Ertas + OpenClaw para Agencias de IA

Las agencias de IA que despliegan OpenClaw para sus clientes sufren el mismo problema de márgenes que cualquier herramienta que depende de una API: costos por token que crecen con cada cliente. Con Ertas, la agencia entrena un modelo para cada cliente, lo exporta y lo ejecuta en su propio hardware detrás de OpenClaw. La factura por token da paso a un costo de alojamiento predecible y cada agente conoce el dominio de su cliente.

The Challenge

OpenClaw es el framework de agentes de IA más capaz disponible: ejecución autónoma de tareas a través de plataformas de mensajería que los clientes ya usan, automatización del navegador, gestión de archivos, clasificación de correos electrónicos y monitoreo basado en cron. Para las agencias de IA, es una evolución natural desde despliegues simples de chatbots hasta asistentes de IA de espectro completo.

Pero la economía no funciona a escala con APIs en la nube. Cada instancia de OpenClaw de cada cliente enruta cada interacción a través de GPT-4o o Claude, generando cargos por token en cada correo clasificado, cada reporte generado, cada mensaje enviado. Un solo cliente activo puede costar AU$150-300/mes en traspaso de API. Con 10-20 clientes, la agencia enfrenta AU$2,000-4,000/mes en costos variables que consumen directamente los márgenes de los contratos fijos.

Peor aún, los costos son impredecibles. ¿La campaña de marketing de un cliente se vuelve viral y su volumen de soporte se triplica? La factura de API también se triplica, pero el contrato sigue igual. ¿Un trabajo cron de OpenClaw escanea una bandeja de entrada cada 30 minutos? Eso es un flujo constante de tokens las 24 horas, quemando créditos incluso cuando no pasa nada procesable.

El problema de diferenciación es igualmente apremiante. Si cada agencia despliega OpenClaw con el mismo backend de GPT-4o, los clientes efectivamente están recibiendo la misma IA, solo envuelta en diferente marca. No hay ventaja competitiva. Un cliente con inclinación técnica puede replicar la configuración por sí mismo.

The Solution

Ertas lleva los despliegues de OpenClaw de la agencia de la reventa de API a modelos que son de la agencia. El esquema: entrenar en Ertas Studio un modelo con los datos del dominio de cada cliente, exportarlo, ejecutarlo en local con Ollama u otro servidor compatible con OpenAI y apuntar la instancia de OpenClaw de ese cliente al endpoint local.

La economía cambia en cuanto el hardware está instalado. Una petición a un modelo local cuesta la electricidad y el hardware que la agencia ya tiene, así que si el volumen de un cliente se triplica, la factura no se triplica con él. El entrenamiento se hace en Studio, en las GPU en la nube de Ertas y desde un lienzo visual, por lo que la agencia no necesita infraestructura de entrenamiento propia, y puede entrenar varias ejecuciones candidatas en paralelo y compararlas antes de poner una en producción. Para este paso los datos de entrenamiento se suben a Ertas, así que conviene quitar antes los datos personales de los registros.

La mejora de calidad es el verdadero argumento de venta. Un modelo entrenado para un cliente inmobiliario ha aprendido sus propiedades, su terminología de precios y su forma de comunicarse con compradores. Un modelo entrenado para una clínica dental conoce sus tipos de cita, sus convenios con aseguradoras y el tono que usa con los pacientes. Un modelo general tiene que aproximar todo eso a partir de un prompt de sistema en cada petición. La agencia puede medir la diferencia con ejemplos reservados de cada cliente, lo que le da pruebas que mostrar al cliente y una base para cobrar más.

Key Features

Studio

Fine-Tuning por Cliente

Sube los registros de conversación, el catálogo de productos o los datos del dominio de un cliente en JSONL, o crea el dataset en Data Craft, y configura una ejecución de entrenamiento LoRA en el lienzo visual de Studio. El entrenamiento corre en las GPU en la nube de Ertas y produce un modelo que recoge las necesidades de ese cliente, sin infraestructura de GPU que gestionar.

Hub

Exportar y Ejecutar en Local

Hub reúne todos los modelos que la agencia ha entrenado. Descarga cada uno como GGUF para Ollama, llama.cpp o LM Studio, o como safetensors para vLLM, y sírvelo en el hardware de la agencia. Apunta la instancia de OpenClaw de cada cliente a su modelo y el agente funcionará sin depender de Ertas y sin factura por token.

Hub

Un Modelo Propio por Cliente

El agente de cada cliente funciona con su propio modelo entrenado, de modo que los datos de un cliente nunca influyen en las respuestas de otro. La agencia decide dónde se ejecuta cada modelo, y las peticiones y respuestas de cada agente se quedan en ese hardware. Los datasets de entrenamiento se pueden borrar de Studio cuando termina el proyecto.

Studio

Modelos Base para Agentes

Elige del catálogo de modelos abiertos de Studio, con Qwen, Llama, Gemma, Mistral y Phi, en tamaños que van de unos cientos de millones a 8.000 millones de parámetros. Entrena dos o tres candidatos en paralelo con los mismos datos del cliente y compáralos en clasificación de correos, agenda o informes antes de elegir cuál desplegar.

Example Workflow

Una agencia de automatización con IA de Sídney gestiona despliegues de OpenClaw para 12 pequeñas empresas de los sectores inmobiliario, hotelero y de servicios profesionales. Cada cliente tiene un agente de OpenClaw que clasifica correos, agenda citas y responde consultas por WhatsApp y correo electrónico. Con APIs en la nube, la agencia gasta AU$2,800 al mes, y tres clientes con mucho volumen (una inmobiliaria, un hotel boutique y un estudio contable) suman AU$1,500 de ese total. La agencia pasa a Ertas cliente por cliente. Para cada uno, el equipo exporta de tres a seis meses de historial de conversaciones, elimina los datos personales, lo formatea como JSONL y entrena un modelo en Ertas Studio con dos tamaños de modelo base en paralelo, y se queda con el que mejor rinde en un conjunto reservado de consultas reales de ese cliente. Cada modelo elegido se exporta desde Hub como GGUF y se sirve con Ollama en un Mac Studio en la oficina de la agencia, y la instancia de OpenClaw de cada cliente apunta a su propio modelo. Antes de cambiar a un cliente, la agencia compara la clasificación de consultas y las respuestas del nuevo modelo con lo que GPT-4o produjo para los mismos mensajes, y pide al cliente que revise una muestra de respuestas para validar el tono de marca. Tras el cambio, esos clientes le cuestan a la agencia una suscripción de Ertas más la electricidad y un hardware que es suyo, y la agencia puede vender como nivel premium un modelo entrenado con los datos de cada cliente.

Compliance & Security

Cuando el modelo de cada cliente se ejecuta en el hardware de la agencia, las peticiones y respuestas del agente se quedan ahí y nunca se envían a un proveedor de IA externo, lo que da a la agencia una respuesta clara en licitaciones y cuestionarios de compras empresariales. El entrenamiento se hace en las GPU en la nube de Ertas, así que el conjunto de entrenamiento se sube a Ertas: elimina o enmascara los datos personales de los registros de conversación antes de subirlos y borra los datasets de Studio cuando termine el proyecto. Entrenar un modelo distinto para cada cliente evita que los datos de uno entren en el modelo de otro. Proteger los servidores de la agencia y atender las obligaciones contractuales o regulatorias con sus clientes sigue siendo responsabilidad de la agencia.