Cómo trabajamos con Artificial Intelligence
Cada proyecto sigue una secuencia de seis fases diseñada para reducir riesgos, mostrar resultados tempranos y asegurar que la solución funcione en tu operación real, no solo en un entorno de pruebas.
Las seis fases de un proyecto
Desde la primera llamada hasta el modelo funcionando en producción, esto es lo que ocurre.
Diagnóstico y definición del problema
Dedicamos la primera semana a entender tu operación. Hacemos entrevistas con las personas que toman las decisiones que queremos mejorar: el jefe de planta, la directora comercial, el analista de riesgos. No hablamos solo con el área de tecnología.
El resultado de esta fase es un documento de alcance que describe con precisión qué pregunta responderá el modelo, qué datos necesitamos, qué métricas usaremos para medir el éxito y qué impacto financiero esperamos. Si al leer este documento decides que el proyecto no vale la pena, no hay costo adicional: la sesión de diagnóstico es gratuita para proyectos superiores a COP 15M.
Exploración y preparación de datos
Tu equipo nos da acceso a las fuentes de datos relevantes. Puede ser una base de datos SQL, archivos CSV exportados del ERP, hojas de cálculo compartidas o incluso registros en papel que digitalizamos.
Limpiamos registros duplicados, corregimos formatos inconsistentes y documentamos las variables disponibles. En esta fase descubrimos si los datos existentes son suficientes o si necesitamos incorporar fuentes externas (datos climáticos, indicadores económicos, información geográfica). Entregamos un informe de calidad de datos con recomendaciones concretas para mejorar la captura a futuro.
Desarrollo del prototipo
Construimos un primer modelo funcional en dos a tres semanas. Probamos varios algoritmos y seleccionamos el que mejor equilibra precisión, velocidad de inferencia y facilidad de mantenimiento.
No buscamos el modelo más complejo. Un gradient boosting bien calibrado suele superar a una red neuronal profunda cuando los datos son tabulares y el volumen es moderado. Te mostramos los resultados del prototipo con ejemplos reales de tu negocio: "este cliente habría sido clasificado como alto riesgo tres semanas antes de que dejara de pagar".
Validación con el equipo de negocio
Presentamos el prototipo a las personas que lo van a usar. No a los ingenieros: a quienes toman decisiones todos los días. Su retroalimentación determina si el modelo necesita ajustes en umbrales, variables o formato de salida.
Esta fase dura entre una y dos semanas. Hacemos pruebas A/B cuando es posible: un grupo usa el modelo y otro sigue con el proceso anterior. Comparamos resultados. Si la mejora no es significativa, revisamos el enfoque antes de avanzar.
Despliegue en producción
Empaquetamos el modelo como un servicio accesible por API o lo integramos directamente en tu sistema existente. Configuramos monitoreo automático para detectar degradación del rendimiento.
El despliegue incluye pruebas de carga, documentación de la API, alertas por correo cuando la precisión del modelo cae por debajo del umbral acordado y un runbook para que tu equipo de TI sepa cómo reiniciar o escalar el servicio si es necesario.
Soporte y re-entrenamiento
Los modelos de machine learning se degradan con el tiempo porque el mundo cambia. Un modelo de demanda entrenado antes de una temporada alta necesita actualizarse con los datos nuevos.
Ofrecemos planes de re-entrenamiento mensual o trimestral según la velocidad de cambio de tu negocio. Cada re-entrenamiento incluye un reporte comparativo que muestra cómo evolucionó la precisión y si las variables más importantes cambiaron. Esto te da visibilidad sobre qué factores están moviendo tus resultados.
Qué puedes esperar en cada fase
Cada fase termina con un entregable revisable. No pedimos que confíes ciegamente en el proceso: te mostramos resultados intermedios para que decidas si continuar, ajustar o detener.
Las reuniones de seguimiento son semanales y duran 45 minutos. Compartimos un tablero de Notion o Confluence donde queda registrado todo: decisiones, pendientes, riesgos identificados y próximos pasos. Tu equipo tiene acceso permanente.
Si en algún punto del proyecto detectamos que la solución de IA no es la mejor opción (por ejemplo, si el problema se resuelve con una regla de negocio simple o con una mejora en la captura de datos), te lo decimos. Preferimos perder un proyecto a entregar algo que no aporta valor.
Preguntas frecuentes sobre el proceso
Respuestas directas a lo que nos preguntan con más frecuencia antes de arrancar un proyecto.
Un proyecto puntual toma entre 6 y 12 semanas desde el diagnóstico hasta el despliegue en producción. La fase más variable es la preparación de datos: si tus datos están limpios y centralizados, avanzamos más rápido. Si están dispersos en múltiples sistemas o en formatos inconsistentes, necesitamos más tiempo en la fase 2.
No es requisito. Nos adaptamos a tu situación. Si tienes un equipo de datos, trabajamos junto a ellos y transferimos conocimiento. Si no lo tienes, nos encargamos de todo el desarrollo y te entregamos documentación para que un perfil técnico general pueda operar el sistema. Lo que sí necesitamos es acceso a alguien que conozca bien el negocio y pueda validar los resultados.
Lo detectamos en la fase 2 y te lo comunicamos con claridad. A veces la solución es complementar con datos externos. Otras veces es mejorar el proceso de captura durante unos meses antes de construir el modelo. No vamos a entrenar un modelo con datos pobres solo para cumplir un cronograma.
Sí. Desplegamos en AWS, Google Cloud y Azure. Si ya tienes infraestructura en alguna de estas plataformas, la usamos. Si no tienes nada, recomendamos la opción que mejor se ajuste a tu presupuesto y volumen de datos.
Firmamos un acuerdo de confidencialidad (NDA) antes de recibir cualquier dato. Trabajamos en entornos aislados con acceso restringido. Si lo prefieres, podemos trabajar directamente en tu infraestructura sin extraer datos. Al finalizar el proyecto, eliminamos todas las copias de datos que hayamos utilizado y te entregamos un certificado de destrucción.
Definimos métricas de éxito en la fase 1. Si al final de la fase 4 el modelo no alcanza esas métricas, revisamos el enfoque sin costo adicional. Si después de un segundo intento el resultado sigue sin ser satisfactorio, no cobramos la fase de despliegue. Nuestra estructura de pagos por fases protege a ambas partes.