claude cowork scheduled tasks: tabla semanal de precios y reseñas de la competencia

Si vendes electrodomésticos pequeños en Amazon México y miras también lo que pasa en Estados Unidos, seguro conoces la rutina del lunes. Abres seis o siete fichas de producto, copias precios a una hoja y los comparas con la semana pasada. Este artículo cambia esa hora de trabajo por una tarea programada de Claude Cowork. La tarea corre en la nube cada lunes, consulta una API de datos con un conector personalizado y escribe una tabla de cambios en Google Sheets.

Probamos el lado de los datos con llamadas reales el 3 de noviembre de 2026. Consultamos Amazon México, Amazon Estados Unidos y Walmart Estados Unidos. No ejecutamos el lado de Cowork. Por eso, cada paso de Cowork en este texto es un ejemplo de configuración, con el enlace a la fuente de Anthropic.

El hallazgo que más importa para una tabla semanal es simple: el precio solo no basta, también hay que guardar quién vende. En Amazon México, la misma freidora Ninja Crispi DualZone apareció dos veces en una sola búsqueda. Una ficha costaba 8,537.35 pesos y la vendía Amazon Estados Unidos. La otra costaba 10,769.66 pesos y la vendía Neckar Store. Las dos tenían el mismo número de calificaciones, 219.

En Walmart Estados Unidos pasó algo parecido con la palabra clave. El mismo artículo mostró dos vendedores y dos precios según lo que buscamos, y una hora después cada búsqueda seguía igual. Si tu tabla cambia de palabra clave o guarda solo el precio, cada lunes vas a ver «bajas» y «subidas» que en realidad son otro vendedor.

El trabajo: una tabla de precios y reseñas cada lunes

Primero definimos el trabajo, porque todas las cifras de abajo dependen de él. La entrada es una lista corta de competidores. Cada uno tiene un producto en Amazon, identificado por su ASIN, y uno en Walmart, identificado por su ID de artículo. Si vendes en México, agrega una columna con el ASIN de Amazon México, porque no siempre coincide con el de Estados Unidos. Usamos como ejemplo tres freidoras de aire de 4 cuartos (unos 3.8 litros): la Ninja básica, la Ninja Crispi 4 en 1 de vidrio y la Instant Vortex mini.

Elegimos freidoras porque las dos tiendas venden muchas y los precios se mueven seguido. Además, el calendario aprieta. Walmart anunció tres eventos de ofertas entre el 12 de noviembre y el 2 de diciembre de 2026, en total 14 días, frente a 10 días en 2025 (comunicado de Walmart; Retail Dive). Las próximas cinco semanas son justo cuando más sirve revisar precios cada semana.

La salida es una sola tabla, con una fila por competidor y por tienda. Las primeras columnas son el precio de esta semana, el precio de lista, el descuento, el vendedor, la calificación y el número de calificaciones o reseñas. Después vienen el cambio de precio contra la semana pasada y el cambio en el conteo de reseñas. Dos columnas más dan cuántas reseñas nuevas de 1 a 2 estrellas hay y de qué hablan. La última columna es una decisión corta: actuar ya, vigilar o ignorar.

Este trabajo encaja bien en una tarea programada por tres razones. Se repite un día fijo. Solo lee datos: no cambia precios, no hace pedidos y no manda mensajes, así que un error cuesta una celda equivocada, no dinero. Y necesita compararse con la corrida anterior. Ese tercer punto es el que pide más cuidado en Cowork, y lo vemos en una sección aparte.

¿Por qué no usar los paneles de vendedor? Porque muestran tus publicaciones, no las de la competencia. La página de calificaciones de Walmart Seller Center solo muestra opiniones de clientes que compraron tu oferta. Las reseñas de ofertas de otros vendedores no aparecen ahí (Walmart Marketplace Learn). El panel de precios de Walmart compara tu precio con el ganador de la Buy Box, también solo para tus artículos (guía de la Buy Box de Walmart). Para ver a la competencia hay que leer las fichas públicas, que es lo que hacen la API de datos de Amazon y la API de datos de Walmart.

La lista de competidores la debe armar una persona, no el modelo. Escríbela una vez en una pestaña de configuración. Para cada competidor, anota el ASIN de Amazon: son los 10 caracteres después de /dp/ en la URL del producto. Anota el ID de Walmart: es el último número después de /ip/ en la URL. Por ejemplo, la Crispi rosa es https://www.walmart.com/ip/20370717802. Agrega una palabra clave de búsqueda por producto, para que la tarea encuentre ese ID entre los primeros 20 resultados.

No dejes que el modelo elija cada semana «el mismo producto». El orden de búsqueda cambia cada semana. Un producto que hoy sale sexto puede bajar al lugar 25 la próxima. Si el modelo elige otro «equivalente», la tabla compara dos modelos distintos y la columna de cambios ya no significa nada. En Amazon México esto pesa más, como veremos, porque la búsqueda mezcla equipos nuevos, reacondicionados y accesorios.

Qué hacen hoy claude cowork scheduled tasks

Anthropic agregó las tareas programadas a Cowork el 25 de febrero de 2026. La nota de versión decía que ya se podían crear tareas recurrentes y bajo demanda en Cowork (notas de versión de Claude). Al principio las tareas corrían en tu propia computadora. Si la aplicación de escritorio estaba cerrada o la computadora dormía, no pasaba nada.

Esa era la queja más común. Un usuario de Reddit escribió que una programación que solo corre con la máquina encendida pierde el sentido (hilo de Reddit). Eso cambió en octubre.

El centro de ayuda dice ahora que las tareas programadas están en todos los planes de pago: Pro, Max, Ultra, Team y Enterprise. Corren de forma remota, así que se ejecutan a su hora aunque la computadora duerma o la aplicación esté cerrada. Cada corrida es una sesión de Cowork propia. Una corrida puede usar los conectores, skills y plugins que configuraste en Cowork (Schedule recurring tasks in Claude Cowork).

Otro artículo de ayuda da la fecha del cambio. Desde el 6 de octubre de 2026, las tareas nuevas de Cowork en Pro, Max y Ultra corren en la nube. Se quitó la opción «Only on your computer» y no se puede volver atrás. Las tareas programadas que ya corrían en tu computadora antes del 6 de octubre siguen ahí. Las nuevas corren en la nube (Use Claude Cowork on web, desktop, and mobile).

Si creas una tarea a mano, el formulario tiene seis campos: nombre, instrucciones, modo de aprobación, frecuencia, modelo opcional y carpeta de trabajo opcional. Las frecuencias son cada hora, diaria, semanal, días hábiles o solo manual. El mismo artículo trae una nota fácil de pasar por alto. Si una tarea programada necesita archivos o aplicaciones locales, solo corre en tu computadora (mismo artículo).

Por eso conviene diseñar la tabla de precios para que no necesite archivos locales. Los datos entran por un conector y los resultados salen por un conector. Así la tarea de verdad corre mientras tu laptop duerme.

