Pase de visita al proceso — mapear compras y escuchar el plan, puesto por puesto

Cómo leer este plan

• §1 es la idea en una página. §2 es el fin de cada visita y sus topes. §3 es cómo se descubre la estructura y cómo es la visita de los directivos. §4–§7 son las pantallas, cómo piensa la IA, cómo se juntan las visitas y cómo llegan las respuestas a la API. §8 es lo más avanzado que existe hoy, con fuente y etiqueta. §9 son los cuidados. §10 son las sesiones.
• Etiquetas: ✅ ya existe (en el repo o en la casa, con ruta) · 🆕 nuevo · 🔬 verificado (fuente primaria, construible hoy) · 🔮 extrapolación (investigación o promesa de proveedor; no se promete al hospital).

1. La idea en una página

Una sola entrada, nada supuesto. No conocemos la estructura del hospital — quién hace qué, quién decide, quién reporta a quién; las preguntas ROL-01 a ROL-08 del registro siguen abiertas — y nadie tiene que dárnosla. La única entrada es una persona: el contacto del hospital. Su liga abre una visita con IA de verdad (Claude, funcionando desde la primera versión): le pregunta quién es en esto, la ubica en el proceso, decide en vivo qué preguntarle de lo que el plan necesita, adapta cada pregunta a lo que va diciendo y se detiene cuando ya obtuvo lo suyo. Al final pregunta «¿a quién visitamos para cada parte?», y cada nombre es una liga nueva. De visita en visita salen tres cosas: la estructura real, el proceso real y la opinión de cada quien sobre el plan.

Lo que vive cada persona (unos 8 minutos en su teléfono, de usted; unos 5 si es directivo):

1. ¿Quién es usted en esto? Entre una y tres preguntas de la IA para ubicarla: cargo, área, a quién reporta, en qué momentos de una compra participa y qué decide. Con eso arma su visita y se la dice: «le haré 4 preguntas; unos 6 minutos».
2. Su parte del diagrama (quien opera). Los pasos del diagrama del hospital donde la IA la ubicó, uno por tarjeta: Así es, Así no o No me toca. Al final, su parte dibujada de regreso: «Así lo entendí, ¿correcto?».
3. Lo que sólo usted sabe. Las preguntas del registro maestro que, por lo que dijo, puede contestar. La IA escoge cuál sigue en cada turno, no repite lo que ya quedó dicho y puede abrir hasta dos preguntas nuevas si la persona cuenta algo que importa y nadie había preguntado.
4. El plan en su escritorio. Los cambios del plan que tocan su trabajo: Me ayuda, Me ayuda si… o Me estorba porque…. Los directivos, en cambio, dicen qué resultado buscan, qué deciden ellos y cuáles tres de los once cambios les importan más.
5. ¿A quién visitamos? y la nota. A quién ver para cada parte que nadie ha contado todavía, y un resumen de lo que aportó.

El nombre viene de la rutina del hospital: en el pase de visita cada especialista revisa al paciente y anota lo que ve, el jefe de servicio decide el plan de manejo y, si algo no es de uno, se pide interconsulta. Aquí: el paciente es el proceso de compra (el diagrama del hospital, 35 pasos y 13 decisiones); el plan de manejo es el plan Ángeles (los 11 cambios de la presentación y el demo); los directivos son el jefe de servicio — dicen hacia dónde va el plan —; cada persona que toca una compra es un especialista; la nota es lo que deja cada visita; la interconsulta es «esto lo sabe X», que se vuelve una liga nueva; y el expediente es el mapa de todos.

Lo que reciben Jorge y Claude: la estructura del proceso con fuente (quién hace qué, quién decide, quién reporta a quién), el diagrama corregido por quienes hacen el trabajo, las 47 preguntas abiertas cerrándose con fuente («según el jefe de Almacén, 3 oct»), la opinión de cada quien sobre cada cambio y las prioridades de los directivos, y los desacuerdos a la vista. Todo en una API (§7).

IA de verdad, con un fin. Si vamos a presumir IA, lo que se muestra tiene que funcionar: la visita usa un modelo real desde la primera versión; la redacción fija existe sólo como respaldo si la IA se apaga o llega al tope. Y tiene un fin: los topes viven en el código (§2); la IA ubica, elige, adapta y entiende dentro de ellos. No es una encuesta de cuarenta preguntas, ni un chat que pregunta sin fin, ni una IA que inventa.

2. El fin de cada visita (por qué no es interminable)

La misión de cada visita es una lista cerrada de elementos. No se fija antes de abrir la liga: la IA la arma en vivo, en cuanto ubica a la persona, a partir de lo que ésta dijo; el servidor le aplica los topes y la prioridad.

