Autor: Yanhua
Recopilado de: Podwise
Recientemente, OpenClaw se ha vuelto extremadamente popular y todos hablan de ello. Pero, para ser honesto, la mayoría del contenido se centra en teoría, arquitectura y visión. ¿Qué se puede hacer realmente con esto? ¿Cómo implementarlo en el trabajo diario? Pocos lo explican claramente.
Matthew Berman publicó recientemente un video donde expone todos los casos de uso que ha construido con OpenClaw. Sin conceptos, solo práctica. CRM, base de conocimientos, junta de asesores comerciales, revisión de seguridad, seguimiento de redes sociales, línea de producción de temas para videos, resumen diario, diario de alimentos... Una persona, un MacBook, haciendo el trabajo de un equipo central de una pequeña empresa.
Voy a desglosar sus casos de uso más centrales. Sin exagerar, revisemos uno por uno: qué es cada caso, cómo funciona, qué tiene de bueno.
Caso de uso 1: CRM en lenguaje natural, de cero a funcional en 30 minutos
Este es el primer caso que mostró Berman y el más intuitivo.
Proceso de construcción: Le dijo a OpenClaw en lenguaje natural: «Ayúdame a construir un CRM, extrae datos de Gmail, Google Calendar y Fathom, filtra los correos promocionales y de ventas frías, guarda solo las conversaciones y contactos valiosos». No escribió una sola línea de código. Estuvo funcionando en 30 minutos.
Ingesta de datos: El sistema escanea los correos cada 30 minutos, verifica Fathom (herramienta de transcripción de reuniones con IA) cada 5 minutos durante horario laboral. Todos los datos, antes de guardarse, pasan por un LLM que juzga: ¿Vale la pena guardar este correo? ¿Es importante este contacto?
Capacidades principales:
-
371 contactos, todos consultables con lenguaje natural. «¿De qué hablé la última vez con John?» «¿Quién fue mi último contacto en la empresa X?»
-
Puntuación de salud de la relación, marcado automático de personas con las que no se ha contactado en mucho tiempo
-
Detección de contactos duplicados y sugerencias de fusión
-
Búsqueda por embeddings vectoriales, soporta coincidencia difusa a nivel semántico
El detalle más sorprendente: Cuando Berman estaba en otro contexto (como buscar temas para un video), el CRM intervenía activamente: «Hablaste antes con cierto patrocinador sobre un tema similar, quizás quieran patrocinar este episodio». El sistema se interconecta entre módulos, no solo almacena datos pasivamente, sino que crea conexiones activamente.
Palabras textuales de Berman: «Si puedo construir un CRM completamente personalizado en 30 minutos, y luego pasar una o dos horas iterando y optimizando, ¿por qué seguiría pagando a una empresa de CRM?»
Caso de uso 2: Seguimiento automático de elementos accionables de reuniones
Este caso de uso complementa estrechamente al CRM, pero merece mención aparte.
Flujo de trabajo: Reunión termina → Fathom transcribe todo → OpenClaw empareja con contactos del CRM → Extrae elementos accionables → Envía a Berman por Telegram para su aprobación → Los aprobados entran automáticamente en Todoist
Diseños clave:
-
Distinguir entre elementos accionables «míos» y «de la otra parte». Lo que la otra parte promete darte, el sistema lo marca como «waiting on» (esperando), rastreando automáticamente si cumplió.
-
Filtrado de autoaprendizaje. Si Berman rechazaba un elemento accionable («esto no es mi tarea»), el sistema aprendía la razón y actualizaba las reglas de extracción. No lo capturaría en situaciones similares la próxima vez.
-
Verificación automática del estado de finalización 3 veces al día. Por ejemplo, si en la reunión dices «Hoy envío el correo», el sistema verifica si realmente lo enviaste, y si es así, lo marca automáticamente.
-
Archivado automático a los 14 días. Los elementos no completados después del plazo se limpian automáticamente, manteniendo la lista limpia.
El valor de esto no está en una función puntual, sino en que automatiza completamente el seguimiento posterior a las reuniones, la parte que más fácilmente queda inconclusa.
Caso de uso 3: Base de conocimientos personal, solo tienes que enviar un enlace
Berman tenía un problema persistente: veía buen contenido, lo guardaba, y luego nunca más lo encontraba.
Su solución es extremadamente simple: todos los enlaces los envía a Telegram, el resto lo hace OpenClaw.
