Una selección de sistemas de IA en producción que hemos diseñado, entregado y seguimos operando. Nombres omitidos cuando los contratos lo exigen, cifras verificadas cuando no.
Reemplazamos el control de calidad manual en una línea automotriz con una arquitectura neuronal de vanguardia funcionando en GPUs comerciales. Productividad aumentada 3 veces, tasa de defectos reducida en un 41%.
1,800 SKUs en 220 tiendas. Un modelo jerárquico reconciliado con modelado de impulso promocional, implementado en 14 semanas.
Monitorización en tiempo real de la voz de la marca en canales sociales, de reseñas y de soporte al cliente. Alerta temprana de crisis dirigida directamente a las operaciones de RR.PP.
Ontología curada de 180k conceptos clínicos que impulsa un asistente de triaje explicable. Redujo el tiempo promedio de admisión en un 38%.
Cada cifra de esta página es una que defenderíamos ante un comité directivo. Eso parece obvio; no lo es. El caso de estudio estándar del sector reporta el incremento titular contra una línea base cuidadosamente elegida para que la mejora parezca máxima — el peor mes del año pasado, el rival basado en reglas más débil, una métrica que solo el modelo mejora. Nosotros no escribimos esas. Cada métrica aquí fue acordada con el equipo de analítica del cliente antes de comenzar, recalculada sobre datos de holdout que el modelo nunca había visto, y rastreada durante el despliegue y el primer trimestre completo de operación. Cuando una cifra decepcionó, o bien arreglamos el modelo o bien la historia de éxito no se escribió.
Esta postura tiene consecuencias. Significa que a veces los proyectos se entregan sin un caso publicable porque la mejora, aunque real, no estaba a la altura del portafolio. Significa que nuestros casos de estudio son una fracción de lo que hemos entregado, no un catálogo exhaustivo. Y significa que los casos que sí aparecen son inusualmente conservadores — muchos clientes nos han pedido revisar la cifra titular al alza con el resultado de producción real, una vez se asentó el polvo. Nos negamos. La cifra que importaba era la estimada antes del despliegue; la cifra mayor que apareció después es un extra, no la afirmación.
Un caso de estudio solo es útil si sus cifras son fiables. Cada cifra de esta página sigue el mismo protocolo de evidencia en cuatro pasos, acordado con el equipo analítico del cliente antes de entrenar ningún modelo.
Registramos el rendimiento actual del proceso — defectos no detectados, error de previsión, horas de analista — durante un periodo representativo, para medir la mejora frente a la realidad.
La precisión se mide sobre un conjunto de prueba separado en el tiempo y bloqueado antes del entrenamiento. Ningún ajuste ni selección de variables lo toca.
Los modelos funcionan en silencio junto al proceso existente durante semanas. Solo se cambia cuando los responsables del cliente lo aprueban.
Las cifras publicadas se reconfirman tras un trimestre completo en producción: un modelo que se degrada después del lanzamiento no es un éxito.
Trae la compleja realidad. Prototiparemos un modelo en semanas, no en trimestres.
