Cómo estructurar un proyecto de inteligencia artificial en tu empresa

La pregunta útil no es "qué puedo hacer con inteligencia artificial", sino "qué trabajo repetitivo me está costando horas de gente capaz". La primera termina en una herramienta que nadie usa a los tres meses; la segunda, en un proceso que costaba cuatro horas y ahora cuesta una. Haber probado ChatGPT ayuda a ver qué es posible, pero no es el proyecto: un asistente propio responde desde tus documentos y tus criterios, citando la fuente.

Los procesos que califican se repiten, siguen un criterio que alguien ya domina y producen un resultado revisable. Redactar informes recurrentes con la misma estructura cada semana. Responder las mismas veinte preguntas de clientes por WhatsApp y correo. Extraer datos de facturas o formularios para pasarlos al sistema. Consultar manuales, normativa o procedimientos que hoy viven dispersos en carpetas y en la cabeza de quien lleva años.

Empieza por uno solo. Abrir cinco frentes a la vez para "ver qué funciona" te deja cinco procesos a medias y la sensación de que la IA no sirve para tu negocio. Antes de llamar a nadie, ponle número al problema: cuántas personas lo hacen y cuántas horas a la semana se van en eso.

Tres cosas son indispensables. La primera es acceso real a quien hoy hace bien ese trabajo. No al gerente que lo supervisa: a la persona que sabe por qué un informe queda mal, qué excepciones existen y qué se revisa dos veces. Ese criterio es lo que el asistente debe aprender y no está escrito en ninguna parte. Si esa persona no tiene horas disponibles en las próximas semanas, el proyecto todavía no puede empezar.

La segunda es la documentación, aunque esté desordenada: manuales viejos, formatos en Excel, correos con instrucciones, normativa, informes anteriores. No hace falta ordenarla antes: parte del trabajo inicial es justamente organizarla.

La tercera es una forma de saber si el resultado es correcto, y eso significa casos ya aprobados: veinte o treinta informes o respuestas que tu empresa da por buenos. Sin esa referencia no puedes afirmar que el asistente funciona, solo opinar que suena bien. Lo que no necesitas es una decisión técnica tomada: el modelo, la nube y las integraciones son parte del levantamiento, igual que en cualquier proyecto de software.

Son cuatro pasos y no cambian según el sector; es el mismo orden con el que construimos asistentes de IA a la medida. Primero, levantamiento del criterio experto: documentamos con quien hace el trabajo a mano qué distingue una respuesta correcta de una equivocada. Sin este paso el asistente produce texto plausible pero equivocado, y revisarlo cuesta más que hacerlo de cero.

Segundo, ingesta de tu documentación, para que el asistente responda desde tus documentos y no desde el conocimiento general del modelo. Tercero, prueba contra casos reales: comparamos las salidas con trabajo que tu equipo ya aprobó y ajustamos hasta que un revisor no distinga la diferencia. Cuarto, despliegue y capacitación, en web, tablet o móvil según cómo trabaje tu gente.

Una referencia razonable para la primera versión funcional que ya ahorre tiempo real es de seis a diez semanas. Lo que más hace variar ese rango no es la parte técnica, sino qué tan ordenada está tu información y cuánto tiempo puede dedicar tu equipo a explicarnos cómo se hace hoy el trabajo bien hecho.

Firmamos acuerdo de confidencialidad antes de acceder a cualquier documento tuyo: es el primer papel del proyecto, no el último. El trabajo se hace sobre planes empresariales de API de proveedores como Anthropic y OpenAI, donde la información enviada no se usa para entrenar sus modelos.

Tú decides dónde viven los datos: desplegamos en la infraestructura AWS de GeekCorp o en la cuenta de tu propia empresa, si tu política interna lo exige. El código y la documentación quedan a nombre de tu empresa. Además, estos sistemas pueden equivocarse, así que los diseñamos para que citen la fuente de cada afirmación, respondan "no encontré respaldo en la documentación" en lugar de inventar, y mantengan revisión humana antes de que una salida llegue al cliente. Si estás comparando opciones, revisa cómo elegir un proveedor de IA confiable.

Si el proceso cambia cada semana, no lo hagas todavía. Un asistente aprende un criterio, y si el criterio se reescribe cada lunes pagarás por mantenerlo actualizado más de lo que ahorras.

Si no hay documentación ni criterio claro, tampoco. Cuando dos personas del equipo responden distinto a la misma pregunta y nadie sabe cuál tiene razón, el problema se resuelve definiendo el criterio, y eso te toca a ti.

Si lo que quieres es una demostración para una junta, dilo desde el principio: un piloto para impresionar y una operación que ahorra horas se construyen distinto. Y si un producto de mercado ya resuelve tu caso, te lo decimos: cobrar por construir algo que se compra hecho no nos sirve a ninguno de los dos.

El problema era de tiempo mal repartido: el asesor visita una planta, levanta observaciones técnicas valiosas y dedica el resto del día a convertirlas en un informe formal. Cada aliado exige además su propio formato, y el criterio varía según quién redacte.

Estamos construyendo un asistente que genera lineamientos de puesto de trabajo e informes técnicos a partir de las observaciones del asesor, con perfiles aislados por aliado (cada corredor con su documentación y sus reglas, sin acceso cruzado) y con trazabilidad: cada criterio cita su fuente, para que quien firma pueda verificarlo.

El proyecto está en desarrollo y no publicamos métricas de resultado, porque todavía no las hemos medido; el alcance está en soluciones para ingeniería de riesgos y seguros. Otro proyecto de IA en desarrollo es el sistema de visión por computadora que construimos con Coopel para detección temprana de plagas en cultivos, con modelos entrenados en Python y TensorFlow. No tenemos decenas de proyectos de IA en producción, y preferimos decirlo.