El sistema procesa automáticamente estos tipos de contenido:
-
Artículos: Extrae el texto completo directamente, para sitios con muro de pago usa automatización del navegador para iniciar sesión y extraer después.
-
Videos de YouTube: Extrae subtítulos/texto de transcripción.
-
Publicaciones de X: No solo captura una sola publicación, sino que rastrea automáticamente el hilo completo, extrayendo también los artículos enlazados.
-
PDF: Analiza el texto directamente.
Todo el contenido se vectoriza (embeddings) y se almacena en SQLite local. Luego se puede buscar con lenguaje natural: «Muéstrame todos los artículos sobre OpenAI», búsqueda con un clic.
Ventaja de colaboración en equipo: Cada contenido almacenado se sincroniza automáticamente en Slack en forma de «Matt quiere que vean esto». El equipo sabe que el jefe lo leyó personalmente, no es algo que la IA recomendó al azar.
La clave de este caso no es lo compleja que sea la tecnología, sino el umbral de uso extremadamente bajo. No necesita etiquetas, no necesita clasificación, no necesita organización. Solo envíalo, la IA hace el resto.
Caso de uso 4: Junta de asesores comerciales, 8 expertos que se reúnen cada noche para ayudarte
Personalmente, creo que este es el caso de uso más alucinante de todo el video.
Entrada de datos: 14 fuentes de datos comerciales. Análisis de YouTube, interacciones por publicación en Instagram, análisis de X, datos de TikTok, campañas de correo, registros de reuniones, estado de salud de las tareas Cron, mensajes de Slack... Básicamente cubre todas las dimensiones de su negocio.
Proceso de análisis: 8 roles de expertos en IA (finanzas, marketing, crecimiento, operaciones, etc.), cada uno analizando todos los datos de forma independiente, ejecutándose en paralelo. Después del análisis, discuten los hallazgos entre ellos, sintetizan las divergencias y luego fusionan todo en una lista de recomendaciones priorizada.
Método de entrega: Se ejecuta automáticamente todas las madrugadas, los resultados se envían a Telegram en un resumen numerado. Berman, al levantarse, los revisa y puede preguntar sobre cualquiera: «Desarrolla el punto 3».
Lo inspirador de este caso es el modo de colaboración multiagente. No es una IA dándote consejos, es un grupo de IAs debatiendo y luego dándote consejos. Como una junta directiva real: finanzas dice ahorrar, marketing dice gastar, y al final se llega a un término medio práctico.
Caso de uso 5: Comité de seguridad, la IA revisa a la IA cada noche
Arquitectura similar a la de los asesores comerciales, pero con un enfoque completamente diferente.
Tiempo de ejecución: Todas las noches a las 3:30 a.m. (fuera del horario de otras tareas, para evitar conflictos con la cuota de API de Anthropic).
Equipo de revisión: Expertos en seguridad desde cuatro perspectivas. Perspectiva ofensiva, perspectiva defensiva, perspectiva de privacidad de datos, perspectiva de autenticidad operativa.
Alcance de la revisión: Todo el código base, historial de commits de Git, registros de ejecución, registros de errores, datos almacenados. No es un escaneo estático de reglas, es hacer que la IA lea el código y entienda la lógica.
Salida: Opus 4.6 sintetiza todos los hallazgos, los numera y los envía a Telegram. Los problemas críticos alertan inmediatamente. Berman puede responder directamente «arréglalo» y el sistema se repara automáticamente.
Auto-evolución: La experiencia de cada reparación se memoriza, las reglas de revisión iteran continuamente. Algunas noches no hay sugerencias nuevas porque el sistema confirma que el estado actual es seguro.
Lo más ingenioso de este caso es usar IA para revisar a la IA misma. Berman es muy franco: la protección contra la inyección de prompts nunca será perfecta. Pero en lugar de fingir que el riesgo no existe, es mejor que el sistema se haga un auto-chequeo diario.
Caso de uso 6: Seguimiento de redes sociales + Resumen diario
Alcance del seguimiento: Cuatro plataformas: YouTube, Instagram, X, TikTok. Cada día toma automáticamente una instantánea (snapshot) y la almacena en la base de datos SQLite.
Dimensiones de los datos: YouTube rastrea por video las visualizaciones, el tiempo de visualización, la tasa de interacción; otras plataformas rastrean datos de rendimiento a nivel de publicación.
Doble uso:
-
Resumen diario. Se envía por Telegram todas las mañanas, informándole qué contenido funcionó bien y qué no el día anterior.