La entrada también puede verse distinta para ti. El 16 de septiembre de 2026, Anthropic empezó a unir Cowork y el chat en una sola experiencia para Pro, Max y Ultra. Si tu caja de mensajes ya no muestra las opciones «Chat» y «Cowork», tienes la experiencia nueva. En ese caso puedes escribir en cualquier conversación algo como «Cada lunes a las 9 a. m., haz X». Claude muestra el nombre, el horario y las instrucciones, y tú confirmas con el botón «Schedule» (Claude Cowork and chat are one Claude).

En qué se diferencian de las tareas programadas de Claude Code

El 1 de noviembre publicamos una guía sobre tareas programadas de Claude Code que leen quejas de Reddit cada noche. Esa guía usó las tareas programadas en la nube de Claude Code, que Anthropic antes llamaba routines. Los dos productos usan el nombre «tareas programadas», los dos corren en la nube y los dos consumen el uso de tu suscripción. Pero sirven para trabajos distintos.

Una tarea programada en la nube de Claude Code es una configuración guardada de Claude Code: unas instrucciones, uno o más repositorios y un grupo de conectores. Puede arrancar por horario, por una llamada a su API o por un evento de GitHub. Cada corrida es una sesión completa de Claude Code que puede ejecutar comandos, editar código y abrir pull requests (Automate work with scheduled tasks). Una tarea programada de Cowork no tiene repositorio. Está pensada para trabajo de oficina, como reportes, resúmenes y orden de archivos.

La columna de Claude Code sale de las secciones de uso y disparadores de la misma página (tareas programadas en la nube de Claude Code). Para la columna de Cowork leímos cuatro artículos de ayuda: tareas programadas, Team y Enterprise, seguridad y arquitectura. Ninguno da un máximo de tareas ni de corridas por hora. Un usuario de Reddit preguntó lo mismo y nadie dio una cifra oficial (hilo de Reddit). Por eso escribimos «no encontramos una cifra pública» y no adivinamos.

Para un equipo comercial, la decisión es sencilla. La tabla de precios no necesita repositorio ni cambios de código: es una hoja para el equipo de ventas. Cowork encaja mejor. Elige Claude Code solo si tu equipo ya guarda datos y scripts en Git y quiere el historial en los commits. Las dos opciones pueden usar la misma dirección MCP remota, así que la configuración del conector sirve para ambas.

Agrega EveryInfra como conector personalizado

Cowork llega a datos externos con conectores personalizados. El centro de ayuda dice que los conectores personalizados con MCP remoto funcionan en Claude, Cowork y Claude Desktop. Están en Free, Pro, Max, Ultra, Team y Enterprise, y en Free solo se puede agregar uno (Get started with custom connectors using remote MCP). En un plan personal, ve a Customize > Connectors. Haz clic en «+ Add» y luego en «Add custom connector». Escribe un nombre y la URL del servidor MCP remoto.

La autenticación es el primer punto donde fallan las configuraciones. El servidor MCP remoto de EveryInfra usa una clave de API, no OAuth. Los métodos initialize y tools/list funcionan sin clave. Una llamada a una herramienta necesita el encabezado Authorization: Bearer seguido de tu clave (página de MCP de EveryInfra). La especificación de MCP deja la autorización como opcional, y su flujo OAuth solo aplica cuando el servidor lo admite (especificación de MCP: Authorization). El formato del encabezado Authorization: Bearer viene del estándar de tokens de portador de OAuth (RFC 6750). A las 00:47 hora de Singapur del 3 de noviembre mandamos un tools/call sin clave. El servidor respondió en 0.09 segundos con unauthorized: no API key provided, y el siguiente bloque de texto decía «Nothing was charged», es decir, sin cargo.

La documentación de Anthropic explica qué hacer con servidores que usan clave de API. En Authentication, elige «No sign-in». Luego agrega la clave en Request headers. Claude cifra el valor, no lo vuelve a mostrar y lo envía en cada petición. Claude manda el valor tal cual lo escribes, sin agregar prefijos. Por eso el valor de Authorization debe ser la palabra Bearer, un espacio y la clave (Add a connector that isn't in the directory).

Ejemplo de configuración (Customize > Connectors > + Add > Add custom connector).
Los nombres de campo siguen la documentación de Anthropic. No lo ejecutamos en nuestra máquina.
Name:            EveryInfra
MCP server URL:  https://api.everyinfra.com/mcp
Authentication:  No sign-in
Request headers: Authorization = Bearer <tu clave de API de EveryInfra>
Advanced > Transport: deja el valor por defecto (la URL no termina en /sse, así que usa Streamable HTTP)

El segundo problema es la red. El centro de ayuda tiene una sección llamada «Network requirements». Cuando agregas un conector personalizado, Claude se conecta a tu servidor MCP desde la nube de Anthropic, no desde tu computadora. Esto vale para claude.ai, Claude Desktop, Cowork y las apps móviles.

El servidor debe ser accesible por internet pública desde los rangos de IP de Anthropic. Un servidor dentro de la red de una empresa, detrás de una VPN o de un firewall no se puede conectar. Esto pasa aunque tu propia computadora sí llegue a él (centro de ayuda). Anthropic publica 160.79.104.0/21 como su rango de salida para llamadas a herramientas MCP externas (IP addresses). La dirección de EveryInfra es pública, así que esta regla no la bloquea. Pero si tu equipo de TI pone una pasarela de la empresa delante, debe permitir ese rango.

El tercer problema son las credenciales compartidas en Team y Enterprise. En Team, solo los Owners y Primary Owners pueden agregar un conector personalizado a la organización. En Enterprise también pueden hacerlo los roles personalizados con permiso para administrar la biblioteca. Después, cada miembro va a Customize > Connectors y hace clic en «Connect».

El centro de ayuda explica la razón del diseño. Claude solo llega a lo que cada miembro puede ver, salvo que el conector use una credencial compartida, como una clave de API. En Team y Enterprise, todos los que usan ese conector usan la misma credencial. Por eso esa credencial debe tener solo el acceso que los miembros necesitan (centro de ayuda).

Para EveryInfra, una clave compartida significa que las tareas programadas de todos los miembros cobran a la misma cuenta. Recomendamos una clave aparte solo para Cowork, con un límite por minuto más bajo. Así, si alguien escribe mal unas instrucciones y la tarea repite llamadas sin parar, choca contra el límite de esa clave y se detiene. Además, la autenticación no se puede editar después de agregar el conector. Para cambiar la clave hay que quitar el conector y agregarlo de nuevo, y los miembros deben conectarse otra vez (documentación de Anthropic).

Anthropic también revisa los nombres de los encabezados, y uno no aprobado da error al guardar. EveryInfra solo usa el encabezado estándar Authorization. También acepta la clave como parámetro ?key= en la URL, pero las URL quedan en más registros, así que no lo recomendamos para Cowork.

