Preguntas frecuentes sobre Artificial Intelligence
Respondemos las dudas más comunes que recibimos de empresas que evalúan implementar soluciones de inteligencia artificial por primera vez.
Sobre el proceso y los costos
Depende del alcance. Un piloto de análisis predictivo con un solo modelo y un dataset limpio parte desde 8 millones de pesos colombianos (aproximadamente 2.000 USD). Proyectos que incluyen limpieza de datos, múltiples modelos y una integración profunda con sistemas ERP o CRM pueden costar entre 25 y 60 millones de pesos. Antes de firmar cualquier acuerdo, entregamos un presupuesto detallado por fase con horas estimadas.
El promedio es de siete semanas desde la primera reunión hasta el despliegue en producción. Ese plazo incluye exploración de datos (una semana), entrenamiento y validación del modelo (dos a tres semanas), integración con los sistemas del cliente (una a dos semanas) y una fase de pruebas en entorno real (una semana). Proyectos con múltiples fuentes de datos o requisitos regulatorios especiales pueden extenderse a 10 o 14 semanas.
No. De hecho, la mayoría de nuestros clientes llegan con datos dispersos en hojas de cálculo, bases SQL sin documentar y archivos PDF. Parte de nuestro trabajo inicial es hacer un diagnóstico del estado de los datos: qué hay, dónde está, qué calidad tiene y qué falta. Si necesitamos limpiar o estructurar la información antes de entrenar un modelo, lo incluimos como una fase del proyecto con su propio cronograma y presupuesto.
Ofrecemos un contrato de soporte que incluye monitoreo continuo del rendimiento del modelo. Configuramos alertas automáticas que nos avisan si la precisión cae por debajo del umbral acordado. En ese caso, reentrenamos el modelo con datos más recientes. Durante los primeros seis meses, el reentrenamiento está incluido en el precio del proyecto original. Después de ese periodo, el soporte se cobra por separado con una tarifa mensual fija.
No. Hemos trabajado con empresas desde 15 empleados hasta más de 1.200. Lo que importa no es el tamaño de la empresa sino que exista un problema concreto que se pueda abordar con datos. Una pyme de logística con 20 camiones puede beneficiarse tanto de un modelo de optimización de rutas como una multinacional con una flota de 500 vehículos. El alcance y el costo del proyecto se ajustan al volumen de datos y a la complejidad del problema.
Python es nuestro lenguaje principal. Usamos scikit-learn, XGBoost y LightGBM para modelos tabulares; PyTorch y Hugging Face Transformers para modelos de lenguaje; y Apache Airflow para orquestación de pipelines. Los modelos se despliegan en contenedores Docker sobre Kubernetes, generalmente en AWS o GCP según la infraestructura existente del cliente. Si tu empresa ya tiene un proveedor de nube, nos adaptamos a él.
Sí. Firmamos un acuerdo de confidencialidad (NDA) antes de recibir cualquier dato. Toda la información se transfiere con cifrado TLS y se almacena en entornos aislados dentro de la nube del cliente o en nuestra infraestructura con cifrado en reposo (AES-256). Al finalizar el proyecto, eliminamos todas las copias de los datos del cliente de nuestros servidores y entregamos un certificado de destrucción.
Ofrecemos un diagnóstico inicial gratuito de dos horas donde revisamos una muestra de tus datos y te explicamos qué tipo de modelo podríamos construir, con qué precisión estimada y en cuánto tiempo. Ese diagnóstico no tiene ningún compromiso. Si decides avanzar, lo que aprendimos en esa sesión se incorpora directamente a la primera fase del proyecto, así que no se pierde tiempo repitiendo el análisis.
Conceptos clave que conviene entender
Si es la primera vez que tu empresa explora soluciones de IA, estos conceptos te ayudarán a tener conversaciones más productivas con cualquier proveedor, incluidos nosotros.
Modelo vs. producto
Un modelo de machine learning es un componente técnico: recibe datos y produce una predicción. Un producto de IA incluye el modelo, la interfaz para que los usuarios lo consulten, la integración con los sistemas existentes y el monitoreo para saber si sigue funcionando bien. Nosotros entregamos productos, no solo modelos.
Precisión vs. utilidad
Un modelo con 95 % de precisión no siempre es mejor que uno con 85 %. Depende del costo de los errores. En detección de fraude, un falso negativo (dejar pasar una transacción fraudulenta) es mucho más costoso que un falso positivo (bloquear una transacción legítima). Elegimos las métricas de evaluación en función del impacto real de cada tipo de error en tu negocio.
Reentrenamiento
Los datos cambian con el tiempo. Un modelo entrenado con datos de 2023 puede perder precisión en 2025 si los patrones del negocio han cambiado. Por eso incluimos un plan de reentrenamiento periódico en todos nuestros proyectos, con frecuencia mensual o trimestral según el caso.