-
Alimenta a la Junta de Asesores Comerciales. Los datos de redes sociales son una de las 14 fuentes de datos, participando directamente en el análisis comercial nocturno.
Aquí se ve el efecto volante (flywheel) del sistema: el módulo de seguimiento de redes sociales no funciona aislado, los datos que genera sirven simultáneamente a dos casos de uso posteriores: el resumen y el comité asesor.
Caso de uso 7: Línea de producción de temas para videos, de una frase a una tarjeta de Asana
Forma de activación: En una discusión de Slack, cualquier persona que responda a una publicación con «@Claude, esta es una idea para video».
Flujo automatizado:
-
Lee el contexto completo del hilo de discusión de Slack
-
Búsqueda en toda la web + investigación de tendencias en X
-
Consulta la base de conocimientos para ver si hay material almacenado relevante
-
Verificación de duplicados, comprueba si se repite con temas existentes
-
Genera un esquema completo del video: sugerencias de título, sugerencias de miniatura, gancho inicial, estructura del flujo del video
-
Hace una evaluación de «¿Vale la pena hacer este tema?»
-
Crea una tarjeta de proyecto en Asana, con todos los materiales de investigación y enlaces
Berman demostró un caso real en el video: la noticia del lanzamiento de Quen 3.5 se compartió en Slack, alguien la marcó como idea para video, el sistema generó automáticamente un paquete completo del tema, incluyendo discusiones de diferentes KOLs en Twitter, reacciones de la comunidad de código abierto y el ángulo sugerido para el video.
El valor de este caso: Comprimir la distancia entre «capturar una inspiración» y «un plan ejecutable» a casi cero.
Caso de uso 8: Sistema de memoria, para que la IA te entienda mejor cuanto más la uses
La experiencia de la mayoría con ChatGPT es: cada conversación es como un primer encuentro. El OpenClaw de Berman no.
Niveles de memoria:
-
Memoria de conversación: Las conversaciones diarias se guardan automáticamente como archivos markdown
-
Extracción de preferencias: Extrae de las conversaciones preferencias de escritura, estilo de tono, intereses de atención, seguimiento de acciones, reglas de clasificación de correo, etc., y los guarda en memory.md
-
Actualización de identidad: Al inicio de cada nueva conversación, el sistema lee los archivos de memoria y actualiza identity.md y soul.md
-
Recuperación vectorial: Todos los archivos de memoria se vectorizan, admiten búsqueda RAG
Cambio de personalidad contextual: Berman le dio a la IA dos personalidades. En Telegram, en chat privado, es como un amigo, humorístico y casual; en los canales de equipo de Slack, automáticamente se convierte en un estilo profesional de colega. Todo esto está definido en soul.md.
Este caso convierte a la IA de una «herramienta» a un «compañero». No solo ejecuta instrucciones, sino que realmente entiende quién eres y qué quieres.
Caso de uso 9: Diario de alimentos, la IA te ayuda a descubrir alergenos
Este es el caso más inesperado.
Modo de uso: Toma una foto de la comida y la envía a OpenClaw, este la reconoce y registra automáticamente. Recibe recordatorios 3 veces al día para informar sobre la sensación estomacal. Todos los datos se almacenan en un registro de alimentos.
Capacidad de análisis: Se activa un análisis semanal, cruza los registros de alimentos con los informes de síntomas e identifica patrones.
Resultado real: El sistema, al analizar los ingredientes de la comida en las fotos y los comentarios sobre síntomas de Berman, descubrió que su estómago es sensible a la cebolla. Algo que él desconocía por completo.
Un chatbot ayudó a alguien a identificar un alergeno alimentario. Antes, esto requería pruebas especializadas en un hospital.
Caso de uso 10: Tareas programadas + Copia de seguridad automática + Actualización automática
Esta parte no es tan llamativa, pero probablemente es la infraestructura más importante.
Lista de tareas Cron:
| Frecuencia | Tarea |
|------|------|
| Cada 5 minutos | Revisa los registros de reuniones de Fathom |
| Cada 30 minutos | Escanea el correo |
| 3 veces al día | Verificación de finalización de elementos accionables |
| Cada noche | Sincronización de documentos, escaneo del CRM, revisión de seguridad, ingesta de registros, actualización de datos de video, generación del resumen matutino |
| Semanalmente | Síntesis de memoria, previsión de ingresos |
| Cada hora | Commit en Git + Copia de seguridad de la base de datos |
Estrategia de copia de seguridad: Todas las bases de datos SQLite se descubren automáticamente, se cifran, se comprimen y se suben a Google Drive, conservando los últimos 7 días. El código se envía a GitHub mediante Git cada hora. Cualquier fallo en la copia de seguridad alerta inmediatamente por Telegram.