Aprobaciones: ejecuta la tarea una vez a mano

Una tarea programada corre cuando nadie está mirando. Por eso las aprobaciones son la causa más común de un resultado vacío. El artículo de seguridad describe tres modos. «Automatically approve» revisa cada acción y sigue. «Skip all approvals» no revisa nada. «Manually approve» te pregunta en cada paso (Use Claude Cowork safely). El mismo artículo recomienda empezar con tareas de bajo riesgo, como resúmenes, y no programar tareas que manden mensajes o hagan compras. Una tabla de competencia que solo lee entra justo en ese grupo.

Las 12 herramientas MCP de EveryInfra llevan las anotaciones de la especificación MCP. Leímos tools/list el 3 de noviembre. La herramienta de catálogo everyinfra_list_capabilities y la que lee trabajos, everyinfra_get_job, tienen readOnlyHint: true. La herramienta de datos everyinfra_call_api tiene readOnlyHint: false y destructiveHint: true, porque gasta dinero. La especificación MCP llama a estos valores «pistas». Un cliente puede usarlas para decidir si pregunta antes a una persona. Una herramienta sin anotaciones se trata como posiblemente destructiva (especificación MCP: Tools; blog de MCP sobre anotaciones).

Esto pesa más en Team y Enterprise. El artículo de ayuda para Team describe un ajuste de organización llamado «Allow "Always allow" for connector tools», que viene apagado. Mientras esté apagado, los miembros no pueden elegir «Allow for all tasks» en el aviso de aprobación de Cowork. Las aprobaciones de «siempre permitir» que ya existían tampoco valen para herramientas que escriben. Solo se saltan el aviso las herramientas que el conector marca como de solo lectura (Use Claude Cowork on Team and Enterprise plans). Con esa regla, everyinfra_call_api pide aprobación en cada tarea con la configuración por defecto.

No tenemos una organización Team, así que no pudimos probar si la corrida programada se queda esperando o se salta ese paso. El camino seguro es este. Pide a un Owner que encienda ese ajuste, o pon la tarea en modo «Automatically approve». Después de crear la tarea, haz clic una vez en «Run now». Cuando aparezca un aviso de aprobación, elige «Allow for all tasks».

Una actualización reciente también toca las aprobaciones. La versión v3.6556.1 de la aplicación de escritorio, del 22 de octubre, cambió las herramientas MCP que su servidor marca como «necesita una persona»: ahora solo preguntan en la tarjeta dentro de la aplicación, y las tareas programadas siguen sin esas llamadas (registro de cambios de Claude Desktop). Las herramientas de EveryInfra no usan esa marca, solo las cuatro anotaciones estándar. No probamos en Cowork cómo aparece el aviso de aprobación en una corrida programada, ni si la corrida se detiene. Por eso conviene hacer clic una vez en «Run now»: así ves ese paso tú mismo.

Una ida y vuelta real: qué manda el modelo y qué regresa

No ejecutamos Cowork. Pero lo que el modelo manda por el conector es una petición MCP tools/call estándar. Para mostrar su forma real, mandamos la misma petición con curl a https://api.everyinfra.com/mcp a las 00:25:46 hora de Singapur del 3 de noviembre de 2026. Usamos una clave de prueba y llamamos a walmart/search con «ninja crispi glass air fryer». A los 43.6 segundos el servidor respondió HTTP 200. El resultado traía un bloque de texto de 13,115 caracteres con 20 productos. El cargo fue de 0.001389 USD.

// Petición: el tools/call que manda el modelo por el conector
// (3 de noviembre de 2026, 00:25:46 hora de Singapur; petición real; la clave va en el encabezado y no se muestra)
{"jsonrpc":"2.0","id":8,"method":"tools/call",
 "params":{"name":"everyinfra_call_api",
           "arguments":{"platform":"walmart","action":"search",
                        "params":{"keyword":"ninja crispi glass air fryer"}}}}

// Respuesta: JSON dentro de result.content[0].text (resultado 2, sin cambios)
{"item_id": "20370717802",
 "name": "Ninja Crispi 4-in-1 Portable Glass Air Fryer Cooking System FN101PK1, ...",
 "price": 134.5, "was_price": 179.99, "currency": "USD",
 "rating": 4.5, "rating_scale": 5, "review_count": 1877,
 "in_stock": true, "seller_name": "Mercshop", ...}
// Cobro en la misma respuesta: {"charged": true, "charged_usd": 0.001389, ...}

En la misma sesión hubo una ida y vuelta fallida, y la contamos tal como pasó. A las 00:24:06 hora de Singapur llamamos por MCP a amazon/reviews para la Ninja AF101 de Estados Unidos (ASIN B07FDJMC9Q). A los 88.8 segundos regresó isError: true. La razón: la página de reseñas de ese artículo pide inicio de sesión o está restringida. La llamada se reembolsó, charged_usd fue 0, y la respuesta agregaba que reintentar de inmediato probablemente no ayuda. El catálogo ya avisa que amazon/reviews solo trae las reseñas destacadas de la ficha, por lo general una docena por artículo (catálogo de EveryInfra).

Por eso las filas de Amazon de nuestra tabla no leen texto de reseñas. Usan la calificación y el número de calificaciones de amazon/search como señal. El texto de las reseñas sale de Walmart. Si en tu categoría el texto de las reseñas de Amazon importa mucho, prueba primero amazon/reviews con tus propios ASIN.

Prueba 1: Amazon México, una búsqueda con mucho ruido

A las 00:29:20 hora de Singapur llamamos a amazon/search con el dominio amazon.com.mx, idioma español y la palabra clave «freidora de aire ninja 4 qt». Regresaron 20 resultados en 19.3 segundos, y el cargo fue de 0.002236 USD, el mismo precio que una búsqueda en Amazon Estados Unidos (API de búsqueda de Amazon). Los precios vienen en pesos mexicanos. No los convertimos a dólares: en este artículo comparamos descuentos dentro de México y precios en dólares dentro de Estados Unidos, sin mezclar monedas.

La búsqueda trae mucho ruido para una tabla de competencia. De los 20 resultados, 5 eran reacondicionados de la marca Amazon Renewed. Otros 5 eran accesorios de otras marcas, como un sartén, un estante para brochetas o una placa de repuesto para la AF101. También aparecían un asador Ninja Foodi y una freidora doble DoubleStack XL, que no son competidores directos de una freidora de 4 cuartos. Si el modelo arma la tabla con «los primeros resultados de Ninja», mezcla todo eso.

Tres cosas de esta tabla cambian el diseño del reporte. La primera es el vendedor. En los 20 resultados, 5 los vendía Amazon México y 4 Amazon Estados Unidos, es decir, productos importados. Los otros 11 eran de terceros, como TekTekmx, Zolstice, GULANDI o Neckar Store. Las dos fichas de la Crispi DualZone son el caso más claro: el mismo producto, con el mismo conteo de 219 calificaciones, cuesta 26.1% más con Neckar Store que con Amazon Estados Unidos.

La segunda es que el mismo modelo puede tener dos fichas con descuentos muy distintos. La Ninja Pro AF141 aparece con 56.1% de descuento sobre 4,764 pesos y con 41.6% sobre 3,499.99 pesos. El precio final casi coincide, pero el «descuento» depende de qué precio de lista eligió cada ficha. Por eso, en México, la columna que conviene vigilar es el precio final, y el descuento solo sirve como referencia dentro de la misma ficha.