Cada elemento termina en un estado, y sólo en uno: confirmado · corregido · respondido · no lo sé → interconsulta · no aplica a mi puesto. Cuando todos los elementos tienen estado, la visita termina y aparece la nota.

Los topes están en el código, no en las instrucciones del modelo:

Respuestas con tipo. Cada pregunta del registro trae un esquema con los campos que la cierran, para que completo se pueda medir y no sea una impresión. Ejemplos:

Una repregunta sólo se hace cuando falta un campo obligatorio o la respuesta contradice algo que la misma persona dijo antes; nunca para «profundizar» por profundizar.

Una visita no lo cubre todo, y no se finge. El mejor entrevistador automático medido capturó poco más del 70 % de lo que buscaba (§8-C), y sin topes en el código terminaba en cuanto la persona tenía prisa (§8-D). Además, si la IA escoge las preguntas por lo que cada quien cuenta de sí, una pregunta que no se parece a nadie se quedaría huérfana. Por eso la cobertura es tarea del servidor: entre las candidatas de cada persona sube primero las que nadie ha contestado, y el tablero muestra las 47 con su estado y «quién podría saberlo» (los cargos que la IA ya encontró y que encajan con ella). Lo que falte se cierra con una segunda visita corta o una interconsulta.

3. La estructura: no la suponemos, la descubre la visita

3.1 Lo que no sabemos (y nadie tiene que darnos)

Quién hace cada actividad en Puebla y en corporativo (ROL-01), quiénes son y cuántos (ROL-02), dónde firma corporativo (ROL-03), si la dirección local se separa de la corporativa (ROL-04), si Biomédica firma (ROL-05), dónde vive JCAF (ROL-06), qué ve cada quien (ROL-07), si CXP, el enlace contable y DAF son la misma oficina (ROL-08). Nuestra tabla de puestos (roles-y-vistas.md) es una hipótesis. Por eso ninguna liga lleva un puesto asignado: lleva sólo quién invitó a la persona y lo que dijo de ella, con sus palabras («es quien recibe los equipos»).

3.2 Cómo ubica la IA a cada persona

La visita empieza preguntando, no afirmando: «Para no preguntarle de más: ¿cuál es su cargo y qué le toca a usted cuando el hospital compra un equipo?». Si hace falta, una o dos preguntas más (¿local o corporativo?, ¿a quién reporta?) y una lista que se toca con los momentos de una compra: pedir · cotizar · revisar la parte técnica · autorizar · SAP y orden de compra · recibir · resguardar · pagar · mantener. La IA guarda una ficha con tipo — cargo, área, ámbito (local / corporativo / grupo), a quién reporta, fases en que participa, qué decide — y se la muestra una sola vez para confirmar: «Lo ubico como jefe de Almacén del hospital, en recibir y dar de alta en SAP. ¿Es así?». Con esa ficha arma la misión (§2). Si su cargo no se parece a ninguno de nuestra hipótesis, no lo fuerza: es un puesto nuevo, y eso también es un hallazgo de la estructura.

3.3 Los directivos

La IA reconoce a un directivo por lo que dice de sí (cargo y qué decide) o porque quien lo invitó lo dijo. Su visita es otra: más corta, sobre resultados y decisiones, no sobre pasos.

Los directivos no revisan tarjetas de pasos, salvo que digan que operan alguno. Son también quienes verán el resultado: la vista para la junta (sesión 4) junta el mapa, la estructura y la opinión del plan, con citas.

3.4 Cómo crece el árbol

La primera liga es la del contacto del hospital. Su visita termina, como todas, con «¿a quién visitamos para cada parte?», que la IA pregunta sólo por las fases que nadie ha contado todavía. Cada nombre se vuelve una liga nueva con lo que dijo quien lo nombró (el mensaje sale listo para WhatsApp; lo manda una persona, §9). Si alguien no sabe una pregunta, la interconsulta hace lo mismo para esa pregunta. Guardas de la máquina de la casa: dos saltos desde cada raíz, ocho repartos por liga, sesenta ligas en total; Jorge puede abrir otra raíz cuando quiera. El tablero muestra qué fases ya tienen a alguien y cuáles siguen sin nadie.

3.5 El punto de partida de la IA (no una asignación)

La IA arranca con nuestra hipótesis — qué cargos probablemente existen, qué pasos del diagrama toca cada uno y qué preguntas del registro podría contestar — y la corrige con cada visita. Nunca se le muestra a la persona como su puesto.