Actualización automática: Cada noche a las 9 p.m. verifica si hay una nueva versión de OpenClaw, muestra el changelog, con un «update» se actualiza y reinicia automáticamente.
Seguimiento de API: Registra cada llamada LLM, qué modelo usó, cuántos tokens consumió. Incluso descargó las guías oficiales de prompting de cada modelo, para que el sistema optimice la escritura de prompts según el modelo realmente usado.
La filosofía de diseño de esta infraestructura es una: Cuando duermes, el sistema trabaja; cuando el sistema tiene problemas, tú eres el primero en saberlo.
Generación de imágenes y video: Creación de contenido visual bajo demanda
Berman conectó Veo (generación de video) y NanoBanana Pro (generación de imágenes de Gemini) a OpenClaw.
La forma de uso es simple: En Telegram dice «video de una villa en la Toscana italiana», el sistema llama a Veo para generarlo, lo descarga automáticamente y lo envía a Telegram, luego borra el archivo local para ahorrar espacio. Lo mismo con imágenes, le dice lo que quiere, NanoBanana Pro lo genera y lo envía directamente.
Este caso en sí no es sorprendente, pero su valor es que puede integrarse en otros flujos de trabajo. Por ejemplo, cuando la línea de producción de temas sugiere miniaturas, puede llamar directamente al generador de imágenes para crearlas.
Volviendo a lo global: La relación entre estos casos de uso es lo importante
Si solo miras casos individuales, pensarás «Genial, pero no parece tan especial». ChatGPT también puede ayudarte a buscar contactos, Notion AI también puede ayudarte a organizar una base de conocimientos.
Pero el verdadero poder del sistema de Berman está en el flujo de datos entre los casos de uso:
-
Datos del CRM → Alimentan a la Junta de Asesores Comerciales
-
Contenido de la base de conocimientos → Alimenta la línea de producción de temas para videos
-
Datos de redes sociales → Alimentan el resumen diario + la Junta de Asesores
-
Registros de reuniones → Alimentan el CRM + el sistema de elementos accionables
-
Registros de ejecución de todos los módulos → Alimentan al Comité de Seguridad
Ningún módulo es una isla. Forman una rueda de datos (flywheel) que se refuerza mutuamente. Es por eso que una persona + un MacBook puede producir el efecto de un equipo pequeño.
Berman tiene una frase que me parece muy acertada: «Comenzarás a ver cómo todas las diferentes partes que construí interactúan y se hacen más fuertes mutuamente».
Recordatorio de seguridad: Abróchate el cinturón antes de ejecutar
El trabajo de Berman en seguridad merece énfasis aparte:
-
Defensa contra inyección de prompts: Todo contenido externo se considera potencialmente malicioso, se pre-escanea con código determinístico antes de almacenar
-
Minimización de permisos: Correo y calendario solo de lectura, sin permisos de escritura
-
Control de salida: Resume, no parafrasea textualmente, filtra automáticamente claves y tokens
-
Aprobación para publicar: Debe haber confirmación humana antes de enviar correos, publicar tweets
-
Copia de seguridad cifrada: Protección con doble contraseña, el archivo .env nunca se sube al repositorio
Él mismo lo dice claramente: «No hay un plan de seguridad perfecto. Los modelos de lenguaje grande son sistemas no determinísticos, es imposible defenderse completamente de la inyección de prompts. Pero eso no significa que no hagas nada».
Después de ver estos casos, mi mayor impresión es: El «full-stack» de la era de la IA ya no significa saber programar front-end y back-end, sino saber construir y gestionar un conjunto completo de flujos de trabajo de IA. Berman no escribe código, pero tiene una percepción extremadamente clara de sus propias necesidades y sabe cómo traducir esas necesidades en lenguaje natural a un sistema ejecutable.
Esta podría ser la habilidad que más vale la pena aprender en 2026.
Basado en el video de Matthew Berman «21 INSANE Use Cases For OpenClaw», recopilado por el podcast Podwise, el video original incluye el prompt completo de cada caso de uso, se recomienda verlo para obtenerlos. Si también estás usando OpenClaw o un framework similar para construir tu propio sistema de IA, comenta cuál fue el primer caso de uso que construiste.
