Volver a casos
Sistemas de IA / Flujo de auditoría
Website Audit Agent
Un flujo de auditoría web basado en evidencia que convierte sitios públicos en informes estructurados de UX, SEO, rendimiento, contenido e inteligencia comercial.
El objetivo era convertir la revisión web —normalmente subjetiva— en un flujo repetible basado en evidencia, manteniendo la IA útil pero acotada.
Website Audit AgentCompleto
Hallazgo principal
El CTA principal es visible, pero no está reforzado de forma consistente en el primer tramo de pantalla.
Etiqueta de evidencia: ObservedResumen del proyecto
Qué es el sistema
Tipo
Flujo de auditoría con IA basado en evidencia
Uso
Diagnóstico web, revisión UX/SEO/conversión e inteligencia interna de prospección
Rol
Arquitectura de sistema, lógica de flujo, framing de producto e implementación frontend/backend
Stack
Next.js, TypeScript, Postgres, pg-boss, Playwright, Gemini y Vercel
Estado
Prototipo interno privado con GitHub público disponible
Contexto de negocio
El problema de flujo del proyecto
Las revisiones web tienen mucha fricción porque los equipos necesitan evidencia, prioridad e interpretación comercial, no feedback genérico de IA. Este proyecto explora cómo la IA puede acelerar diagnósticos manteniendo separadas medición, observación e inferencia.
Sistema / Solución
Cómo se acota el flujo
El sistema recibe una URL pública, captura evidencia renderizada o estática, guarda la ejecución, aplica puntuación determinista y solo después pasa los hallazgos aceptados a una capa de síntesis con IA. El informe mantiene visibles las etiquetas de evidencia para que las recomendaciones se puedan revisar, no aceptar a ciegas.
Inputs
URLs públicas y evidencia de página capturada mediante navegador o colección estática.
Flujo
Entrada de URL, captura, almacenamiento de evidencia, puntuación determinista, síntesis acotada y ensamblaje del informe interno.
Lógica de proceso
Las reglas generan hallazgos y puntuaciones antes de que el modelo resuma la evidencia aceptada.
Resultado
Informe privado con scores, confianza, etiquetas de evidencia, hallazgos principales y recomendaciones priorizadas.
Límites
El LLM no puede crear hallazgos, cambiar puntuaciones, inventar métricas ni presentar inferencias como verdad medida.
Problema
El problema de las auditorías con IA es la confianza.
Muchas herramientas de auditoría web con IA mezclan observación, puntuación e interpretación en una sola respuesta opaca del modelo. El resultado puede ser rápido, pero cuesta confiar en él.
Website Audit Agent se diseñó alrededor del principio contrario: antes de que el modelo diga nada, el sistema debe capturar evidencia, clasificar confianza y definir qué se sabe realmente.
Resumen
La verdad de auditoría es determinista. La IA interpreta.
No es un chatbot de auditoría de forma libre. El modelo no crea hallazgos, no puntúa categorías, no inventa métricas y no convierte señales débiles en hechos medidos. La capa LLM solo sintetiza evidencia aceptada, lo que hace el flujo más creíble para prospección interna.
Primero captura evidencia
El flujo parte de evidencia pública del sitio, no de especulación del modelo. Primero intenta captura renderizada y usa evidencia pública estática como respaldo.
Puntúa con reglas
Los hallazgos y scores de categoría se producen de forma determinista desde la evidencia capturada antes de cualquier síntesis.
Interpreta después
Gemini y el Prospect Audit Agent reciben solo hallazgos aceptados y los traducen en inteligencia interna de adquisición.
Flujo
Pipeline controlado desde URL pública hasta informe privado
La arquitectura separa captura, persistencia, puntuación, síntesis y ensamblaje del informe para que cada etapa tenga un dueño y un modo de fallo claro.
URL IntakeCaptura con navegador / estáticaAlmacén de evidenciaPuntuación deterministaSíntesis IA acotadaInforme interno
URL Intake
El usuario envía la URL de un sitio público.
Captura con navegador / estática
Primero se captura evidencia renderizada y, si falla o está bloqueada, se usa evidencia pública estática.
Almacén de evidencia
Los snapshots y la evidencia de página se persisten para la ejecución.
Puntuación determinista
Las reglas generan hallazgos y scores de categoría.
Síntesis IA acotada
Gemini y el Prospect Audit Agent resumen solo hallazgos aceptados.
Informe interno
El resultado se convierte en inteligencia privada de adquisición.
Modelo de evidencia
Cada afirmación necesita un estado de evidencia
El sistema puede interpretar, pero no debe presentar una inferencia como medición. Las etiquetas de evidencia hacen visible ese límite dentro del informe.
