Cómo construir ResolveAI: una plataforma empresarial de soporte al cliente con Claude Fable 5.1

Introducción

La mayoría de las demostraciones de IA se quedan en gestores de tareas, apps del clima o chatbots sencillos. Aquí vamos más allá: construimos ResolveAI, una plataforma empresarial de soporte al cliente que investiga reclamos, recupera políticas relevantes, propone resoluciones y mantiene las acciones sensibles bajo autorización humana. El objetivo es evaluar a Claude Fable 5.1 como herramienta de ingeniería agentic —no solo como generador de código— y documentar el proceso completo: frontend, API, base de datos, recuperación de políticas, flujo de IA, permisos, pruebas, auditoría y salvaguardas.

Por qué elegir Claude Fable 5.1 para este proyecto

Anthropic posiciona a Claude Fable 5.1 para trabajos que requieren razonamiento profundo y horizontes largos de ejecución agentic. Entre sus especificaciones relevantes están:

• Ventana de contexto de 1M tokens
• Salida máxima de 128K tokens
• Precio de entrada/salida: $10 / $50 por MTok
• Pensamiento adaptativo siempre activo y nivel de esfuerzo por defecto alto
• Lanzamiento: 1 de septiembre de 2026

Anthropic sugiere comenzar con Opus 5 para la mayoría de las cargas y reservar Fable 5.1 para casos que realmente se beneficien de razonamiento extendido. ResolveAI es un buen banco de prueba porque exige consistencia entre archivos, límites claros entre herramientas, reglas de negocio, pruebas de seguridad, estados de aprobación y un cambio arquitectónico a mitad del desarrollo.

Qué es ResolveAI

ResolveAI es un centro de comando para escalaciones de soporte asistido por IA. Un agente de soporte introduce un reclamo del cliente y el sistema:

• Investiga el perfil del cliente, la orden y tickets previos
• Recupera la política aplicable y evidencia asociada
• Determina qué acciones están permitidas según reglas (por ejemplo, umbrales de reembolso)
• Redacta una respuesta fundamentada
• Bloquea acciones de alto riesgo detrás de una puerta de aprobación humana

Reglas de ejemplo incorporadas en el diseño: reembolsos de hasta $129 pueden permitirse automáticamente; reembolsos de $729 requieren aprobación gerencial; solicitudes textuales del cliente como “dame $1,000” se tratan como texto del usuario, no como política.

Stack tecnológico y arquitectura

ResolveAI propone un stack pragmático y empresarial:

• Frontend: Next.js + TypeScript + Tailwind CSS
• Backend: FastAPI + Python 3.12 + Pydantic
• Persistencia: PostgreSQL + SQLAlchemy + Alembic, con pgvector para recuperación de políticas
• Integración IA: abstracción de proveedor y salida estructurada
• Testing: pytest + Playwright
• Infra local: Docker Compose
• Observabilidad: trazas compatibles con OpenTelemetry

Además, se definen reglas de gobernanza: aislamiento por tenant, no poner lógica de negocio en handlers HTTP, no permitir que la IA ejecute acciones financieras sin verificación humana, nunca registrar PII sin tratamiento, y generar eventos append-only para cambios importantes.

Metodología: planificar antes de codificar

La mayor eficiencia no vino de prompts más cortos, sino de que cada prompt tenía un único objetivo de ingeniería y requería verificación antes de avanzar. El ciclo de desarrollo usado fue: planear, implementar, verificar, revisar y refinar.

Prácticas clave aplicadas durante el proyecto:

• Hacer determinista lo determinista: valores como fechas, umbrales de reembolso y filtros por tenant se mantuvieron como reglas del sistema, no como decisiones de LLM.
• Pedir evidencia, no confianza: la IA debe referenciar datos del sistema o fragmentos de políticas como fundamento de sus afirmaciones.
• Testear cada etapa: cada entrega terminó con pruebas automatizadas, una demo en vivo o un artefacto de revisión.
• No apilar trabajo sobre un entorno roto: cuando Docker, pgvector, Chromium o el servidor de desarrollo fallaron, se repararon o documentaron antes de seguir.
• Permitir que el agente de código discrepara con la premisa: cuando Claude Code no pudo reproducir un defecto, lo comunicó, lo que resultó valioso para depuración.

Cómo empezar con Claude Code y Fable 5.1

Pasos iniciales para desarrollo local con el flujo presentado:

1. Instalar o actualizar Claude Code y preparar un proyecto vacío.
2. Seleccionar Fable 5.1 desde el selector de modelos en la extensión.
3. Mantener los prompts en orden y revisar cada etapa antes de avanzar.

Comandos de ejemplo presentados en la guía original (para entornos de desarrollo):

npm install -g @anthropic-ai/claude-code claude —version mkdir resolve-ai && cd resolve-ai

Además, la repo debe incluir un modo demo local con datos semilla y un LLM determinista cuando no haya API key disponible.

Ejemplo de primer prompt: sentar la base y las reglas

El primer prompt utilizado en la práctica pedía a Fable planear el sistema y crear la fundación de ingeniería antes de implementar lógica de negocios. Entre los entregables solicitados estaban documentos como:

• docs/product-requirements.md
• architecture.md
• domain-model.md
• security-model.md
• implementation-plan.md

También se establecieron reglas empresariales explícitas (aislamiento por tenant, no ejecutar acciones financieras desde la salida IA, nunca loguear PII sin protección, etc.) y la exigencia de que el sistema funcione con datos demo locales.

Esta separación de responsabilidades fuerza la revisión humana y reduce el riesgo de delegar decisiones sensibles a la IA.

Estrategia de costos y elección de modelo

La guía original recuerda que Opus 5 es la opción por defecto para muchas cargas, y que Fable 5.1 debe reservarse para casos que demanden contexto largo o razonamiento profundo. En cuanto a costos, la especificación de Fable indica un esquema de precio por MTok (entrada/salida) de $10 / $50, por lo que conviene planear cuándo y cómo usar Fable para minimizar costos manteniendo seguridad y calidad.

Conclusión y recomendaciones para equipos en América Latina

ResolveAI es un ejemplo práctico de cómo usar un modelo agentic avanzado para tareas empresariales complejas de soporte al cliente, manteniendo controles humanos donde importan. Para organizaciones en América Latina, algunas recomendaciones adicionales:

• Prioricen el aislamiento por tenant y el manejo responsable de datos conforme a la regulación local.
• Mantengan puertas de aprobación humanas para acciones financieras y cambios de estado críticos.
• Documenten las reglas de negocio fuera del LLM y exijan evidencia desde las fuentes del sistema.
• Integren pruebas y demos locales como parte del proceso de aceptación antes de desplegar en producción.

Construir con Claude Fable 5.1 permite abordar problemas de razonamiento largo que modelos más pequeños no resuelven tan bien, pero requiere disciplina en arquitectura, pruebas y gobernanza para que la automatización sea segura y confiable.