FaroIQ

El problema

Miles de ONGs y organizaciones comunitarias en América Latina toman decisiones críticas sin datos, sin capacidad de análisis y sin acceso a consultoría estratégica. Una organización con 15 voluntarios y un presupuesto de 12.000 USD al año no puede contratar científicos de datos ni equipos de estrategia. El resultado es que la mayoría planifica en base a intuición, pierde oportunidades de financiamiento por propuestas mal estructuradas y ejecuta proyectos sin métricas de impacto que les permitan aprender o escalar.

La solución

FaroIQ toma una descripción en lenguaje natural de la organización y su contexto, la procesa a través de un pipeline secuencial de 9 agentes de IA sobre Azure AI Foundry, y produce en menos de 90 segundos un conjunto completo de entregables estratégicos listos para usar. El pipeline encadena el contexto de cada agente al siguiente, acumulando coherencia interna en cada paso. Un agente de revisión autónomo evalúa la calidad del output y puede re-ejecutar etapas críticas si el score interno cae por debajo de 0.70. Al finalizar, Azure Logic Apps ejecuta automáticamente acciones en Microsoft 365: crea eventos en Calendar, tareas en To Do, sube documentos a OneDrive y envía el resumen por Outlook.

Desafíos

• Diseñar un pipeline de 9 agentes en secuencia estricta donde cada agente recibe el output acumulado de todos los anteriores sin superar el presupuesto de tokens de Azure AI Foundry

• Implementar el loop de revisión autónomo del agente Critique, que evalúa coherencia, viabilidad y completitud del plan antes de autorizar la ejecución de Logic Apps

• Mantener una conexión WebSocket abierta durante toda la ejecución del pipeline para streaming en tiempo real de cada etapa sin bloquear el event loop de FastAPI

• Gestionar las diferencias entre cuentas personales y cuentas de trabajo de Microsoft 365 para las integraciones de Logic Apps, que tienen permisos y endpoints distintos

• Sincronizar el estado visual del globo Three.js con el progreso real del pipeline sin introducir latencia perceptible en el streaming

Aprendizajes

• El encadenamiento de contexto entre agentes es más efectivo que los agentes paralelos cuando la coherencia interna del output importa más que la velocidad bruta

• Un agente que puede identificar sus propias debilidades y corregirlas de forma autónoma genera más confianza operativa que uno que simplemente produce output sin evaluarlo

• Three.js con day/night mode y cambios de escena requiere un remount completo vía React key prop para garantizar estado limpio y evitar leaks de memoria en WebGL

• Azure Logic Apps es la integración más limpia con M365 cuando se necesita flexibilidad de payload sin depender de un SDK propietario con licenciamiento complejo

• El mayor cuello de botella en pipelines de agentes no es la latencia de los modelos sino la serialización y deserialización del contexto acumulado entre pasos