IA aplicada: lo que hemos aprendido usándola en productos y clientes reales
Sin humo: cómo usamos la IA en nuestros propios SaaS, qué construimos para clientes (incluidos agentes con avatar en tiempo real) y las seis lecciones que nos habría gustado saber antes.
Llevamos usando modelos de lenguaje desde que dejaron de ser un juguete: en nuestro flujo de desarrollo, dentro de nuestros productos y en proyectos de clientes. Este post no va de futurología. Va de lo que funciona, lo que no, y lo que nos habría gustado saber antes de empezar.
Dónde la usamos nosotros
En nuestros propios SaaS. Nuestros productos llevan IA donde acorta trabajo real: revisión y extracción de datos de documentos (un gasto fotografiado se convierte en un apunte contable con sus campos rellenos), explicaciones en lenguaje claro de resultados técnicos, y recomendaciones que priorizan qué arreglar primero. Ninguna de estas funciones se anuncia como "magia". Se anuncian como lo que son: minutos ahorrados cada día.
En proyectos de clientes. El caso más vistoso: agentes con avatar que hablan en tiempo real. Un asistente con cara y voz que atiende a los usuarios de un cliente, entrenado con un system prompt propio (personalidad, límites, tono de la marca) y conectado por RAG al conocimiento de la empresa, de forma que responde con los datos del negocio y no con generalidades de internet. Le dedicamos un artículo entero, porque la arquitectura tiene miga.
En cómo trabajamos. Los asistentes de código forman parte de nuestro día a día desde el principio. No sustituyen el criterio: lo amplifican. La revisión sigue siendo humana.
Las seis lecciones
1. Empieza por un proceso medible, no por "queremos IA"
Los proyectos que salen bien empiezan con una frase del tipo "revisar cada factura nos cuesta 4 minutos y entran 300 al mes". Los que salen mal empiezan con "queremos un chatbot". Si no puedes medir el antes, no podrás demostrar el después.
2. RAG casi siempre gana a reentrenar
Para que un modelo responda con el conocimiento de tu empresa no necesitas entrenarlo con tus datos. Necesitas recuperación: indexar tus documentos y pasarle al modelo los fragmentos relevantes en cada pregunta. Es más barato, se actualiza al instante (subes un documento nuevo y ya está) y puedes auditar qué fuentes usó cada respuesta.
3. El system prompt es un producto, no una frase
La diferencia entre un asistente que representa a tu marca y uno que inventa políticas de devolución está en un system prompt trabajado: qué sabe, qué no debe hacer, cómo habla, cuándo deriva a un humano. El nuestro pasa por versiones, pruebas y regresiones, como cualquier otra pieza de software.
4. Deja al humano dentro del circuito
En todo lo que toca dinero, clientes o decisiones legales, la IA propone y una persona dispone. Un borrador de respuesta que un agente humano aprueba en dos segundos captura casi todo el valor con una fracción del riesgo.
5. Presupuesta coste y latencia desde el día uno
Un modelo grande en cada petición puede arruinar los márgenes de una función. Casi siempre hay una arquitectura escalonada mejor: modelos pequeños para clasificar y encaminar, el modelo grande solo cuando hace falta. Y en tiempo real (voz, avatares), la latencia manda sobre todo lo demás.
6. Evalúa antes de lanzar, no después del disgusto
Un conjunto de preguntas de prueba con respuestas esperadas, ejecutado en cada cambio de prompt o de modelo, detecta las regresiones antes que tus usuarios. Es aburrido y es lo que separa un asistente fiable de una anécdota en Twitter.
Por dónde empezar en tu empresa
Elige un proceso que duela (repetitivo, medible, frecuente), móntale la versión más pequeña que pueda funcionar, con humano en el circuito, y mide dos semanas. Si los números salen, amplía. Si no, has perdido poco.
Si prefieres recorrer ese camino acompañado, es exactamente lo que hacemos en consultoría: identificar dónde la IA aporta valor real a tu negocio y construir la integración, desde la automatización de un proceso hasta un agente con avatar hablando con tus clientes.