Inteligencia artificial aplicada
IA integrada en el sistema que la empresa ya usa.
La parte difícil de la inteligencia artificial en una empresa no es el modelo: es conectarlo a los datos reales, respetar los permisos que cada usuario ya tiene, poder justificar cada respuesta y que el coste no se dispare. Eso es lo que resolvemos.
Un asistente que contesta bien el 80 % de las veces y no dice cuándo no está seguro no sirve para trabajar. Todo lo que ponemos en producción responde citando su fuente, o dice que no lo sabe.
Casos en producción
Dónde la IA ya está haciendo trabajo real.
No son pilotos ni pruebas de concepto: son funciones dentro de aplicaciones de gestión que se usan a diario.
Asistentes sobre datos propios
Consulta en lenguaje natural sobre la documentación y la base de datos de la empresa. La respuesta cita siempre la fuente y respeta los permisos que el usuario ya tiene en el sistema.
Lectura de documentos
Extracción estructurada de facturas, albaranes, contratos y partes en papel. El dato entra en el sistema ya validado contra las reglas de negocio, con revisión humana solo cuando la confianza es baja.
Clasificación y enrutado
Incidencias, correos y solicitudes categorizados y asignados automáticamente al equipo o proveedor correcto, con detección de urgencia y de casos duplicados.
Detección de anomalías
Consumos, ventas y operativa comparados contra el patrón histórico para avisar de fugas, desviaciones o comportamientos atípicos antes de que se conviertan en un problema.
Previsión y apoyo a la decisión
Estimación de demanda y de carga para anticipar reposición, planificación y dimensionado, integrada en el mismo sistema donde se toma la decisión.
Resúmenes e informes
Generación automática de resúmenes de actividad, informes periódicos y borradores de respuesta, siempre a partir de los datos reales del sistema y revisables antes de salir.
Cómo se integra
El modelo no sustituye al sistema: se apoya en él.
El asistente no habla directamente con la base de datos ni con los documentos. Habla con una capa intermedia que aplica los mismos permisos, las mismas reglas y los mismos límites que el resto de la aplicación. Si el usuario no puede ver un dato en pantalla, tampoco lo obtiene preguntando.
Esa capa es la que decide qué información se recupera, qué se envía al modelo y qué se guarda para poder auditar después una respuesta concreta.
1 · Pregunta del usuario
2 · Capa de control
3 · Recuperación
4 · Modelo de lenguaje
5 · Respuesta con fuente
Criterios
Cómo decidimos si la IA aporta o sobra.
No todo problema se resuelve mejor con un modelo de lenguaje. En bastantes casos, una consulta bien hecha o una regla explícita es más barata, más rápida y más fiable. Estos son los criterios con los que lo valoramos.
| Situación | Qué proponemos | Por qué |
|---|---|---|
| El dato está en la base de datos y la pregunta siempre es la misma | Informe o consulta directa | Determinista, instantáneo y sin coste por uso. Un modelo aquí solo añade incertidumbre. |
| La pregunta es abierta y cruza documentos con datos de negocio | Asistente con búsqueda semántica sobre datos propios | Es donde el modelo aporta de verdad: entender la pregunta y localizar el fragmento relevante. |
| Entra documentación en papel o PDF de formatos muy variados | Extracción con modelo y validación contra reglas | Ahorra el tecleo, pero el dato solo entra si cuadra con las reglas del sistema. |
| Hay que decidir algo con consecuencias económicas o legales | El modelo propone, la persona aprueba | La responsabilidad no se delega en un sistema probabilístico. |
| El volumen es enorme y la latencia importa | Modelo pequeño, clasificación previa o proceso por lotes | Dimensionar el modelo al problema es la diferencia entre un coste razonable y uno absurdo. |
Datos y confidencialidad
- Selección del proveedor y de la región según lo que exija el cliente, incluyendo despliegue dentro de su propia infraestructura en AWS.
- Sólo se envía al modelo el contexto necesario para responder, nunca la base de datos completa.
- Registro de cada consulta: quién preguntó, qué contexto se usó y qué se respondió.
- Acuerdos de no entrenamiento con los datos del cliente y análisis previo del tratamiento de datos personales.
Coste y calidad bajo control
- Límites de gasto por usuario, por función y por periodo, con alerta antes de llegar al tope.
- Caché de respuestas y del contexto repetido, que es donde se va la mayor parte del coste real.
- Batería de casos de prueba con respuestas esperadas, ejecutada en cada cambio de modelo o de instrucciones.
- Posibilidad de cambiar de modelo sin rehacer la aplicación: la integración no queda atada a un proveedor.
¿Tienes un proceso repetitivo que consume horas de gente cualificada?
Suele ser el mejor punto de partida. Lo analizamos contigo y te decimos si tiene sentido automatizarlo con IA, con una regla o directamente no tocarlo.