La tercera es que el conteo de calificaciones es propio de cada tienda. El ASIN B07FDJMC9Q, la Ninja AF101, tenía 3,157 calificaciones en Amazon México y 59,532 en Amazon Estados Unidos en la misma noche. Es el mismo identificador con dos historias distintas. Si tu tabla mezcla tiendas, nunca sumes ni restes calificaciones de una tienda contra otra.

Prueba 2: dos tiendas de Estados Unidos, tres competidores

La primera instantánea de Estados Unidos corrió entre las 00:15:54 y las 00:26:55 hora de Singapur. Llamamos una vez a amazon/search con «ninja air fryer 4 quart». Regresaron 20 resultados en 36.8 segundos, con un cargo de 0.002236 USD. Llamamos tres veces a walmart/search, una por cada competidor, a 0.001389 USD cada una (API de búsqueda de Walmart). Cada número de la tabla de abajo sale directo de esas respuestas.

Mira la primera fila con cuidado. La diferencia de 60.99 USD parece enorme, pero la AF101 y la AF100WM no son el mismo modelo. El título de la AF100WM en Walmart dice «3 Functions», y la AF101 es «4 en 1». Los modelos exclusivos de una cadena son comunes en electrodomésticos pequeños. Si emparejas productos por marca y capacidad, la tabla muestra cada semana una diferencia grande que no significa nada.

Empareja siempre por número de modelo. Si el modelo no coincide, marca la fila y no calcules la diferencia. En la misma búsqueda de Amazon EE. UU., 15 de 20 resultados mostraban precio de lista, con descuentos de 8.0% a 44.4%. Igual que en México, cada ficha elige su precio de lista, así que conviene seguir el precio final.

Los resultados de walmart/search tienen un campo upc. El catálogo dice que el UPC es la forma más precisa de emparejar el mismo producto entre tiendas, pero también avisa que puede faltar. En nuestras tres búsquedas de Walmart no vino ningún upc. Por eso la lista de equivalencias la arma una persona una vez, y la tarea lee los mismos ID cada semana.

En Amazon Estados Unidos también se comparte el conteo de calificaciones entre variantes. En la misma búsqueda, tres ASIN de la Instant Pot Vortex tenían 36,519 calificaciones cada uno. Cuatro ASIN de la Ninja Crispi, tres colores de la FN101 y una FN103, tenían 8,426 cada uno. Los colores y sufijos cambian, pero el conteo es idéntico, así que forman una sola familia de variantes. Una de esas cuatro fichas es incluso la FN103 de 5 funciones, distinta de la FN101 de 4.

En la tabla, a este número lo llamamos «calificaciones de la familia» y anotamos qué ASIN lo comparten.

Prueba 3: un artículo, dos palabras clave, dos vendedores

En la llamada a walmart/search de las 00:16:52 con «ninja air fryer 4 quart», la Crispi FN101PK1 (artículo 20370717802) salió en el lugar 6. El precio era 135 USD, el precio anterior 179.99 USD y el vendedor Patent Paid. En la llamada por MCP de las 00:25:46 con «ninja crispi glass air fryer», el mismo artículo salió en el lugar 2. El precio era 134.50 USD, el precio anterior no cambió y el vendedor era Mercshop. Las dos llamadas tuvieron unos nueve minutos de diferencia, así que primero pensamos en un cambio de vendedor en nueve minutos.

La segunda instantánea, una hora después, mostró que esa lectura era errónea. A las 01:13:54 hora de Singapur, la primera palabra clave volvió a dar la Crispi en el lugar 6, con Patent Paid a 135 USD. Nueve segundos después, a las 01:14:03, la segunda palabra clave volvió a dar el lugar 2, con Mercshop a 134.50 USD. La diferencia sigue a la palabra clave, no a la hora.

Las reglas de Walmart lo explican. Una misma ficha puede tener ofertas de varios vendedores. El que aparece sobre el botón «Add to cart» gana la Buy Box. Walmart elige al ganador por precio, costo de envío, rapidez de entrega, desempeño del vendedor y ubicación del cliente (guía de la Buy Box de Walmart). La misma guía sugiere a los vendedores encender el Repricer de Walmart para ajustar precios en automático.

La página de reglas de precios agrega otro control. Walmart despublica en automático las ofertas con precios muy por encima de los recientes en Walmart.com o en otros sitios. En casos más leves, quita el botón «Add to cart» y el precio de la ficha (reglas de precios de Walmart). Así, un artículo con muchos vendedores externos tiene varias ofertas detrás de un mismo ID. Pero estas reglas no explican por qué dos palabras clave mostraron dos vendedores en el mismo momento. No sabemos la causa, así que solo registramos lo que vimos.

Por eso cada fila guarda el vendedor junto al precio. Usamos tres reglas. Cada artículo tiene una palabra clave fija en la pestaña config, y la tarea usa siempre esa. La clave de la fila es tienda + ID del artículo + vendedor. Si el vendedor cambió, la fila lleva la marca «cambio de vendedor» y la tarea no reporta cambio de precio.

Las reseñas muestran cuántos vendedores tiene un artículo. De las 100 reseñas de la Crispi, 30 nombraban un vendedor, y esas 30 venían de 7 vendedores: Walmart.com con 11, Shark Ninja Store con 10, SDG Distribution con 4 y otros cuatro con 1 o 2 cada uno. En la Ninja básica AF100WM, 98 de 100 reseñas nombraban a Walmart.com. Más vendedores, más ofertas que la tabla puede confundir. Lo mismo vimos en Amazon México con la Crispi DualZone.

Prueba 4: reseñas, donde parte de las malas notas habla del envío

A las 00:19:07 hora de Singapur leímos 100 reseñas de la Ninja AF100WM con una llamada síncrona a walmart/reviews. Respondió en 66.1 segundos. A las 00:22:20 mandamos la misma llamada para la Crispi FN101PK1 en modo asíncrono y recogimos el resultado a las 00:23:49. Cada llamada costó 0.001389 USD (API de reseñas de Walmart).

El número más útil aquí es cuántas malas notas no tienen que ver con el producto. Usamos una regla simple de palabras clave. Una reseña cuenta como «envío» si trae palabras como receive, deliver, ship, arrive, package, address, DHL o «never got». Con esa regla, 5 de 12 malas notas de la AF100WM y 6 de 20 de la Crispi hablaban del envío. Ejemplos cortos: «Never got it», «Delivered to wrong address» y una queja de que los pedidos con DHL nunca llegan.

Las reglas de Walmart dicen que una reseña debe centrarse en el producto y en la experiencia con él (términos de reseñas de Walmart). En la práctica, las quejas de envío aparecen igual y bajan las estrellas. Para quien vende, esto tiene dos efectos. Un competidor con muchas malas notas no siempre tiene un mal producto: a veces sus vendedores externos envían mal. Y si tus propias malas notas son sobre el envío, cambiar el producto no las arregla. Por eso la tabla separa las malas notas en dos columnas: producto, y envío o vendedor.

