Cómo implementamos Artificial Intelligence
Cada proyecto sigue cinco fases claras. Te explicamos qué ocurre en cada una, cuánto tiempo lleva y qué necesitamos de tu equipo para avanzar.
Las cinco fases de un proyecto
No todos los proyectos pasan por las cinco fases con la misma intensidad. Un piloto rápido puede comprimir diagnóstico y diseño en una sola semana. Un despliegue a gran escala necesita meses de iteración. Lo que no cambiamos nunca es el orden: sin un diagnóstico honesto, el resto se construye sobre suposiciones.
Diagnóstico y auditoría de datos
Un ingeniero de datos y un consultor de negocio visitan tu empresa (o se conectan remotamente si estás fuera de Cali). Revisamos las fuentes de datos disponibles: bases de datos SQL, hojas de cálculo, archivos PDF, registros de sensores IoT o lo que tengas. Medimos volumen, frecuencia de actualización, campos faltantes y posibles sesgos.
Al final de esta fase entregamos un informe de viabilidad de entre ocho y quince páginas. El documento incluye un mapa de datos, una lista de riesgos técnicos y una estimación realista de qué resultados puede dar un modelo de IA con esos datos. Si concluimos que la IA no es la mejor herramienta para tu problema, te lo decimos y sugerimos alternativas. Ha pasado tres veces en los últimos dos años.
Diseño de la solución
Seleccionamos la arquitectura del modelo: ¿red neuronal recurrente para series temporales? ¿Modelo de clasificación basado en árboles de decisión? ¿Un modelo de lenguaje grande ajustado con tus documentos internos? La elección depende del volumen de datos, la frecuencia de predicción y el presupuesto de infraestructura.
También definimos cómo se integrará el modelo con tus sistemas existentes. Si usas SAP, Odoo, un ERP propio o simplemente Google Sheets, diseñamos conectores específicos. Dibujamos diagramas de flujo de datos que tu equipo de TI puede revisar y cuestionar antes de que escribamos una sola línea de código.
Entregamos un documento de diseño técnico y un cronograma con hitos medibles. Cada hito tiene un criterio de aceptación: por ejemplo, "el modelo clasifica correctamente al menos el 88 % de las facturas en el conjunto de prueba".
Desarrollo y entrenamiento
Aquí es donde el equipo técnico pasa la mayor parte del tiempo. Limpiamos y transformamos los datos, entrenamos versiones sucesivas del modelo y evaluamos su rendimiento con métricas concretas: precisión, recall, F1-score, error absoluto medio, según el tipo de problema.
Trabajamos en sprints de dos semanas. Al final de cada sprint, hacemos una demostración con datos reales para que veas cómo avanza el modelo. Si los resultados no cumplen el criterio de aceptación, ajustamos hiperparámetros, probamos otra arquitectura o pedimos datos adicionales.
Un ejemplo reciente: para una empresa de logística en Barranquilla, entrenamos un modelo de optimización de rutas. Las dos primeras versiones no mejoraban significativamente la planificación manual. En la tercera iteración, incorporamos datos de tráfico en tiempo real de la API de Waze y el modelo logró reducir los tiempos de entrega un 14 %.
Despliegue en producción
Publicamos el modelo en un entorno de producción, que puede ser un servidor en la nube (AWS, Google Cloud o Azure) o en tus propios servidores si tus políticas de seguridad lo exigen. Configuramos pipelines de datos automatizados para que el modelo reciba información nueva sin intervención manual.
Durante la primera semana en producción, ejecutamos el modelo en paralelo con el proceso anterior. Tu equipo sigue trabajando como siempre mientras comparamos las predicciones del modelo con los resultados reales. Solo cuando ambos coinciden dentro del margen acordado, desactivamos el proceso manual.
Monitoreo y reentrenamiento
Los modelos de IA no son software estático. Los datos cambian, el mercado cambia, tu negocio cambia. Monitoreamos el rendimiento del modelo con dashboards que tu equipo puede consultar en cualquier momento. Si detectamos una caída en la precisión por encima del umbral pactado, reentrenamos el modelo con datos recientes.
Ofrecemos contratos de soporte mensual o trimestral. El contrato incluye hasta dos reentrenamientos por trimestre, resolución de incidentes en menos de cuatro horas hábiles y una reunión mensual de seguimiento con métricas de rendimiento.
Por qué trabajamos así
Muchas empresas llegan a nosotros después de una mala experiencia con otro proveedor. La queja más frecuente: "Nos entregaron un modelo que funcionaba en la demo pero no en la realidad". Eso pasa cuando se salta el diagnóstico o se entrena con datos sintéticos en lugar de datos reales del cliente.
Nuestra fase de diagnóstico existe precisamente para evitar eso. Preferimos invertir dos semanas al principio que descubrir a los tres meses que los datos no sirven. Es más barato para ti y más honesto por nuestra parte.
El despliegue en paralelo también es deliberado. Un modelo de IA que toma decisiones equivocadas puede costar dinero real. Por eso lo ejecutamos junto al proceso existente hasta confirmar que funciona bien con datos de producción, no solo con datos históricos.
Y el soporte continuo no es un upsell: es una necesidad técnica. Un modelo de predicción de demanda entrenado con datos de 2023 no va a funcionar igual en 2025 si cambian los patrones de consumo. El reentrenamiento periódico mantiene la precisión dentro de niveles útiles.