Cobertura de la hipótesis: las 47 preguntas tienen al menos un cargo probable; las que dos cargos pueden contestar (PROC-01, KPI-01, INT-02) se preguntan a ambos a propósito: si coinciden, quedan confirmadas; si no, son un desacuerdo útil (§6). El orden «por impacto» es el del plan de mejora (§16 de plan-mejora-demo-2026-09-30.md): primero lo que hoy es un supuesto que el director ve en pantalla (umbrales, SAP, SLA, horas, CMMS), después lo que cambia una regla del demo, al final el detalle.

3.6 La estructura que sale de las visitas

Cada visita agrega una persona (citada por su cargo, no por su nombre) con su ficha, y cada «a quién visitamos» o interconsulta agrega una línea: quién nombró a quién, para qué. Con eso se dibuja el organigrama del proceso — no el del hospital entero: sólo quién interviene en una compra, en qué fase, qué decide y a quién reporta —, se cierran ROL-01 a ROL-08 con fuente, y los desacuerdos (dos personas dicen que reportan a sitios distintos, o que una firma la pone otra oficina) quedan a la vista como en §6.

4. La visita, pantalla por pantalla

Todo en español de México y de usted (la revisión de confianza del demo ya corrigió el tú). Se contesta tocando, escribiendo o con nota de voz (sesión 2; la transcripción se le muestra a la persona antes de guardarse). Nunca se piden datos de pacientes; si alguien los escribe, la IA los quita antes de guardar.

0 · Portada. «Buenos días, {nombre}. {Quien la invitó} nos sugirió platicar con usted para entender cómo se compra hoy el equipo del hospital y qué opina del plan. Son unos 8 minutos; lo que conteste queda con su cargo y la fecha.» → Empezar.

1 · ¿Quién es usted en esto? (sesión 1) La IA pregunta, la persona contesta con sus palabras o con voz, y la IA confirma una vez (§3.2). Luego le dice su visita: «Le haré 3 preguntas que, por lo que me cuenta, sólo usted puede contestar, y al final le pediré a quién más visitamos. Unos 6 minutos.»

2 · Su parte del diagrama. (sesión 2) Una tarjeta por paso de las fases donde la persona dijo que participa, con el texto exacto del diagrama del hospital y su número:

P28 · Almacén
«ALM: entrada en SAP con factura y OC original · MB01 mov. 101»
   [ Así es ]   [ Así no ]   [ No me toca ]

Así no → una pregunta: «¿Qué pasa en realidad en este paso?» La IA saca de la respuesta quién lo hace, en qué sistema o papel, con qué documento, cuánto tarda, quién lo autoriza y qué sigue — la pregunta central de la guía, paso por paso — y lo guarda con la frase original como cita. En los pasos que el plan cambia (las firmas de P5 y P6, la entrada en SAP de P28…) la tarjeta pregunta primero un dato concreto («¿cuántas firmas lleva hoy el cuadro?») y sólo después muestra lo que dice el diagrama: tocar Así es sin leer es el error natural de este formato, y el dato concreto lo destapa. Al terminar, lo dibuja de regreso (el mismo diagrama, sus pasos en naranja donde corrigió): «Así lo entendí. ¿Correcto?» → Sí · Corregir una cosa.

3 · Lo que sólo usted sabe. (sesión 1) Una pregunta a la vez, elegida por la IA en ese turno y redactada para su cargo, con el «para qué» a la vista («con esto el demo deja de suponer que toda entrega llega completa»). Si la persona ya lo dijo antes, no se le vuelve a preguntar. Primero se pregunta, después se muestra lo que el demo suponía: así la persona no sólo dice «sí» a lo que ve escrito. Si cuenta algo que importa y no estaba en el registro («también llenamos un formato que nadie más ve»), la IA puede abrir un hallazgo (máximo dos por visita). No lo sé abre la interconsulta: nombre y cargo de quien sí sabe → liga nueva.

4 · El plan en su escritorio. (sesión 3) Por cada cambio que le toca, dos paneles de la presentación (hoy y con el plan) y tres botones: Me ayuda · Me ayuda si… · Me estorba porque…. Los dos últimos piden una frase. Luego, el pre-mortem.

5 · ¿A quién visitamos? y la nota. (sesión 1) Primero, por cada fase que nadie ha contado, «¿quién la conoce mejor?». Después la nota: «Gracias. Contestó DAT-08 y PROC-16; nos sugirió visitar a la persona de Finanzas que programa los pagos. Abrió un hallazgo: el formato de entrada que llena a mano.» → Corregir algo · Listo. Cuando su respuesta cambie el mapa o cierre una pregunta, la nota lo dice la próxima vez que abra la liga.

