Cómo usar Claude Cowork para automatizar tu ordenador: tutorial paso a paso

canonical_url: «https://margapress.com/cowork-claude-actua-en-tu-ordenador/»

---

Cuando un modelo de IA puede acceder a los archivos de tu ordenador, ejecutar aplicaciones y realizar acciones en lugar de solo responder texto, el tipo de trabajo que puede hacerse cambia cualitativamente. No es una mejora gradual; es una diferencia de categoría. Pero también es una diferencia que viene con limitaciones y fallos que no existen cuando la IA solo genera texto.

En el laboratorio usamos Cowork de Claude durante tres semanas en contexto de trabajo real para mapear qué tipos de tarea son candidatas naturales a automatización agente, cuáles no lo son, y qué condiciones determinan el éxito o el fallo.

El catálogo de tareas que probamos

Organizamos las tareas en cuatro grupos según su complejidad y criticidad:

Grupo 1 — Tareas de organización: mover y renombrar archivos según reglas, organizar carpetas, archivar documentos por fecha o tipo.

Grupo 2 — Tareas de extracción y consolidación: abrir múltiples documentos, extraer datos específicos, consolidarlos en un formato único.

Grupo 3 — Tareas de transformación: convertir un tipo de documento en otro (texto en tabla, tabla en gráfico, email en tarea con deadline).

Grupo 4 — Tareas con flujo de aprobación: tareas donde el resultado debe ser revisado antes de tener efecto final (enviar emails, publicar contenido, modificar datos compartidos).

Resultados por grupo

Grupo 1 — Organización: el caso de uso más robusto

Las tareas de organización fueron las de mayor tasa de éxito y menor necesidad de intervención: 91% de ejecución correcta a primera vez. Las condiciones para el éxito son claras:

• Las reglas deben ser explícitas y sin ambigüedad.
• El modelo debe poder verificar que siguió las reglas (puede listar lo que hizo).
• Las consecuencias de un error son reversibles (se puede deshacer).

La organización de archivos es el caso de uso ideal para automatización agente: tarea repetitiva, reglas claras, consecuencias reversibles, valor real en tiempo ahorrado.

Fallo más frecuente: cuando las reglas tienen excepciones no explícitas. Si dices «mueve los PDFs de 2024 a la carpeta 2024» y hay PDFs de 2024 que son versiones de un contrato de 2022, el modelo puede moverlos incorrectamente porque sigue la regla sin entender la excepción implícita.

Grupo 2 — Extracción y consolidación: alta utilidad con verificación necesaria

Tasa de éxito: 74%. El output es usable a primera vez en ese porcentaje; el 26% restante requiere revisión humana por alguna discrepancia.

El mayor riesgo aquí no es el fallo obvio (el modelo claramente se equivoca) sino el fallo silencioso (extrae un dato incorrecto sin señalarlo). En nuestras pruebas, el 13% de los casos tuvieron un dato extraído incorrectamente sin que el modelo lo señalara como incierto.

Práctica que reduce el fallo silencioso: instruir al modelo a incluir siempre una nota cuando hay incertidumbre en un dato extraído («no estoy seguro de este valor, verificar manualmente»). En nuestras pruebas, esta instrucción bajó el fallo silencioso del 13% al 4%.

Grupo 3 — Transformación: resultados variables según el tipo

Las transformaciones de formato son más robustas que las transformaciones de contenido. Convertir una tabla en otra tabla con diferente estructura: 88% de éxito. Convertir texto narrativo en tareas con deadlines: 62% de éxito.

La dificultad en las transformaciones de contenido: el modelo tiene que tomar decisiones sobre qué información es relevante para el formato objetivo, y esas decisiones pueden diferir de las del usuario. «Convierte este email en una lista de tareas» puede producir resultados muy distintos según cómo el modelo interprete qué partes del email implican una acción.

Grupo 4 — Tareas con flujo de aprobación: nunca sin supervisión

Tasa de ejecución sin intervención: 0%. Por diseño.

La conclusión del laboratorio en este grupo es clara: cualquier tarea cuyo output tiene efecto en el mundo externo (enviar un email, publicar algo, modificar un archivo compartido con otros) debe tener un paso de revisión humana obligatorio antes de la acción final. No porque el modelo se equivoque necesariamente, sino porque las consecuencias de equivocarse son difícilmente reversibles.

El modo de automatización útil para este grupo no es «ejecuta y ya», sino «prepara el output lista para aprobar y ejecutar». El modelo hace el trabajo, el humano valida, el sistema ejecuta.

El mapa de candidatura a automatización

A partir de los experimentos, identificamos tres preguntas para evaluar si una tarea es candidata a automatización agente:

1. ¿Las reglas son explicitables sin ambigüedad? Si la respuesta depende de juicio implícito, la automatización fallará en los casos edge.

2. ¿El error es reversible? Si sí, la automatización tiene bajo riesgo. Si no, necesita flujo de aprobación.

3. ¿El valor del ahorro de tiempo justifica el coste de setup y verificación? Para tareas que se hacen una vez al mes, el overhead puede superar el ahorro. Para tareas diarias o semanales, el ROI mejora.

---

El mapa completo de automatización con IA agente y casos prácticos está en El Empleado Digital.

Descarga el libro en Amazon | Lee el artículo original en MargaPress