IA aplicada
Inteligencia artificial aplicada a problemas de negocio
Integramos modelos de lenguaje y aprendizaje automático en operaciones existentes: asistentes que responden sobre tus propios documentos, clasificación automática de correo y tickets, previsión de demanda y detección de fraude. Empezamos por una métrica de negocio concreta y solo desplegamos si el modelo la mejora frente a la línea base.
El error habitual: empezar por el modelo
La mayoría de proyectos de IA fracasan porque arrancan eligiendo tecnología en lugar de problema. Nosotros invertimos el orden: primero identificamos una tarea con coste medible, después establecemos la línea base actual, y solo entonces elegimos el enfoque. A veces la respuesta correcta resulta ser una regla, no un modelo, y eso también es un resultado válido.
Recuperación sobre tus documentos (RAG)
El caso más frecuente. Indexamos tus manuales, contratos, tickets históricos o normativa interna en una base vectorial (usamos pgvector sobre PostgreSQL, para no añadir otra pieza de infraestructura), y el modelo responde citando el fragmento de origen. La respuesta lleva la referencia, así que quien la lee puede verificarla.
Casos por sector
Aplicaciones que ya hemos construido o para las que tenemos arquitectura definida.
- Retail: previsión de demanda y repricing dinámico
- Salud: apoyo al triaje y alertas de interacción de medicamentos
- Finanzas: scoring de riesgo y detección de fraude en transacciones
- Manufactura: mantenimiento predictivo y optimización logística
- Servicios: clasificación y enrutado automático de tickets
- Legal: extracción de cláusulas y comparación de contratos
Privacidad y control de los datos
Cuando los datos no pueden salir de tu infraestructura, desplegamos modelos abiertos en tu propio entorno. Cuando sí pueden, usamos proveedores comerciales con acuerdo de no entrenamiento sobre tus datos. La decisión se toma en la fase de arquitectura y queda escrita, porque condiciona el coste y el rendimiento.
Cómo medimos que funciona
Cada despliegue lleva un conjunto de evaluación con casos reales y respuesta esperada. Ejecutamos esa evaluación en cada cambio de modelo o de prompt, igual que se ejecutan los tests de una aplicación. Sin eso, actualizar el modelo es una apuesta y no una decisión.
Preguntas frecuentes
¿Cuánto cuesta operar un asistente de IA al mes?
El coste depende del volumen y del modelo. Un asistente interno con unos pocos miles de consultas mensuales suele costar entre 20 y 150 USD al mes en llamadas al modelo. El coste dominante casi nunca es el modelo: es el trabajo de mantener actualizada la base de documentos sobre la que responde.
¿La IA puede inventarse respuestas?
Puede, y por eso el diseño importa. Restringimos el modelo a responder solo desde los documentos recuperados, le exigimos citar la fuente y le damos permiso explícito para decir que no lo sabe. Eso no elimina el riesgo, pero lo reduce a un nivel medible que verificamos con el conjunto de evaluación.