El camino de un directivo: 0 → 1 → sus preguntas de §3.3 (resultado, decisiones) → ¿a quién visitamos? → pre-mortem → la nota; en la sesión 3 se suman sus tres cambios. Unos 5 minutos.

5. Cómo piensa la IA (y lo que no puede hacer)

Antes de abrir las ligas, la redacción. Como en el método de entrevistas de Anthropic (§8-A): la IA redacta por adelantado cada una de las 47 preguntas en dos registros — directivo (resultado, decisión, dinero) y operativo (pasos, documentos, sistemas) —, con su «para qué» y sus opciones que se tocan; la sesión que construye la revisa contra el registro y queda a la vista en el tablero. En la visita, la IA adapta esa redacción a lo que la persona va diciendo.

En cada turno, la IA: ubica a la persona (al principio); elige la siguiente pregunta entre las candidatas abiertas — la que más campos obligatorios cerraría con lo que la persona ya dejó ver, saltando lo que ya dijo (§8-E, en su versión simple); la redacta en su registro; entiende la respuesta libre o de voz y llena los campos con la cita textual; decide si falta un campo y hace falta la repregunta; reconoce un hallazgo; dibuja el carril corregido (sesión 2); escribe la nota. El servidor: guarda el estado y la historia de la visita (en cada turno se la da ordenada al modelo: un modelo que lleva solo la conversación se contradice con lo ya dicho, §8-E), aplica los topes de §2, da prioridad a las preguntas que nadie ha contestado y valida cada respuesta del modelo antes de mostrar nada.

El modelo devuelve un objeto con tipo por turno:

{ "accion": "ubicar | preguntar | repreguntar | hallazgo | cerrar_elemento | dibujar_carril | terminar",
  "elemento": "PROC-07",
  "registro": "directivo",
  "texto": "¿Los montos de $150,000 y $5,000,000 siguen siendo los que deciden quién firma?",
  "campos": { "vigentes": "sí", "umbral_local_mxn": 150000 },
  "faltan": ["varia_por"],
  "cita": "sí, siguen, aunque en Corporativo hablan de subirlo",
  "estado_propuesto": "respondido" }

El servidor lo valida contra el esquema del elemento y contra los topes antes de mostrarlo: si el modelo propone una repregunta cuando ya se usó la del elemento, o un tercer hallazgo, el servidor lo convierte en cerrar_elemento. Así «no interminable» es una garantía del código, no una promesa del modelo.

Lo que no puede hacer: romper los topes, abrir más de dos hallazgos, asignarle a alguien un cargo que no confirmó, afirmar cifras que nadie dijo, ver respuestas de otras personas durante una visita (salvo en la conciliación de §6, sin nombres), ni pedir datos de pacientes. Los hallazgos entran al registro maestro como propuesta con su ID nuevo, nunca como una lista aparte.

El modelo y el costo. Claude Opus 5.5 (claude-opus-5-5, US$4 / US$20 por millón de tokens de entrada / salida, lectura de caché US$0.20) con esfuerzo bajo, salidas estructuradas (output_config.format) y caché del prefijo fijo (método + las 47 preguntas con sus esquemas + el diagrama + los 11 cambios, idéntico para todas las visitas). Estimado: ~16 llamadas por visita × (≈12 mil tokens de entrada, casi todos en caché, + ≈800 de salida) ≈ US$0.40 por visita; 30 visitas + la consolidación ≈ US$17 en toda la ronda. Es un estimado; el tope manda. Si en las visitas de prueba Claude Sonnet 5.5 (claude-sonnet-5-5, la mitad del precio) redacta igual de bien, se cambia con una variable. Tope en código: US$5 al día y US$40 en total, contados con el uso real que devuelve cada respuesta; al llegar, la visita termina con la redacción fija. Llave propia: un espacio de trabajo propio en la consola de Anthropic con su límite de gasto mensual (la consola lo permite; al llegar, la API responde con error, §8-K). Crearlo es un clic de Jorge; mientras no exista, el tope en código es el que protege. Apagador: una variable (PASE_IA=off) y la visita sigue con la redacción fija del banco; nada se pierde. Es respaldo, no lo que se muestra.

