuta primero.
empresa→noticias
1 = primero
¿entra en lo rápido?
empresa entera
🛟 Agregar y procesar (degradación gradual)
Las APIs fallan. Una query se excede, otra alcanza el rate limit. Por eso la Fábrica no se bloquea: el cliente de Perplexity tiene reintento con backoff exponencial y, si aun así falla la búsqueda, el pipeline continúa con los datos parciales.
// política de resiliencia del cliente
max_retries = 3 initial_delay = 1.0 # segundos max_delay = 30.0 backoff_multiplier = 2.0 # 1s → 2s → 4s ... rate_limit = 2.0 # pausa entre chamadas Perplexity
✓ Degradación gradual
- ✓Falla una query → continúa con datos parciales
- ✓Si falla un entregable → márcalo y continúa con los demás
- ✓Si el diagrama falla → omite la imagen y conserva el markdown
✗ Sin degradación
- ✗Un fallo derriba toda la sesión
- ✗Rehaz todo (y paga de nuevo) por un solo error
- ✗El rate limit se convierte en un muro en vez de una pausa
💡 Parcial > nada
Un paquete con 8 de las 9 categorías sigue siendo un paquete entregable: anotas la brecha y continúas. La resiliencia no consiste en no fallar, sino en fallar sin derrumbarse.
3× con backoff
pausa de 2s
continúa de todos modos
no se desmorona
📥 Armar el ResearchOutput
El resultado de la Fase 1 es un objeto estructurado: el ResearchOutput. Reúne todo lo que encontró la investigación y lo convierte en el contrato que la Síntesis consume, además de guardarse en research_cache.json para no investigar (ni pagar) dos veces.
// el objeto que cierra la Fase 1
class ResearchOutput:
company_name: str # "Stripe"
raw_research: dict # categoria → achados
sources: list # URLs citáveis
cost: float # quanto custou a pesquisa
Agrupa por categoría
Cada respuesta de Perplexity se guarda bajo su categoría en raw_research. La Síntesis sabe dónde encontrar «competencia» o «problemas».
Guarda las fuentes
Las URL van a sources. Es lo que permite citar y da credibilidad al paquete final.
Guarda en caché en disco
Todo va a research_cache.json. Volver a ejecutar la Síntesis no inicia una nueva investigación: ahorro directo.
💡 La salida estructurada es un contrato
Cuando la Fase 1 entrega un objeto predecible, la Fase 2 se vuelve confiable. El ResearchOutput es la frontera clara entre investigar y escribir, y el caché convierte centavos en cero en la segunda ronda.
objeto predecible
citable
no paga 2×
alimenta la Fase 2
✅ Resumen del módulo
🎯 Misión 4.1 — Investigación rápida de 1 empresa
Ejecuta la Fase 1 en modo quick para una empresa que conozcas y revisa el resultado de las 9 categorías.
- Pídele a Claude Code: «ejecuta la investigación quick de la Fábrica para la empresa X".
- Verifica que las consultas hayan salido con la fecha actual inyectada.
- Abre el
research_cache.jsony consulta las 9 categorías y las fuentes. - Anota qué categoría quedó más débil: ahí ayudaría el deep mode.
Éxito: uno ResearchOutput estructurado, con fuentes, por ~US$0,05. Lo que obtuviste: la materia prima factual que alimenta los 15 prompts del siguiente módulo.
Siguiente módulo:
4.2 — Los 15 prompts de entregables (la Fase 2: Evaluación, Planificación, Implementación, Gobernanza y Recursos)