Cómo conecto mi infraestructura open source con un agente de IA propio

La mayoría de equipos pequeños montan su operación sobre SaaS de pago. Salesforce o HubSpot para el CRM, Mixpanel o Amplitude para la analítica, Jira o Linear para las tareas. Funciona, pero cada herramienta es una caja negra que no controlas y por la que pagas una cuota que sube cada año.

En Levante he tomado el camino contrario. Toda la infraestructura interna corre sobre software open source que despliego yo mismo, y todo está conectado a un único agente de IA que actúa como capa de control. En este artículo te cuento la tesis, el stack concreto, cuánto cuesta y cómo lo he unido.

La tesis detrás de elegir open source

Mi razonamiento es sencillo. La IA ha cambiado lo que cuesta escribir y modificar código. Una tarea que antes me llevaba un día ahora me lleva una hora. Si eso es cierto, tener acceso al código fuente de las herramientas que uso deja de ser un detalle técnico y pasa a ser una ventaja estratégica.

Con una herramienta SaaS cerrada, cuando algo no encaja con mi flujo solo puedo esperar a que el proveedor lo arregle, pagar un plan superior o montar un apaño por fuera. Con una herramienta open source abro el repositorio, le explico a la IA qué quiero cambiar y en una tarde tengo la adaptación funcionando. El código fuente más un agente de IA capaz equivale a control real.

Esa es la idea. Ahora el stack.

El stack open source de Levante

Tres piezas cubren el grueso de la operación interna.

Twenty para el CRM

Twenty es un CRM open source que se posiciona como la alternativa abierta a Salesforce. Cubre lo esencial bien hecho, contactos, empresas, oportunidades, notas y workflows. Lo que más me sirve es su modelo de datos. Desde ajustes puedo crear objetos y campos personalizados sin escribir SQL ni tocar migraciones, y cada objeto queda expuesto automáticamente en una API REST y GraphQL. Eso último es clave para lo que viene después.

PostHog para la analítica web

PostHog es una plataforma de analítica de producto open source, y no es solo analítica web. Trae session replay, feature flags, experimentos, error tracking y encuestas en el mismo sitio. Lo despliego yo, así que los datos de uso de Levante se quedan en mi infraestructura y no viajan a un tercero. Para un proyecto que vende privacidad como argumento, que la propia analítica respete esa promesa no es opcional.

Plane para la gestión de tareas

Plane es la alternativa open source a Jira y Linear. Maneja proyectos, sprints, ciclos y documentación en un único workspace, con una interfaz moderna y rápida. Lo uso para planificar el roadmap y seguir el día a día del desarrollo.

Las tres comparten una característica que las hace candidatas perfectas para mi enfoque. Las tres son open source de verdad, con self hosting completo, y las tres exponen su API. Tengo el código y tengo la puerta de entrada programática.

El problema, tres plataformas son tres silos

Tener tres herramientas open source bien elegidas no resuelve nada por sí solo. El día a día sigue siendo abrir tres pestañas, cambiar de contexto, copiar un dato del CRM al gestor de tareas a mano y mirar la analítica por separado. Cada plataforma es un silo.

Lo que yo quería era una capa por encima. Un sitio único desde el que consultar y mover información entre las tres sin entrar en ninguna. Y aquí es donde tener el código fuente se convierte en superpoder.

CLIs propias sobre el código fuente

Como tengo acceso al código de Twenty, PostHog y Plane, y como las tres exponen su API, me he construido una CLI para cada una. Una herramienta de línea de comandos que envuelve la API de cada plataforma y expone como comandos sencillos las operaciones que de verdad uso.

Crear un contacto en el CRM, lanzar una query a la analítica, abrir una tarea en Plane, todo eso pasa a ser un comando. No tuve que adivinar formatos de API ni leer documentación durante días. Con el repositorio delante, la IA me generó cada CLI en cuestión de horas, ajustada exactamente a mis operaciones, ni una de más.

Ese es el primer pago de la tesis. El código abierto convirtió tres APIs dispares en tres CLIs homogéneas que hablan mi idioma.

Hermes, el agente que lo une todo

Las CLIs son las manos. Falta el cerebro. Ese papel lo cumple Hermes, un agente de IA open source creado por Nous Research y publicado bajo licencia MIT.

Hermes no es un chatbot. Es un agente autónomo que vive en un servidor, recuerda lo que aprende y se vuelve más capaz cuanto más tiempo lleva funcionando. Tiene memoria persistente y un sistema de skills, módulos que amplían lo que sabe hacer. Una de sus capacidades es justamente envolver CLIs y herramientas externas como skills, y soporta tanto la terminal como mensajería. En mi caso lo tengo conectado a Discord.