6. De las visitas al mapa de todos

El expediente del proceso. Cada nodo del diagrama del hospital toma uno de cinco estados, contando a todas las personas que lo vieron: confirmado por dos o más · sólo una persona lo vio · corregido · en desacuerdo · nadie lo ha visto. Se pinta sobre el mismo hoy.mmd (clases nuevas, la misma tubería componer.py y la configuración de fuente que ya funcionó) y, al lado, un diagrama nuevo «así es en realidad» que la IA propone como cambios puntuales al diagrama (agregar, quitar o renombrar un paso; cambiar quién lo hace; agregar una vuelta) y que una sesión de Claude revisa antes de publicarlo. Junto a él, el organigrama del proceso (§3.6).

Los desacuerdos se concilian una vez. Juntar en un solo diagrama lo que cuentan varias personas no lo resuelve ninguna fuente verificada (§8-G), y la mediación sólo con IA tiende a forzar el acuerdo (§8-H). Así que nada se promedia: si dos personas dicen cosas distintas del mismo paso, de la misma pregunta o de la estructura, el sistema redacta las dos versiones de forma neutral y sin nombres, y le manda un elemento de conciliación a cada una (o a un tercer cargo que decide), como una ronda Delphi de una sola vuelta: «Nos dijeron dos cosas sobre P21: (a)… (b)… ¿Cuál pasa en su caso, o pasan las dos?». Una ronda y se acaba; lo que siga en desacuerdo queda así en el mapa, a la vista, para la junta.

La opinión del plan, por cambio. Para cada uno de los 11 cambios: cuántas personas dicen me ayuda, me ayuda si… y me estorba, las condiciones y razones agrupadas en pocos temas por la IA (cada tema con sus citas textuales y el cargo que las dijo) y, aparte, las prioridades de los directivos. Las respuestas del pre-mortem se agrupan igual: son la lista de riesgos que el hospital mismo ve.

El registro maestro se cierra con fuente. Cada pregunta respondida cambia su Estado en preguntas-abiertas.md de «Abierta» a «Respondida (cargo, fecha)» con el resumen y su impacto en el demo — la regla del repo: no se crea una lista paralela.

7. Las respuestas llegan a una API (y Claude las lee)

Un Worker propio en la cuenta de Cloudflare de los demás sitios del proyecto (nombre de trabajo ha-pase-de-visita), con su propio almacén. La forma es la de la máquina de ligas de la casa (tagers-reportes/src/preguntas.js, ✅ en uso desde el 21 sep): la liga es la identidad, un renglón nuevo por respuesta (nada se sobrescribe), la interconsulta crea una liga nueva en vez de reenviar la misma, y hay topes al reparto.

Forma del JSON de /api/sync (resumen; los valores son ficticios, sólo muestran la forma):

{ "corte": "2026-10-03T18:20:00-06:00",
  "personas": [{ "liga": "v-7f3a", "cargo": "jefe de Almacén", "area": "Almacén", "ambito": "local",
                 "reporta_a": "gerencia administrativa", "fases": ["recibir", "SAP y orden de compra"],
                 "nombrada_por": "v-1c09", "visita": "terminada", "minutos": 7 }],
  "preguntas": { "DAT-08": [{ "cargo": "jefe de Almacén", "fecha": "2026-10-03",
                   "campos": { "admite_parciales": "sí", "como_se_registra": "una entrada por remisión" },
                   "cita": "sí, a veces llega en dos camiones…", "estado": "respondido" }] },
  "hallazgos": [{ "propuesta": "DAT-14", "texto": "formato de entrada que Almacén llena a mano", "liga": "v-7f3a" }],
  "nodos": { "P28": [{ "cargo": "jefe de Almacén", "estado": "corregido", "realidad": { "sistema": "MIGO", "tarda": "1 día" } }] },
  "cambios": { "8": [{ "cargo": "jefe de Almacén", "veredicto": "ayuda" }] },
  "desacuerdos": [{ "sobre": "P21", "versiones": 2, "conciliacion": "pendiente" }],
  "gasto_usd": { "hoy": 0.84, "total": 3.10 } }

Cómo llegan a Claude: (1) GET /api/sync desde cualquier sesión, con el secreto guardado en ~/.claude-secrets; (2) desde la sesión 5, el servidor MCP, para preguntarle en lenguaje natural («¿qué dijo Finanzas de DAT-11?»); (3) un aviso por Telegram a Jorge cuando termina una visita («Almacén terminó: DAT-08 respondida, un hallazgo, nos sugirió a Finanzas»); (4) el comando de lectura (/ha-pase-lee, sesión 5) que pasa las respuestas nuevas al registro maestro (con los hallazgos como propuestas), al mapa, a la estructura y a la lista de lo que cambia en el demo.