Measured
Capturado o calculado directamente.
Observed
Visible en la evidencia capturada de la página.
Inferred
Interpretación a partir de señales disponibles; nunca se presenta como verdad medida.
Capa agéntica
La IA está aguas abajo por diseño.
Es un sistema híbrido entre flujo y agente. La capa determinista controla captura, puntuación, persistencia, estado y ensamblaje del informe. La capa LLM se encarga de resumir, priorizar, explicar y traducir los hallazgos a inteligencia comercial. El Prospect Audit Agent no navega libremente, no reescribe hallazgos y no crea puntuaciones.
Motor determinista de auditoríaHallazgos aceptadosProspect Audit AgentInteligencia interna
Qué puede y qué no puede hacer el LLM
Permitido
- Sintetizar hallazgos aceptados.
- Priorizar recomendaciones.
- Traducir evidencia de auditoría en inteligencia comercial interna.
- Explicar por qué un hallazgo importa comercialmente.
Bloqueado
- Crear hallazgos de auditoría.
- Modificar scores de categoría.
- Inventar métricas.
- Presentar inferencias como verdad medida.
- Hacer afirmaciones de ingresos sin soporte.
Informe
Un informe privado construido desde evidencia aceptada
La superficie de informe es deliberadamente interna. Presenta scores, confianza, etiquetas de evidencia y hallazgos principales sin exponer el despliegue privado de Vercel como demo pública.
ObservedEstado de síntesis
Hallazgo
El CTA principal es visible, pero queda poco reforzado en el primer tramo de pantalla.
Permitida — basada solo en evidencia aceptada.
Seguridad / Límite de acceso
Repositorio público. Superficie operativa privada.
El proyecto es público como portafolio y referencia, mientras que la superficie operativa permanece privada detrás de login interno y endpoint de trabajo protegido.
Despliegue privado en VercelLogin interno y control de accesoEndpoint de job protegido con worker secretSolo evidencia pública del sitioSin bypass anti-botSin demo pública en vivo
Resultado
Un sistema de IA útil porque se mantiene dentro de sus límites.
El resultado es un flujo privado de adquisición capaz de convertir una URL pública en un informe interno estructurado con etiquetas de evidencia, scores por categoría y hallazgos priorizados.
Pipeline repetible
Una URL pública pasa por captura, almacenamiento de evidencia, puntuación, síntesis e informe con fronteras explícitas.
Síntesis IA controlada
El LLM resume hallazgos aceptados y contexto comercial sin crear verdad de auditoría.
Disciplina de evidencia
Las afirmaciones medidas, observadas e inferidas se mantienen separadas durante todo el informe.
Arquitectura segura para portafolio
El repositorio puede mostrarse públicamente mientras la superficie operativa y los informes generados siguen privados.
Stack
Construido como prototipo orientado a producción
El stack es práctico: Next.js para la superficie de app, Postgres y pg-boss para ejecuciones duraderas, Playwright para captura, Gemini para síntesis acotada y un endpoint worker protegido por separado.
Next.jsTypeScriptPostgrespg-bossPlaywrightGeminiVercelPuntuación deterministaEtiquetas de evidenciaEndpoint worker privado
Límites / Mejoras futuras
Son límites de diseño, no excusas.
El alcance actual es deliberadamente estrecho para que el caso de estudio no sobreprometa lo que hace el sistema.
- No es un SaaS público.
- No hay demo pública en vivo.
- Prospect Intelligence es guía interna, no verdad de auditoría.
- Los informes solo estáticos excluyen intencionalmente puntuación visual, móvil y del primer tramo de pantalla.
- La síntesis IA depende de hallazgos aceptados.
- El trabajo futuro incluye evals, comparación de modelos, observabilidad y ejemplos reales de auditoría.
Por qué importa
La fiabilidad pesa más que la novedad
Las auditorías con IA se vuelven arriesgadas cuando mezclan evidencia e interpretación en una única respuesta del modelo. Este sistema define entradas claras, evidencia aceptada, puntuación determinista y síntesis revisable, lo que hace las recomendaciones más útiles para equipos que necesitan diagnósticos repetibles.
Uso para clientes
Dónde se vuelve útil
Una versión para cliente podría ayudar a equipos de marca, contenido, producto o digital a estandarizar auditorías web, acelerar diagnósticos de UX/SEO/conversión y convertir observaciones desordenadas en apoyo claro para decidir.
Hablar de un sistema IA similar
¿Tienes un sistema creativo que merece desarrollarse?
Si tu equipo tiene un proceso creativo, herramienta interna, flujo de campaña o sistema de marca que merece ampliarse con IA, envía un brief breve y te ayudo a definir la lógica más clara.