Cargo

Qué es

Cargo es una plataforma de orquestación GTM donde el workspace es una carpeta de archivos TypeScript. Cada recurso es una llamada define*: defineModel para una tabla que viene de un conector, defineTool para una función reutilizable, defineAgent para un trabajador LLM, definePlay para un workflow que se dispara ante un cambio en los datos, defineMcpServer para un endpoint que expone cualquiera de los anteriores a un asistente externo. Los conectas por referencia de variable y publicas todo el grafo con cargo-ai cdk deploy. Hay una interfaz gráfica, y la mayoría de los equipos empieza ahí, pero el argumento real del producto es que la lógica de revenue debería versionarse, revisarse y desplegarse como el resto de tu infraestructura.

La empresa fue fundada en 2023 por Aurelien Aubert y Maxence De Villepion, pasó por el batch Summer 2023 de Y Combinator, tiene sede en San Francisco y ha levantado $19.4M. Menciona como clientes a Descript, Gorgias, Ashby, Swile, Oneflow, Upfluence, Weights & Biases y Qobra, declara más de 10.000 GTM engineers en la plataforma y cuenta con SOC 2 Type II.

Por qué aparece en los stacks de RevOps

• Una definición, cuatro puntos de llamada. Una función de enriquecimiento en cascada escrita una sola vez como defineTool se puede invocar desde un play nocturno sobre los nuevos registros, desde un agente SDR en plena investigación, por la API REST, desde cargo-ai orchestration en CI y desde Claude Code. La mayoría de los stacks GTM reconstruye esa lógica tres veces: una en la herramienta de enriquecimiento, otra en el sequencer y otra en un script.
• MCP funciona en las dos direcciones. defineMcpServer agrupa un conjunto elegido de tus tools, agentes y modelos de datos detrás de un único endpoint que Claude o Cursor pueden descubrir e invocar como acciones nativas, con flags readOnly por modelo. En sentido inverso, Cargo consume los servidores MCP alojados de HubSpot, Salesforce y Notion como acciones de agente. Aparte, los paquetes open source cargo-skills le enseñan a Claude Code y a Cursor los comandos del CLI y el flujo de descubrimiento de UUID, de modo que «dispara el play de scoring de MQL sobre los leads agregados esta semana» se traduce en comandos reales y no en suposiciones.
• La medición es legible. Cada respuesta de @cargo-ai/cli es JSON, cada fallo sale con código distinto de cero y cargo-ai billing usage devuelve el consumo como datos. Puedes calcular el costo de un play antes de correrlo a escala.

La realidad del precio

Publicado, basado en uso, sin compromiso mínimo. La prueba gratuita da 100 créditos sin tarjeta. Los planes de pago son asignaciones de créditos: desde $165/mes por 1.5K créditos, $250 por 2.5K, $1,190 por 17K y $3,000 por 50K o más. Todos los niveles incluyen todas las funciones y las más de 100 integraciones; las únicas diferencias son la asignación de créditos y el nivel de soporte, con SSO reservado para Enterprise.

La tarifa efectiva mejora aproximadamente al doble a lo largo del rango: unos $0.11 por crédito en el nivel de $165, unos $0.10 en el de $250, unos $0.07 en el de $1,190 y unos $0.06 en el de $3,000. Comprar créditos desde el slider en lugar de con un plan cuesta $0.25, así que el descuento del plan es la verdadera decisión de precio.

Lo que compran los créditos es la parte que cambia las cuentas. La orquestación cuesta 1 crédito por cada 100 pasos y el almacenamiento 1 crédito por cada 1.000 upserts: ambos casi gratis a volúmenes realistas. Las tareas de integración se listan por integración, y los proveedores de IA cobran por modelo y por cada 1.000 tokens. Tu factura, entonces, la dominan las llamadas a proveedores de enriquecimiento y los tokens de modelo, no la cantidad de pasos de workflow que ejecutes, que es lo contrario de la intuición que arrastra la mayoría de los equipos desde herramientas medidas por fila. Presupuesta por volumen de datos y elección de modelo, no por complejidad de workflow.

Ideal para

GTM engineers y líderes de RevOps en empresas de Serie A a C con al menos una persona que escriba TypeScript, cuya orquestación ya superó a una hoja de cálculo. Es la elección correcta específicamente cuando la misma lógica de enriquecimiento o scoring necesita invocarse desde un play programado, un agente, tu API y una terminal, y quieres tenerla en git con un diff y una revisión.

Sáltatelo si nadie del equipo de revenue puede revisar un pull request de TypeScript, si tu trabajo es armar listas y no orquestación siempre activa, o si necesitas un ecosistema certificado de partners detrás de la plataforma.

Frente a las alternativas

Clay es la herramienta dominante en este segmento y la opción por defecto honesta para la mayoría: elige Clay cuando el trabajo tiene forma de hoja de cálculo —armar una lista, enriquecerla, empujarla— y quienes lo hacen no son ingenieros. n8n y Zapier son los motores de workflow generales: elige cualquiera cuando la automatización no sea específica de GTM y no necesites un modelo de datos de revenue ni lógica de territorios debajo. Unify es el entrante de mayor crecimiento aquí y el sustituto más cercano en resultados: toma Unify cuando quieras el camino de señal a secuencia empaquetado y funcionando este mes, y Cargo cuando quieras ser dueño del grafo y estés dispuesto a construirlo.

Puntos de atención

• El CDK es el producto, y es TypeScript. Un equipo que se queda en la interfaz gráfica está comprando un constructor de workflows de gama media y pagando por una plataforma de código. Guarda: antes de firmar, nombra a la persona dueña del repo del workspace. Si nadie puede revisar un pull request de TypeScript, corre un trimestre en la interfaz y trata el CDK como no comprado cuando evalúes la renovación.
• Pronosticar créditos es lo difícil, y las tarifas públicas te van a confundir. Los costos por integración y las tarifas por token de cada modelo se mueven con el catálogo de cada proveedor, así que la fuente autoritativa es el CLI, no la página de precios. Guarda: durante la prueba, corre cargo-ai connection integration get <name> para cada proveedor de enriquecimiento y de modelos que pienses usar, corre un play con el tamaño de lote real y después lee cargo-ai billing usage; dimensiona tu nivel con ese número y no con la tarifa del slider.
• Los créditos se reinician cada período y el overage es solo para Enterprise. Un play que entra en bucle por un filtro mal armado puede quemar la asignación de un mes, y por debajo de Enterprise tus workflows se detienen en lugar de excederse. Guarda: activa el auto-topup en todo lo que toque al cliente y limita el tamaño de lote de cada play nuevo hasta haber visto una corrida completa en la tabla de spans.
• Proveedor pequeño, equipo pequeño. YC S23 y $19.4M levantados, frente a un líder de segmento con mucho más capital. Guarda: mantén el sistema de registro en tu CRM o en tu warehouse y no en los modelos de datos de Cargo, guarda el TypeScript del workspace en un repo que controles y confirma durante la prueba que un workspace nuevo se puede reconstruir desde ese repo con cargo-ai cdk deploy.