Lo segundo a vigilar es el periodo que cubren las 100 reseñas. Las de la AF100WM van de julio de 2025 a octubre de 2026. En la Crispi, 93 de 100 caen entre agosto y octubre de 2026. El orden tampoco es estrictamente de la más nueva a la más vieja. Las primeras 30 de la AF100WM mezclan fechas de junio, septiembre y octubre. Así que no puedes contar «reseñas nuevas de esta semana» con esta muestra. En la muestra, 5 reseñas de la AF100WM caen entre el 27 de octubre y el 2 de noviembre, y 4 en la semana anterior, pero son conteos de la muestra, no totales.

Tampoco basta con restar el total de reseñas de la semana pasada al de esta semana; la prueba 5 explica por qué. Para las malas notas nuevas, guarda los review_id de la semana pasada y cuenta solo los que no habías visto.

También hay un retraso que conviene planear. Walmart dice que las reseñas nuevas tardan de 5 a 7 días hábiles en aparecer en el sitio (términos de reseñas de Walmart). A los clientes de Marketplace les manda un correo para pedir reseña siete días después de la entrega o la recolección. Si no lo abren, manda un segundo correo 28 días después (Walmart Marketplace Learn).

Así que las «malas notas nuevas» del lunes vienen sobre todo de pedidos de hace dos o tres semanas. Si un competidor bajó su precio la semana pasada para vender más, el efecto en reseñas llega a tu tabla dos o tres semanas después. Usamos este retraso en la columna de decisión. Un cambio de precio genera una nota esa misma semana. Un cambio en reseñas espera al menos dos semanas antes de actuar.

Prueba 5: un mismo número, tres valores en una sola respuesta

Una comparación semanal falla si el número mismo no es estable. En una sola sesión leímos el conteo de reseñas de la AF100WM con tres herramientas. La llamada a walmart/search de las 00:16:52 dio 12,571, y el trabajo de walmart/product_detail, enviado a las 00:21:10 y leído a las 00:22:03, también dio 12,571. Pero la llamada a walmart/reviews de las 00:19:07 trajo 100 reseñas, y cada una lleva un campo product_review_count con el total. En esa sola respuesta el campo tenía tres valores: 12,562 en 40 reseñas, 12,571 en 40 y 12,573 en 20. Una hora después, la segunda llamada trajo los mismos 100 review_id, con otro reparto: 12,562 en 20, 12,571 en 40 y 12,573 en 40. Una misma respuesta difiere de sí misma en hasta 11 reseñas. Así que no leas solo la primera reseña, ni restes dos totales semanales para obtener las reseñas nuevas.

La tabla usa tres reglas. Primera: lee cada dato siempre con la misma herramienta. Segunda: toma el product_review_count más alto de las 100 reseñas. El valor más frecuente no es estable, porque en la primera respuesta 12,562 y 12,571 empatan con 40 cada uno. Lo calculamos en Python sobre las dos respuestas originales: statistics.multimode() da dos valores en la primera, y statistics.mode() toma el primero que encuentra en un empate, así que da 12,562 la primera vez y 12,571 la segunda. La tabla reportaría 9 reseñas nuevas que no existen (documentación de statistics). El más alto fue 12,573 las dos veces. Tercera: si el total difiere de la semana pasada en 15 o menos, anota «sin cambio». El margen de 15 sale de la diferencia de 11 que vimos en nuestras dos muestras. No es una regla de la plataforma; después de unas semanas, ajústalo con tus propios datos.

La segunda sorpresa es que walmart/product_detail no trae precio. Las dos respuestas de detalle traían solo estos campos: id, url, name, text, brand, rating, rating_scale, review_count, image_url y platform. El catálogo lista price, original_price, in_stock y seller_name para esta acción, pero ninguno apareció (API de detalle de producto de Walmart). Armamos la tabla alrededor de eso. Precio, precio anterior y vendedor salen de walmart/search. El detalle solo completa calificación y conteo de reseñas cuando un artículo sale de los primeros 20 resultados, y ayuda a revisar el texto del modelo.

Nuestra primera llamada síncrona de detalle regresó HTTP 503 a los 88.0 segundos y no tuvo cargo. Con "mode":"async", el ID del trabajo llegó en 2.0 segundos y el resultado estuvo listo unos 53 segundos después.

¿Qué significan estos tiempos para una tarea programada? Una corrida semanal hace 11 llamadas. Una tras otra, tardan unos ocho minutos, y reseñas y detalle son lo más lento. En las instrucciones, pide que el detalle y las reseñas vayan en modo asíncrono. La tarea lee cada resultado con everyinfra_get_job. La descripción de esa herramienta dice que leer un trabajo es gratis y no cuenta contra el límite por minuto.

No reenvíes una llamada síncrona que se agotó. La respuesta 503 decía «Not charged». Sugería reintentar después de 20 segundos, con un máximo de 2 reintentos, y recomendaba el modo asíncrono. Un usuario de Reddit resumió el riesgo principal de las corridas sin supervisión: tras un error 429 o un corte de red, el agente no reintenta limpio, sino que prueba arreglos cada vez más creativos. La solución es escribir en la tarea algo como «si X falla, detente y reporta; no intentes arreglarlo» (hilo de Reddit).

Comparar esta semana con la anterior: dónde viven los datos

Esta es la mayor diferencia entre una tarea programada de Cowork y un chat normal. El artículo de arquitectura dice que, en una sesión en la nube, el ciclo de Claude y el código corren en un sandbox aislado y temporal que aloja Anthropic. Cada sesión tiene el suyo. El sandbox se crea al iniciar la sesión y se destruye al terminar, y los sandboxes no comparten estado (Claude Cowork architecture overview). Un CSV que crea la corrida de este lunes no existe para la corrida del próximo lunes.

Las sesiones en la nube pueden leer y escribir carpetas que conectaste en tu computadora, pero solo mientras la aplicación de escritorio está abierta (Use Claude Cowork on web, desktop, and mobile). Eso nos regresa al viejo problema de la computadora encendida.

Recomendamos Google Sheets. El centro de ayuda dice que el conector de Google Sheets puede crear hojas nuevas y editarlas, y que el de Google Drive busca, sube y comparte. El mismo artículo avisa que si pides un «documento» genérico sin decir Google, Claude crea un archivo local (Use Google Workspace connectors). Si tu equipo usa Microsoft 365, puede encender las herramientas de escritura del conector, que crean y actualizan archivos en OneDrive y SharePoint (Set up the Microsoft 365 connector). Con dos pestañas basta: snapshots recibe las filas de cada semana y changes recibe la comparación.

La clave decide si la comparación sale bien. Para la semana usa el año y el número de semana que da date.isocalendar() en Python, así los cambios de mes y de año no causan errores (documentación de datetime). El lunes 2 de noviembre de 2026 cae en la semana 2026-W45, y el lunes 9 de noviembre en la 2026-W46.