8. Lo más avanzado que existe (1 oct 2026), y qué tomamos

Búsqueda del 1 oct 2026 en cinco frentes: entrevistas con IA, elegir la siguiente pregunta con presupuesto, del relato al diagrama, consenso con IA, e infraestructura. 24 fuentes leídas; las 12 afirmaciones centrales pasaron por tres verificadores independientes: 8 confirmadas, 4 refutadas. La infraestructura se revisó además en la documentación oficial el mismo día. Ninguna fuente trata con personal de hospital, en español o por voz: todo lo que sigue se aplica aquí por juicio, y así se dice.

A · El método de entrevista con IA de Anthropic (Anthropic Interviewer, 4 dic 2025) — 🔬 verificado · construible hoy (el método). La IA redacta un plan de entrevista por perfil, una persona lo revisa, la IA hace entrevistas adaptativas de unos 10–15 minutos y un paso aparte analiza las respuestas con citas; 1,250 entrevistas en la primera ronda. La herramienta es interna de Anthropic; el método lo puede construir cualquiera con la API. Anthropic lo llama «una primera prueba» y lista sus límites: sesgo de selección, efecto de demanda, autorreporte — lo que la gente dice no siempre es lo que hace. → Tomamos los tres tiempos (redacción por pregunta en dos registros, revisada → visita corta y adaptativa → análisis aparte, §5–§6) y la advertencia: lo dicho queda «según el cargo» hasta que otro cargo, o SAP algún día, lo confirme.

B · Repreguntar sí, pero poco (NORC, experimento aleatorio con 1,800 personas, preprint 2025) — 🔬 verificado · construible hoy. Pedirle a la persona que amplíe dio respuestas más detalladas e informativas, con un pequeño costo en su experiencia. Un experimento controlado con estudiantes (ACL 2025) encontró datos de calidad comparable a los de entrevistadores humanos (fuente primaria, sin votación). → Tomamos una repregunta por elemento, sólo cuando falta un campo. Las cifras de abandono y de «confirmación» de ese mismo estudio fueron refutadas por los verificadores: no se citan.

C · Una entrevista no cubre todo (LLMREI, congreso de Ingeniería de Requerimientos RE 2025) — 🔬 verificado. El mejor entrevistador automático capturó un poco más del 70 % de lo que se buscaba (hasta 73.7 %), con personas simuladas. → Tomamos la misión como lista que se verifica y la cobertura como tarea del servidor: lo que falta queda visible en el tablero y se cierra con una segunda visita o una interconsulta, nunca se da por cubierto.

D · El alto lo pone el sistema, no el modelo (el mismo estudio) — 🔬 verificado (desempate, confianza media). Sin tope ni lista en el código, el bot terminaba en cuanto la persona mostraba prisa y se saltaba el resumen y la pregunta de «¿quién más sabe?». → Tomamos topes, lista por persona y cierre obligatorio («¿a quién visitamos?» + la nota) en el servidor (§2, §5).

E · Elegir la siguiente pregunta por lo que más informa (Uncertainty of Thoughts, NeurIPS 2024; BED-LLM, 2025) — 🔬 verificado en tareas de respuesta cerrada · 🔮 en entrevistas abiertas. Simular respuestas posibles y elegir la pregunta que más reduce la duda subió 38.1 % el éxito, pero sólo en juegos de 20 preguntas, diagnóstico y soporte técnico, con respuestas conocidas. BED-LLM añade que el modelo que lleva solo la historia de la conversación se contradice con lo ya dicho y se confía antes de tiempo (fuente primaria, sin votación). Cada pregunta cuesta varias llamadas. → Tomamos la versión simple que sí se puede comprobar, para ubicar a la persona y para elegir cada pregunta: un puntaje de cuántos campos obligatorios cerraría cada candidata con lo que la persona ya dejó ver, más la prioridad de lo que nadie ha contestado. La historia de la visita la lleva el servidor y se la da ordenada al modelo en cada turno.

F · Del relato al diagrama (preprint abr 2026 de texto a BPMN validado; ProMoAI, 2024; CPMR, 2025) — 🔬 el resultado y su límite (un solo preprint) · ProMoAI y CPMR: fuente primaria, sin votación · construible hoy. Un texto que describe un proceso se vuelve un diagrama BPMN con similitud media mayor a 0.75 contra el diagrama real, pero cuando el texto es escaso el modelo inventa pasos. ProMoAI hace que el modelo escriba un modelo intermedio con tipo, que se valida antes de dibujarse (código abierto). CPMR corrige un diagrama que ya existe con «patrones de cambio» y pregunta sólo lo que no entiende. → Tomamos lo más seguro de los tres: no se dibuja de cero; se corrige el diagrama del hospital paso a paso con cambios con tipo (agregar, quitar, renombrar, cambiar quién lo hace, agregar una vuelta), cada carril regresa a su autor, y nada que nadie dijo se dibuja.