Ahí es donde encajan mis tres CLIs. Las he conectado a Hermes como skills. El resultado es que puedo hablarle al agente en lenguaje natural, desde Discord o desde la terminal, y él decide qué CLI invocar y con qué comando. Le pido el estado de una oportunidad y consulta Twenty. Le pido cómo va una métrica y consulta PostHog. Le pido que abra una tarea y la crea en Plane. Una sola conversación, tres plataformas por debajo.

Esa capa de control unificada era el objetivo desde el principio. El conocimiento y las conexiones entre mis herramientas dejan de estar repartidos en tres silos y pasan a estar centralizados en un agente que además recuerda el contexto de una sesión a la siguiente.

Dónde corre todo y cuánto cuesta

Nada de esto vive en mi portátil. La infraestructura está repartida en dos sitios.

Hermes corre en una VPS de OVH que me cuesta 5 dólares al mes. Es un agente que tiene que estar siempre disponible para responder desde Discord, así que necesita un servidor encendido de forma permanente, no mi máquina local.

Las tres plataformas open source, Twenty, PostHog y Plane, están desplegadas en Railway, que me cuesta unos 35 dólares al mes con el uso real de los tres servicios.

Cuarenta dólares al mes por un CRM, una suite de analítica de producto, un gestor de proyectos y un agente de IA que lo orquesta todo. Las versiones cloud de pago equivalentes de esas categorías costarían bastante más, y encima sin el control del código.

Modelos privados, sin compartir datos con nadie

Queda la pieza más sensible, qué modelo de IA usa Hermes por debajo.

Hermes es agnóstico al modelo y acepta cualquier endpoint compatible. Yo no uso las APIs de OpenAI, Anthropic ni Google. Los modelos que mueve mi agente salen de Nan, una comunidad cerrada de builders que comparten infraestructura GPU dedicada para correr modelos abiertos sin límites de tokens. Cada miembro recibe una API key compatible con el formato de OpenAI, y la comunidad vota cada trimestre qué modelos se levantan en el clúster. El procesamiento ocurre dentro de la UE, sin logs de prompts ni de respuestas y sin entrenar ningún modelo con los datos de los miembros.

De los modelos que la comunidad tiene levantados, para las tareas de código uso Qwen3 Coder, la familia de modelos de programación de Alibaba, open weight y con un rendimiento agéntico muy alto. Para tareas más generales uso Gemma 4 en su variante MoE, un modelo con arquitectura mixture of experts que activa solo una fracción de sus parámetros por token, lo que lo hace barato de ejecutar manteniendo la calidad. Gemma 4 se publica bajo licencia Apache 2.0.

El detalle importante no es qué modelo concreto uso, sino la consecuencia. Cuando le pido a Hermes que toque mi CRM, mi analítica o mis tareas, ningún dato de Levante pasa por OpenAI, Anthropic o Google. El agente es open source, los modelos son open weight, la inferencia corre en GPU compartida dentro de la UE y sin retención de datos. La cadena entera es auditable de punta a punta.

Para un proyecto como Levante, que defiende la IA privada y el control de datos como bandera, esto no es una preferencia estética. Es coherencia. No puedo recomendar IA privada en la empresa y luego operar mi propia casa sobre cajas negras.

Lo que cuesta de verdad este enfoque

No quiero vender esto como gratis ni como trivial. Tiene un precio que no aparece en la factura.

Desplegar y mantener software open source es trabajo. Las actualizaciones, los backups y la configuración inicial corren de mi cuenta. PostHog en concreto pide una infraestructura con cierto músculo. Una herramienta SaaS de pago te quita ese trabajo a cambio de la cuota.

Construir y mantener las CLIs también es trabajo, aunque la IA lo acelera mucho. Y ejecutar modelos propios sobre GPU alquilada exige saber qué estás haciendo.

La pregunta correcta no es si esto es más fácil. No lo es. La pregunta es si el control que ganas compensa el trabajo extra. Para mí, en un proyecto donde el producto es precisamente IA con control y privacidad, la respuesta es sí sin dudarlo. Para un equipo que solo quiere que las cosas funcionen y no le importa la caja negra, probablemente no compense.

Conclusión

El patrón completo se resume en una frase. Software open source para tener el código, CLIs propias para tener la puerta de entrada, un agente de IA para tener la capa de control y modelos privados para que nada se filtre.

Cada pieza se apoya en la anterior. Sin el código abierto no podría haber construido las CLIs tan rápido. Sin las CLIs el agente no tendría manos. Sin los modelos privados todo el montaje filtraría datos por el último eslabón.

Lo más interesante es que este enfoque era inviable hace tres años. Construir una CLI a medida por cada herramienta habría costado semanas. Hoy, con un agente de IA capaz y el código delante, son tardes. Esa es la tesis funcionando. La IA no solo escribe el código de tu producto, también te deja apropiarte de la infraestructura sobre la que lo construyes.

Si quieres profundizar en las piezas, tengo escrito sobre IA privada en la empresa, modelos locales frente a la nube y modelos chinos open source. Y si te interesa Levante como producto, nace exactamente de esta misma filosofía.