La clave de cada fila es tienda + ID del artículo + vendedor. Si sigues Amazon México y Amazon Estados Unidos, la tienda debe incluir el dominio, porque el mismo ASIN vive en las dos. Las reseñas usan review_id para no contar dos veces.

# Ejemplo de la lógica de comparación. Corre en la herramienta de código de la sesión de Cowork.
# La probamos en nuestra máquina con dos instantáneas reales.
def key(r):  # tienda (con dominio) + ID del artículo + vendedor
    return (r["store"], r["item_id"], r.get("seller_name") or "-")

def diff(last_week, this_week):
    prev = {key(r): r for r in last_week}
    prev_item = {(r["store"], r["item_id"]): r for r in last_week}
    out = []
    for r in this_week:
        p = prev.get(key(r))
        if p is None and (r["store"], r["item_id"]) in prev_item:
            out.append({**r, "flag": "cambio de vendedor", "seller_before": prev_item[(r["store"], r["item_id"])].get("seller_name")})
        elif p is None:
            out.append({**r, "flag": "nuevo"})
        else:
            out.append({**r, "price_change": round((r["price"] or 0) - (p["price"] or 0), 2),
                        "count_change": (r.get("review_count") or 0) - (p.get("review_count") or 0),
                        "flag": "cambio de precio" if r["price"] != p["price"] else ""})
    return out

Una comparación real con dos instantáneas

Para probar el código de comparación con datos reales, tomamos una segunda instantánea una hora después de la primera. Corrió de las 01:12:58 a las 01:15:52 hora de Singapur del 3 de noviembre de 2026, con los mismos parámetros. Hizo 5 llamadas: 1 amazon/search, 3 walmart/search y 1 walmart/reviews asíncrona para la AF100WM. El cargo fue de 0.007792 USD. En esta segunda instantánea no repetimos Amazon México. Luego pasamos las dos instantáneas a la función diff() de arriba, con la clave tienda + ID del artículo + vendedor. Un reporte real compara dos semanas. Aquí la distancia es de una hora, así que la prueba muestra el método y los campos que se mueven solos.

En una hora, ninguna de las seis filas cambió de precio, vendedor, calificaciones o reseñas. La segunda lectura de reseñas de la AF100WM trajo los mismos 100 review_id, en el mismo orden. Así que las reseñas nuevas fueron 0. El campo product_review_count seguía con los mismos tres valores; solo cambió el reparto, de 40/40/20 a 20/40/40. El más alto fue 12,573 las dos veces, así que la regla anota «sin cambio».

Lo que sí cambió fue el orden de búsqueda en Amazon. Entre los 20 primeros resultados de la misma palabra clave, 17 ASIN salieron las dos veces y 3 eran nuevos. La AF101 bajó del lugar 2 al 14. La Crispi subió del 9 al 1, y la Vortex pasó del 3 al 4. Por eso la tarea lee ASIN fijos y no elige «los primeros resultados». El orden puede moverse mucho en una hora mientras los precios no cambian. Una tabla que empareja productos por posición mostraría muchos cambios falsos.

También usamos el mismo código para probar un cambio de palabra clave. Reemplazamos la segunda fila de la Crispi por el resultado de «ninja air fryer 4 quart», que muestra a Patent Paid a 135 USD. La salida de diff() no dijo «subió 0.50 USD». Dijo «cambio de vendedor, antes: Mercshop». Para eso sirve el vendedor dentro de la clave. Esta es la salida exacta de diff() para esa fila:

{"store": "walmart.com", "item_id": "20370717802", "seller_name": "Patent Paid", "price": 135, "review_count": 1877, "flag": "seller change", "seller_before": "Mercshop"}

Las tres llamadas a walmart/search de la segunda instantánea tardaron de 5.9 a 8.7 segundos, frente a 35.8 a 43.6 en la primera. Las respuestas no traen ningún campo que diga si el resultado venía de una caché. Así que el cambio se juzga por los campos de las instantáneas, no por lo que tardó una llamada.

Las instrucciones y la tabla de salida

Una tarea programada de Cowork son unas instrucciones guardadas que corren igual cada vez. El centro de ayuda describe la opción «Create with Claude»: Claude hace unas preguntas de opción múltiple y luego muestra el nombre, el horario y los pasos para que confirmes (Schedule recurring tasks in Claude Cowork). Sugerimos «Set up manually» con las instrucciones de abajo. Una lista fija de herramientas, parámetros y reglas de falla es más estable que dejar que el modelo lo piense de nuevo cada semana.

Elige «Weekly» y una hora del lunes en la mañana. El modelo es un campo opcional en el formulario manual. Un usuario de Reddit también encontró el ajuste de modelo en la página de edición de la tarea (hilo de Reddit). Esta tarea sobre todo usa herramientas y llena tablas, así que un modelo más barato alcanza.

Ejemplo de configuración: instrucciones de la tarea programada
(Set up manually. Frecuencia: semanal, lunes 09:10. Modo de aprobación: Automatically approve.)

Eres un asistente de reportes de competencia. Solo lees. No hagas pedidos, no cambies precios, no mandes mensajes.
Usa solo el conector de EveryInfra y el conector de Google Sheets.
1. Abre el archivo de Google Sheets "Competencia semanal" (créalo si no existe).
   Lee todas las filas de la pestaña snapshots de la semana ISO anterior (por ejemplo, 2026-W45).
2. Lee la pestaña config. Una fila por competidor: key, asin_mx, amazon_asin, walmart_item_id, walmart_keyword, model.
3. Llama a everyinfra_call_api: platform=amazon, action=search,
   params={keyword: "freidora de aire ninja 4 qt", domain: "amazon.com.mx", lang: "es", limit: 20}.
   Conserva solo los ASIN de asin_mx. Ignora Amazon Renewed y accesorios. Guarda price, list_price, rating, rating_count, seller_name.
4. Llama a everyinfra_call_api: platform=amazon, action=search,
   params={keyword: "ninja air fryer 4 quart", limit: 20}. Conserva solo amazon_asin.
   Guarda rating_count como "calificaciones de la familia".
5. Para cada competidor en Walmart:
   a. platform=walmart, action=search, params={keyword: walmart_keyword}.
      Busca walmart_item_id. Guarda price, was_price, seller_name, rating, review_count.
   b. Si el paso a no encontró el ID: platform=walmart, action=product_detail,
      params={url: "https://www.walmart.com/ip/<ID>"}, mode=async. Guarda solo rating y review_count.
   c. platform=walmart, action=reviews, params={url: la misma, limit: 100}, mode=async.
      Lee el resultado con everyinfra_get_job. Conserva solo los review_id que no estaban la semana pasada.
      Separa las reseñas nuevas de 1-2 estrellas en "producto" y "envío o vendedor". Escribe una frase para cada grupo.
6. Si una llamada falla: anota el error y el request_id, salta ese artículo, reintenta como máximo una vez, no busques otro método.
7. Agrega las filas de esta semana a snapshots. Clave: semana + tienda (con dominio) + ID del artículo + vendedor.
8. Compara con la semana pasada usando esa clave. Agrega a changes: cambio de precio, cambio de vendedor,
   cambio en reseñas, malas notas nuevas y resumen, decisión. Compara pesos solo con pesos y dólares solo con dólares.
9. Al final, muestra en la sesión las filas de changes de esta semana, ordenadas por decisión.
   Indica cuántas llamadas a la API hubo y cuántas fallaron.