G · Juntar los relatos de varias personas — 🔮 ninguna fuente verificada lo resuelve. → Tomamos la decisión de no promediar: cada paso dice si coinciden, si sólo uno lo vio o si hay desacuerdo (§6).

H · Mediación y consenso con IA (Habermas Machine, DeepMind, Science 2024; Talk to the City; Delphi con modelos, 2025–2026) — 🔮 para este caso: nada de este frente sobrevivió la verificación y sus escalas son de miles de personas. Declaraciones de grupo redactadas por IA fueron preferidas a las de mediadores humanos en un estudio con más de 5,700 personas (citado de segunda mano); el mismo campo advierte que la mediación sólo con IA tiende a forzar el acuerdo y a desdibujar a la minoría. Talk to the City agrupa opiniones de multitudes (prototipo). El método Delphi usa rondas anónimas con un número fijo de vueltas. → Tomamos una sola ronda anónima, al estilo Delphi, para cada desacuerdo, con citas textuales por cargo y sin veredicto de la IA. Para decenas de personas, una tira por cambio vale más que un agrupador hecho para miles.

I · Pre-mortem (Gary Klein, Harvard Business Review, 2007) — método clásico, sin IA. Imaginar que el proyecto ya fracasó y explicar por qué destapa los riesgos que nadie dice en una junta. → Tomamos una sola pregunta por visita, contestada por personas reales (no por personas simuladas, como ofrecen algunos proveedores).

J · Plataformas comerciales de entrevistas con IA (Listen Labs, Outset, Conveo, Qualtrics, Typeform) — en venta hoy; sus cifras (respuestas tres o cuatro veces más largas en video, más de 50 idiomas) son del proveedor y no se verificaron. → No las usamos: no conocen el diagrama ni las 47 preguntas, los datos saldrían a un tercero y no dan la API que pide este plan.

K · La infraestructura — 🔬 documentación oficial, revisada el 1 oct 2026 · construible hoy.

• Anthropic: límite de gasto propio por espacio de trabajo, por debajo del tope de la cuenta; al llegar, la API responde con un error 400 y la visita sigue con la redacción fija. Las lecturas de caché no cuentan contra el límite de tokens por minuto.
• Claude: salidas estructuradas (output_config.format) para el objeto con tipo de cada turno; caché del prefijo; Opus 5.5 con esfuerzo ajustable (§5).
• Cloudflare: Workers con estado por sesión (Agents SDK y Durable Objects, cada uno con su propia SQL); servidores MCP remotos en Workers con Streamable HTTP y OAuth (sesión 5).
• Workers AI: Whisper large-v3 turbo para las notas de voz, US$0.000513 por minuto de audio, con language e initial_prompt para pasarle el vocabulario del hospital (siglas, transacciones SAP, equipos). Su calidad con jerga hospitalaria en español no está medida en ninguna fuente (🔮): se mide con diez notas de prueba antes de abrir la voz, y la transcripción siempre se le muestra a la persona para confirmar.
• AI Gateway: límites de solicitudes, caché y registros. Opcional: el tope de este plan vive en el código y en el espacio de trabajo.

9. Cuidados

• Datos personales. Ligas con token, noindex, sin caché y sin rastreadores; aviso de privacidad corto en la portada (qué se guarda: nombre, cargo y respuestas; para qué: mejorar el proceso de compras; quién lo ve: el equipo del proyecto; cómo pedir que se borre). Ley Federal de Protección de Datos Personales en Posesión de los Particulares. En reportes, en el organigrama del proceso y en la junta, las respuestas se citan por cargo, no por nombre.
• Nada de pacientes. La portada lo dice, la IA lo vigila y quita nombres, expedientes o folios clínicos antes de guardar.
• Honestidad. Toda cifra que entre al demo o a la presentación por esta vía lleva «según {cargo}, {fecha}». Lo que nadie contestó sigue siendo supuesto y se dice.
• Dinero. Tope en código (US$5 al día, US$40 en total) + límite del espacio de trabajo en la consola de Anthropic + apagador.
• Enviar ligas a personas reales lo hace Jorge o el contacto del hospital, no el sistema: «¿a quién visitamos?» y la interconsulta devuelven el mensaje listo para WhatsApp y alguien lo manda.
• Red del hospital. Algunas redes corporativas bloquean dominios workers.dev; la liga se abre en el teléfono, con datos móviles. Si el hospital pide su propio dominio, se cambia sin tocar el código.

