Modelos de IA
Un modelo genérico conoce el idioma. Un modelo útil conoce además tu inventario, tus plazos y tus reglas de negocio. Toda nuestra intervención consiste en construir esa segunda parte.
La misma pregunta, con y sin contexto de negocio
El valor de un sistema de inteligencia artificial dentro de una empresa no depende del modelo que hay debajo, sino de la información a la que tiene acceso y de las reglas que se le han impuesto. La diferencia es fácil de comprobar con cualquier pregunta operativa real: ¿podemos servir este pedido esta semana?
Un modelo genérico responderá que depende del stock, de los plazos de transporte y de la situación del cliente, y recomendará consultarlo con logística. La respuesta es correcta y no sirve para nada, porque se limita a enunciar las variables que habría que mirar. Un modelo integrado en tus sistemas consulta esas variables: comprueba las existencias en el almacén que corresponde, verifica la siguiente salida de ruta y revisa el estado de cobros del cliente, y devuelve una fecha concreta que el comercial puede confirmar sin llamar a nadie.
Ese salto no lo produce un modelo más potente. Lo produce la arquitectura que se construye alrededor: qué fuentes puede consultar, con qué permisos, bajo qué reglas de negocio puede comprometer una fecha y en qué casos debe abstenerse y derivar a una persona. Esa es la parte del trabajo que hacemos nosotros, y es también la que determina si el sistema acaba usándose o abandonado. Cuando el acceso a esos datos no existe todavía, el paso previo es la integración de sistemas.
Trabajo de criterio resuelto con consistencia
La inteligencia artificial rinde donde hay volumen, criterio repetible y una definición clara de acierto. Estos son los usos que con más frecuencia justifican la inversión:
Clasificación y respuesta de correo
Cada mensaje entrante se etiqueta, se prioriza y se propone su respuesta según los criterios que defina tu equipo, que mantiene la última palabra.
Lectura automática de documentos
Facturas, contratos y albaranes procesados para extraer y contrastar los datos clave, sin transcripción manual y con las incidencias señaladas.
Búsqueda sobre conocimiento interno
Años de documentación convertidos en respuestas inmediatas y con la fuente citada, de modo que cualquiera pueda verificar de dónde sale el dato.
Previsión de demanda y consumos
Modelos entrenados sobre tus series históricas para planificar compras y producción con menos exceso de inventario y menos roturas de stock.
Detección de anomalías
Desviaciones en gastos, pedidos u operaciones identificadas en el momento en que se producen, cuando corregirlas todavía es barato.
Redacción con criterio propio
Ofertas, informes y comunicaciones generadas con tus plantillas, tu terminología y los límites que establezcas sobre lo que el modelo puede afirmar.
Potente no tiene por qué significar opaco
Un modelo que nadie puede auditar acaba sin usarse, porque el equipo no se atreve a fiarse de él en una decisión que tendrá que justificar. Por eso el gobierno del sistema forma parte del proyecto desde el primer día:
Confidencialidad de la información
Trabajamos bajo acuerdo de confidencialidad y conforme al RGPD. Tus datos se emplean para tu modelo y para nada más: no alimentan sistemas de otros clientes ni de terceros.
Trazabilidad de las respuestas
El sistema indica en qué información se ha basado cada respuesta. Tu equipo puede comprobarla, corregirla y, cuando corresponda, justificarla ante un cliente o un auditor.
Validación previa a producción
El modelo se contrasta con un conjunto de casos reales acordado contigo y con un umbral de acierto definido de antemano. Solo entra en producción cuando lo supera.
Del caso de uso al modelo en producción
Antes de entrenar nada acordamos qué decisión concreta debe apoyar el modelo y cómo se medirá si acierta. Sin esa definición previa no hay forma de saber si el proyecto ha salido bien, y la mayoría de las iniciativas de IA que fracasan lo hacen exactamente por ahí.
Definición
Qué tarea resuelve el modelo, qué significa acertar en tu caso y qué coste tiene equivocarse.
Datos
Reunimos, depuramos y estructuramos tu información. Un modelo nunca supera la calidad de los datos con los que aprende.
Entrenamiento
Seleccionamos y ajustamos el modelo proporcionado al problema: ni más complejo ni más simple de lo que el caso requiere.
Validación
Contraste con casos reales, contigo, hasta alcanzar el umbral de precisión acordado antes de empezar.
Despliegue
Integración en tus herramientas, supervisión continua y reentrenamiento cuando tu realidad cambia.
Cuándo recomendamos no aplicar inteligencia artificial
La IA es una herramienta cara de construir y de mantener, y no siempre es la respuesta. Desaconsejamos su uso cuando el volumen de casos es demasiado bajo para que el modelo aprenda algo fiable, cuando la tarea admite una regla determinista —que será más barata, más rápida y siempre explicable— y cuando no existe una forma objetiva de comprobar si la respuesta es correcta. En esos supuestos proponemos una automatización convencional o, sencillamente, no proponemos nada.
Qué recibes en un proyecto de modelos de IA
Preguntas frecuentes sobre modelos de IA
¿Qué diferencia hay entre usar una IA genérica y un modelo entrenado con mis datos?
El acceso a la información. Ante una pregunta operativa —¿puedo servir este pedido esta semana?— un modelo genérico enumera las variables que habría que mirar y recomienda consultarlo con logística. Un modelo integrado consulta esas variables: comprueba el stock del almacén correspondiente, la siguiente salida de ruta y el estado de cobros del cliente, y devuelve una fecha concreta. La diferencia no la produce un modelo más potente, sino la arquitectura que se construye alrededor.
¿Mis datos se usan para entrenar modelos de otras empresas?
No. Trabajamos bajo acuerdo de confidencialidad y conforme al Reglamento General de Protección de Datos. La información de un cliente se emplea para su propio sistema y no sale del proyecto para el que fue cedida. Los accesos se conceden con el mínimo privilegio necesario y se retiran al cierre.
¿Cómo se comprueba que el modelo acierta?
Antes de entrenar nada se acuerda qué significa acertar y con qué umbral. El modelo se contrasta después con un conjunto de casos reales elegido contigo, y solo pasa a producción cuando lo supera. Además, el sistema indica en qué información se ha basado cada respuesta, de modo que tu equipo pueda verificarla y justificarla ante un cliente o un auditor.
¿Cuándo no conviene aplicar inteligencia artificial?
Cuando el volumen de casos es demasiado bajo para que el modelo aprenda algo fiable, cuando la tarea admite una regla determinista —más barata, más rápida y siempre explicable— y cuando no existe forma objetiva de comprobar si la respuesta es correcta. En esos supuestos proponemos una automatización convencional o no proponemos nada.
Antes de encargar, el orden de magnitud
Un modelo rara vez se entrega solo: hay que llevarle los datos y devolver su respuesta al sistema donde alguien la use, y ahí es donde se va buena parte del presupuesto. El índice de guías publica las horquillas del mercado español para automatizar un proceso y para construir software a medida, incluidos los casos en los que la recomendación es no hacerlo.
El ingrediente que ningún modelo genérico puede comprar ya lo tiene tu empresa: sus datos.
Descríbenos la tarea de criterio que más tiempo consume a tu equipo. Te diremos si un modelo puede resolverla, con qué información necesitaría contar, cómo comprobaríamos que acierta y qué inversión supone — o si conviene resolverla de otra manera.
Plantear un caso de uso →