Costo semanal y mensual de la API

Este es el costo a precios de catálogo. amazon/search cuesta 0.002236 USD por llamada (2.236 USD por cada 1,000), igual para Amazon México y Amazon Estados Unidos. walmart/search, walmart/product_detail y walmart/reviews cuestan 0.001389 USD por llamada (1.389 USD por cada 1,000). Leímos estos valores price_usd en el catálogo gratuito a las 00:15 hora de Singapur del 3 de noviembre de 2026. Las llamadas fallidas y los resultados vacíos no se cobran, y leer un trabajo asíncrono es gratis. Un script calculó cada número de la tabla con esos precios (precios).

Frente a la suscripción, el costo de la API es mínimo. Tres competidores una vez por semana cuestan 0.0639 USD al mes, el 0.32% de Claude Pro a 20 USD al mes (precios de Claude). Con la búsqueda de Amazon México sube a 0.0735 USD al mes. El costo real está en el uso de Claude. El centro de ayuda dice que Cowork toma tareas complejas de varios pasos (Get started with Claude Cowork). El uso de claude.ai, Claude Code y Claude Desktop cuenta para un mismo límite. Los planes de pago tienen un límite de sesión que se reinicia cada cinco horas y un límite semanal (How do usage and length limits work).

Cada corrida programada gasta de ese presupuesto. Una búsqueda de Amazon México con 20 resultados pesa 58,807 bytes, una de Amazon Estados Unidos 71,614 bytes, y 100 reseñas de Walmart unos 60,000 bytes. Si el modelo lee todo eso, la corrida consume mucho. Por eso las instrucciones le piden conservar solo los ID de la pestaña config y leer solo las reseñas nuevas.

Límites y puntos abiertos

Primero, en esta prueba no obtuvimos texto de reseñas de Amazon. amazon/reviews para la AF101 respondió «needs a login or is restricted» y se reembolsó. Aunque funcione, el catálogo dice que solo trae la docena de reseñas destacadas de la ficha. Por eso el lado de Amazon de la tabla tiene precio, precio de lista, calificación y conteo de calificaciones, nada más.

Segundo, walmart/product_detail no trajo precio, existencias ni vendedor en ninguno de los dos productos de esta prueba. Los precios deben salir de walmart/search, que trae una página de 20 resultados. Si un competidor sale del top 20, usa una palabra clave más precisa.

Tercero, muchos equipos también siguen a Temu. Pero temu/search está en pausa en el catálogo (available: false). Una llamada regresa 503 y no se cobra, así que esta versión de la tabla no lo incluye. Cuarto, no probamos el lado de Cowork. Aprobaciones, conector, escritura en Google Sheets y elección de modelo siguen el centro de ayuda y la documentación de Anthropic. No pudimos probar qué hace una corrida en Team cuando «Always allow» está apagado.

Quinto, usa esta tabla solo para tus propias decisiones de precio y producto. La regla de la FTC de agosto de 2024 prohíbe comprar o vender reseñas falsas, pagar por reseñas positivas o negativas y suprimir reseñas negativas (comunicado de la FTC; 16 CFR Part 465). Esa regla es de Estados Unidos. Si un competidor recibe muchas malas notas, mejora tu propio producto y tu envío. No intentes influir en sus reseñas. Este artículo describe un método de datos y no es asesoría legal.

Cambios recientes

• 2026-10-06: las tareas nuevas de Cowork y las tareas programadas en Pro, Max y Ultra corren en la nube, y desaparece «Only on your computer» (centro de ayuda). Para ti: la tabla ya no necesita una computadora encendida, pero tampoco puede guardar instantáneas en una carpeta local.
• 2026-10-22: la versión v3.6556.1 deja que las tareas programadas sigan sin las herramientas MCP que necesitan una persona. También arregla plugins y skills que las tareas programadas no encontraban (registro de cambios). Para ti: si una corrida termina con una parte faltante, revisa si se saltó una herramienta.
• 2026-10-26: Walmart anunció tres eventos de ofertas del 12 de noviembre al 2 de diciembre, 14 días en total frente a 10 en 2025 (comunicado de Walmart; Retail Dive). Para ti: los precios se moverán más en las próximas cinco semanas. Puedes pasar a una corrida diaria, que cuesta unos 0.10 USD por semana para 3 competidores.
• 2026-10-27: la versión v4.29.0 limita la lectura web en tareas programadas fuera de los dos modos automáticos. La URL debe estar en las instrucciones o venir de una búsqueda (registro de cambios). Para ti: leer fichas con la lectura web propia de Cowork será más difícil, y un conector es más estable.

Preguntas frecuentes

¿Qué hago si claude cowork scheduled tasks not working?

La pregunta viene de las sugerencias de búsqueda «claude cowork scheduled tasks not working» y «claude cowork scheduled tasks connector not working». Primero ubica qué capa falló. En Cowork, un usuario de macOS no podía crear tareas y recibía «Invalid file path: path traversal detected» (hilo de Reddit). Un issue de GitHub relacionado dice que las sesiones remotas no reciben las herramientas que administran tareas programadas locales (issue #76968 de GitHub). La actualización del 22 de octubre también arregló tareas programadas que no encontraban plugins ni skills, así que primero actualiza la aplicación (registro de cambios). En el conector, revisa que el valor del encabezado sea Bearer más la clave, que el servidor sea público y que las aprobaciones estén permitidas. En EveryInfra, llama a everyinfra_list_requests con el request_id para ver el estado y el cargo. Es gratis.

Esta tabla junta los síntomas que vimos en nuestras llamadas y en los hilos citados arriba, con la capa donde suele estar el problema.

¿Cuál es el claude cowork scheduled tasks limit?

La pregunta viene de la sugerencia de búsqueda «claude cowork scheduled tasks limit». Un usuario de Reddit preguntó cuántas tareas programadas se pueden crear y nadie dio una cifra oficial (hilo de Reddit). Leímos cuatro artículos de ayuda relacionados y no encontramos un límite de tareas ni de corridas en Cowork. Lo seguro es que las corridas consumen el uso de tu suscripción, con los límites de cinco horas y semanal (límites de uso). Como referencia, las tareas programadas en la nube de Claude Code permiten 100 corridas programadas por hora por cuenta (documentación). Del lado de EveryInfra, el límite son peticiones por minuto por clave, y puedes bajarlo en la consola.

¿Uso claude cowork scheduled tasks o las routines de Claude Code?

La pregunta viene de la sugerencia «claude cowork scheduled tasks vs claude code routines». Decide según dónde viven tus datos y tus resultados. ¿El resultado es una hoja o un documento para el equipo comercial? Usa Cowork con un conector de Google Sheets o Microsoft 365. ¿Tus datos y scripts están en un repositorio Git? Usa las tareas programadas en la nube de Claude Code, antes llamadas routines, y guarda el historial en los commits. También pueden arrancar por llamadas a la API y por eventos de GitHub (documentación de Claude Code). Las dos opciones pueden usar la misma dirección MCP de EveryInfra. Nuestra guía de tareas programadas de Claude Code muestra la otra configuración.