10. Sesiones («una sesión, un resultado vivo»)

Kill de todo: wrangler delete en la carpeta del Worker (las ligas dejan de abrir; el repo no cambia). Kill de la IA: PASE_IA=off (la visita sigue con la redacción fija). Después de la sesión 1 ya se puede usar con el hospital; las demás la enriquecen sin cambiar ninguna liga.

La IA que ya se muestra en el demo. El campo «Pregúntale a Ángeles AI» del demo contesta hoy con reglas fijas, sin modelo. El motor de esta visita — Claude con tope, apagador y respuestas que citan sólo datos del demo — es el mismo que necesita «Ángeles AI de verdad» (la semilla del siguiente proyecto en demo/IDEAS.md, con su cerca: vive aparte del demo estático, el modelo cita el registro o dice «ese dato no está en el demo», y nace con su apagador). Es su propia sesión, no una de este plan.

11. Lo que no hacemos (y por qué)

• Suponer la estructura. Ninguna liga lleva un cargo asignado; la estructura sale de las visitas (§3).
• Llamadas de voz en tiempo real con un agente. Existen y funcionan, pero en un hospital la gente contesta entre pendientes: una liga que se retoma y una nota de voz respetan su tiempo; una llamada lo exige.
• Minería de procesos sobre los registros de SAP. Es la forma más exacta de ver el proceso real, pero no hay acceso a SAP (INT-02 e INT-04 siguen abiertas). Cuando TI conteste, es el siguiente escalón y este mapa sirve para validarla.
• Un chat abierto. La IA no conversa de lo que quiera; cada turno sirve a un elemento de la misión o a uno de sus dos hallazgos.
• Decidir por el hospital. Los desacuerdos se muestran y se concilian una vez; no se resuelven por mayoría ni por la IA.

12. Fuentes

Investigación del 1 oct 2026 (búsqueda con verificación por votos; registro completo en la sesión que escribió este plan).

• A · Anthropic, «Anthropic Interviewer» (4 dic 2025): https://www.anthropic.com/research/anthropic-interviewer
• B · NORC, sondeos conversacionales con repregunta, experimento aleatorio (preprint 2025): https://arxiv.org/pdf/2504.13908 · entrevistas con IA frente a entrevistadores humanos (ACL, LaTeCH-CLfL 2025): https://aclanthology.org/2025.latechclfl-1.17/
• C, D · LLMREI, entrevistas de requerimientos con modelos (RE 2025): https://arxiv.org/pdf/2507.02564
• E · Uncertainty of Thoughts (NeurIPS 2024): https://proceedings.neurips.cc/paper_files/paper/2024/file/2b0e14abd8128e6bf98b6b0bec1cfcbf-Paper-Conference.pdf · BED-LLM (2025): https://arxiv.org/pdf/2508.21184
• F · De texto a BPMN validado (preprint abr 2026): https://arxiv.org/pdf/2604.12105 · ProMoAI (2024): https://arxiv.org/pdf/2403.04327 · CPMR, rediseño conversacional de procesos (2025): https://arxiv.org/pdf/2505.05453
• H · Habermas Machine (Science, 2024): https://www.science.org/doi/10.1126/science.adq2852 · marco de mediación humano-IA que la cita (2026): https://arxiv.org/pdf/2605.26940 · Talk to the City: https://ai.objectives.institute/blog/introducing-talk-to-the-city-our-collective-deliberation-tool · Delphi con modelos: https://arxiv.org/pdf/2602.08889 · https://www.arxiv.org/pdf/2508.09349
• I · Gary Klein, «Performing a Project Premortem», Harvard Business Review, septiembre de 2007.
• K · Anthropic, límites de gasto y de uso: https://platform.claude.com/docs/en/api/rate-limits · Cloudflare Agents: https://developers.cloudflare.com/agents/ · MCP en Cloudflare: https://developers.cloudflare.com/agents/model-context-protocol/ · Whisper large-v3 turbo en Workers AI: https://developers.cloudflare.com/workers-ai/models/whisper-large-v3-turbo/ · AI Gateway: https://blog.cloudflare.com/ai-gateway-is-generally-available/
• La máquina de ligas de la casa: ~/code/tagers-reportes/src/preguntas.js y su README («Las preguntas de la casa»).

Refutado por los verificadores y que no debe citarse: las cifras de abandono y duración, y el 81 % frente a 72 % de «confirmación», del preprint de NORC; «LLMREI comete tantos errores como un entrevistador humano».