Inspiration
En Arca Continental, los equipos de ventas reciben órdenes de compra desde los portales externos de grandes cadenas como Soriana. Trasladar esa información al sistema interno es 100% manual: abrir el portal del cliente, leer cada campo, y volver a escribirlo en el sistema propio — campo por campo, orden por orden, todos los días.
Lo que nos llamó la atención es que este problema no es exclusivo de Arca. Cualquier proveedor que opere con múltiples cadenas (Walmart, Oxxo, Chedraui, Soriana) enfrenta la misma fricción. Y lo más frustrante es que los datos ya existen — solo viven en el sistema equivocado.
Nos preguntamos: ¿qué pasaría si en lugar de construir una integración rígida y codificada a mano, le mostráramos al sistema cómo hacerlo una sola vez y dejáramos que aprendiera el resto?
What it does
ARIA es un agente de automatización inteligente que conecta dos mundos: el portal externo de proveedores de Soriana y el sistema interno de registro de órdenes de Arca Continental.
El flujo opera en tres fases:
- Conexión — ARIA abre ambos sistemas en paralelo e identifica los campos disponibles en cada uno.
- Observación — La primera vez, un operador llena el formulario destino manualmente.
ARIA observa en tiempo real qué campo del sistema origen corresponde a qué campo del destino,
aunque los nombres no coincidan (ej.
Ordered Qty→Unidades solicitadas). - Automatización — Con el mapeo aprendido, ARIA procesa nuevas órdenes sin intervención humana. Cada ejecución queda registrada con su nivel de confianza y método de inferencia, generando una bitácora auditable completa.
Lo que hace a ARIA poderoso no es solo llenar campos — es que aprende correspondencias ambiguas entre dos vocabularios distintos usando un modelo de lenguaje. Nada está hardcodeado. Todo se infiere.
How we built it
El equipo se dividió en cuatro roles paralelos, cada uno dueño de una capa distinta:
- Agente / Automatización de navegador — Playwright + TypeScript para navegar ambos portales, extraer campos del DOM en vivo y llenar el formulario destino de forma programática.
- Servicio de IA / Mapeo — Módulo de inferencia que recibe los campos de ambos sistemas y devuelve correspondencias con nivel de confianza y explicación en lenguaje natural. Diseñado para conectar con OpenAI, Claude o cualquier proveedor LLM.
- Sistema destino — Portal web (HTML/CSS/JS + Node.js + Express) con formulario de captura, tabla de campos aprendidos que muestra el razonamiento del agente, y tabla de órdenes procesadas como resultado operativo final.
- Demo / QA — Guion de presentación, datos de prueba, log de auditoría en JSON y evidencia de replicabilidad para demostrar que el sistema generaliza a órdenes nuevas.
Toda la comunicación entre módulos se rige por contratos de datos estables (LearnedMapping[],
data-field-key, data-testid) para que cada capa pudiera evolucionar sin romper a las demás.
Challenges we ran into
El problema del mapeo ambiguo. Los sistemas reales no comparten nombres de campos.
PO Number y Folio de orden significan lo mismo, pero ninguna regla de texto exacto los
conecta. Diseñar un módulo de inferencia que funcione en demo sin API key — y que sea
reemplazable por un LLM real sin cambiar el resto del sistema — fue nuestro reto técnico central.
Coordinar cuatro personas sobre un mismo pipeline. Si el sistema destino renombraba un
campo del formulario, la automatización se rompía en silencio. Acordar atributos HTML estables
(data-field-key, data-testid) desde el primer momento fue la decisión arquitectónica que
nos evitó conflictos.
Demostrar aprendizaje, no hardcoding. Un jurado técnico podría dudar de si los mapeos están escritos a mano. Diseñamos la demo para mostrar el momento exacto en que el agente observa una captura manual y construye la tabla de correspondencias en tiempo real — esa transición no se puede falsificar.
Accomplishments that we're proud of
- Construimos un ciclo completo funcional — conectar, observar, mapear, automatizar — en un solo hackathon.
- La capa de mapeo IA es agnóstica al proveedor LLM: se puede cambiar entre OpenAI, Claude o Gemini con un solo ajuste de configuración.
- La tabla de campos aprendidos con niveles de confianza convierte una caja negra en un proceso auditable — algo que un equipo de operaciones puede revisar y en lo que puede confiar.
- Cuatro personas, cuatro tracks paralelos, cero sorpresas en la integración — porque diseñamos los contratos antes que el código.
What we learned
La mayor lección: el valor real no está en automatizar la tarea — está en hacer visible el razonamiento del agente. Un nivel de confianza junto a cada mapeo aprendido transforma un sistema opaco en algo que un operador puede verificar, corregir y confiar. La auditabilidad es una funcionalidad, no un detalle.
También aprendimos que integrar sistemas de terceros es tanto un problema de coordinación como de ingeniería. Los contratos entre módulos importan más que el código dentro de cada módulo.
What's next for ARIA (Automated Registration & Intelligence Agent)
- Soporte multi-cadena — extender ARIA para manejar los portales de Walmart, Oxxo y Chedraui con el mismo enfoque de mapeo aprendido.
- Ciclo de retroalimentación activa — permitir que los operadores corrijan un mapeo directamente en la interfaz; ARIA reajusta sus niveles de confianza sin necesidad de reiniciar.
- Infraestructura productiva — Redis/RabbitMQ para colas de órdenes, workers de Playwright en contenedores, PostgreSQL para historial de mapeos, y Prometheus + Grafana para monitorear la confianza a lo largo del tiempo.
- Marketplace de mapeos — compartir mapeos verificados entre la red de proveedores de Arca para que un mapeo aprendido una vez beneficie a todos los equipos que interactúan con la misma cadena.
Log in or sign up for Devpost to join the conversation.