¿claude cowork scheduled tasks corren en la nube con la computadora apagada?

La pregunta viene de la sugerencia «claude cowork scheduled tasks cloud». Sí. El centro de ayuda dice que las tareas programadas corren de forma remota, así que funcionan con la computadora dormida o la aplicación cerrada, y las nuevas desde el 6 de octubre corren en la nube (centro de ayuda). Las excepciones son las tareas que necesitan archivos o aplicaciones locales y las tareas viejas que ya corrían en tu computadora antes del 6 de octubre. Un usuario de Reddit no encontraba la opción de nube (hilo de Reddit). Una respuesta en ese hilo dijo que la opción se estaba habilitando por plan. Hoy el centro de ayuda dice que, desde el 6 de octubre, las tareas nuevas en Pro, Max y Ultra corren en la nube.

¿Puedo elegir el modelo de una tarea programada?

La pregunta viene de una publicación de Reddit que pedía elegir el modelo de las tareas programadas (hilo de Reddit). Sí. En el formulario manual, el modelo es un campo opcional (centro de ayuda). Una respuesta en la publicación también mostró el ajuste de modelo en la página de edición de la tarea. La tabla de precios sobre todo usa herramientas y llena una hoja, así que un modelo más barato alcanza. Guarda el uso que ahorras para tareas que piden criterio.

¿Por qué mi tarea programada no empezó a la hora exacta?

La pregunta viene de una respuesta en Reddit que decía que el programador remoto se desvía, a veces unos 10 minutos (hilo de Reddit). El centro de ayuda de Cowork no describe la precisión de la hora. La documentación de Claude Code en la nube dice que una corrida puesta justo en la hora en punto puede empezar varios minutos tarde. Sugiere unos minutos después de la hora, por ejemplo 9:07 (documentación). Una tabla semanal de precios no necesita exactitud de minutos. Por eso nuestro ejemplo usa las 09:10.

Cómo empezar

1. Crea una cuenta gratuita de EveryInfra y una clave de API solo para Cowork. Sigue el inicio rápido y llama una vez a walmart/search con curl.
2. En Claude, abre Customize > Connectors y agrega un conector personalizado. Usa la URL https://api.everyinfra.com/mcp, elige No sign-in y pon el encabezado Authorization = Bearer <clave>. La página de MCP tiene los pasos completos.
3. Enciende el conector de Google Sheets. Crea la hoja «Competencia semanal» y llena la pestaña config con los ID de tus competidores, incluidos los ASIN de Amazon México.
4. En Scheduled, elige Set up manually y pega las instrucciones de arriba. Elige Weekly. Haz clic una vez en Run now y responde las aprobaciones.
5. El próximo lunes, abre la pestaña changes.

Para otros métodos relacionados, lee el monitoreo de precios como producto de suscripción. También te sirven el seguimiento de precios en Amazon con ofertas comparables y el análisis de reseñas de la competencia con Agent Skills.

Referencias

1. Schedule recurring tasks in Claude Cowork, Centro de ayuda de Claude, leído el 2026-11-03.
2. Get started with custom connectors using remote MCP, Centro de ayuda de Claude, leído el 2026-11-03.
3. Add a connector that isn't in the directory, documentación de Anthropic, leída el 2026-11-03.
4. Claude Cowork and chat are one Claude, Centro de ayuda de Claude, leído el 2026-11-03.
5. Use Claude Cowork on web, desktop, and mobile, Centro de ayuda de Claude, leído el 2026-11-03.
6. Use Claude Cowork safely, Centro de ayuda de Claude, leído el 2026-11-03.
7. Use Claude Cowork on Team and Enterprise plans, Centro de ayuda de Claude, leído el 2026-11-03.
8. Get started with Claude Cowork, Centro de ayuda de Claude, leído el 2026-11-03.
9. How do usage and length limits work?, Centro de ayuda de Claude, leído el 2026-11-03.
10. Release notes, Centro de ayuda de Claude, entradas del 2026-02-25 al 2026-10-21.
11. Claude Desktop changelog, Anthropic, de v3.6556.1 (2026-10-22) a v4.4212.0 (2026-10-29).
12. Plans and pricing, Anthropic, leído el 2026-11-03.
13. IP addresses, documentación de Anthropic, leída el 2026-11-03.
14. Claude Cowork architecture overview, Centro de ayuda de Claude, leído el 2026-11-03.
15. Automate work with scheduled tasks, documentación de Claude Code, leída el 2026-11-03.
16. Run prompts on a schedule, documentación de Claude Code, leída el 2026-11-03.
17. Use Google Workspace connectors, Centro de ayuda de Claude, leído el 2026-11-03.
18. Set up the Microsoft 365 connector, Centro de ayuda de Claude, leído el 2026-11-03.
19. Tools, especificación de Model Context Protocol 2025-11-25.
20. Transports, especificación de Model Context Protocol 2025-11-25.
21. Tool Annotations as Risk Vocabulary, blog de MCP, 2026-03-16.
22. Issue #76968, GitHub anthropics/claude-code, seguimiento del 2026-09-14.
23. Anyone else unable to create or edit scheduled tasks in Claude Cowork, Reddit r/ClaudeAI.
24. Scheduled tasks / Routines: what's actually holding up for you?, Reddit r/ClaudeAI.
25. Using claude.ai scheduled tasks to trigger the 5h window, Reddit r/ClaudeAI.
26. I can't create scheduled tasks on remote (cloud), Reddit r/ClaudeCowork.
27. Cowork mode: any way to set which model scheduled tasks run on?, Reddit r/Anthropic.
28. Catálogo de capacidades de datos de EveryInfra, EveryInfra, leído el 2026-11-03 a las 00:15 hora de Singapur.
29. Product detail page: the Buy Box, Walmart Marketplace Learn.
30. Pricing rules, Walmart Marketplace Learn, actualizado el 2025-12-12.
31. Marketplace reviews overview, Walmart Marketplace Learn.
32. Términos de uso de calificaciones, opiniones, preguntas y reseñas, ayuda de Walmart.
33. Walmart Unwraps Three Major Holiday Shopping Events, Walmart, 2026-10-26.
34. Walmart debuts longer Black Friday, Cyber Monday sales events, Retail Dive, 2026-10-26.
35. FTC Announces Final Rule Banning Fake Reviews and Testimonials, Comisión Federal de Comercio de Estados Unidos, 2024-08-14.
36. 16 CFR Part 465, eCFR.
37. datetime: Basic date and time types, documentación de Python.
38. Authorization, especificación de Model Context Protocol 2025-11-25.
39. RFC 6750: The OAuth 2.0 Authorization Framework: Bearer Token Usage, IETF, 2012-10.
40. statistics: Mathematical statistics functions, documentación de Python.