El juguete brillante
El proyecto de IA que deslumbra en la demo y muere en el cajón tiene nombre y tiene antídoto. Un test de tres señales para distinguir la herramienta del capricho.
Lo que vamos descubriendo construyendo IA en producción con nuestros clientes.
El proyecto de IA que deslumbra en la demo y muere en el cajón tiene nombre y tiene antídoto. Un test de tres señales para distinguir la herramienta del capricho.
Un mismo asistente responde a varias empresas y ninguna puede ver a la otra. Las cuatro capas que lo garantizan, una lección sobre los permisos y el rediseño que borró la clase entera de fallos.
Vendemos agentes de IA y no nos gusta cómo los construye casi todo el mundo. Las reglas de negocio no pueden vivir en el prompt, tienen que vivir en el código.
El mercado entero vende ingeniería de instrucciones. Nuestra experiencia en producción dice que se gana más ordenando los datos que puliendo el prompt.
Un cero no es una respuesta neutra, es una alarma sin clasificar. Las tres causas de un «no hay datos» y por qué la tercera es la más traicionera.
Los proyectos de IA geniales se estrenan bien y mueren pronto. Los rentables son fáciles de empezar y fáciles de mantener. La diferencia se decide antes de escribir código.
Documentar cómo se reconoce un fallo desde fuera rinde más que documentar cómo se arregló. Tres firmas reales de un asistente de IA en producción.
Un segundo modelo que desconfía por diseño, una memoria deliberadamente corta y la métrica que delata al asistente que responde de memoria.
Un asistente conversacional depende de sistemas que fallan. El disyuntor que protege al usuario y las tres lecciones que nos dio mantenerlo en producción.
La productividad es la métrica cómoda de la IA, siempre sale bien y no compromete a nada. Nosotros preferimos la incómoda, qué ganancia concreta movió el sistema.
Cuando un asistente de IA no puede responder, hay dos causas de naturaleza distinta. Confundirlas es el error clásico que hincha la documentación sin arreglar nada.
Una alucinación es una respuesta bien redactada y falsa. Los cuatro mecanismos con los que nuestros sistemas las acorralan en producción, con sus números y sus cicatrices.
El patrón text-to-SQL promete que el modelo escriba consultas. Nosotros lo construimos para Savian con la decisión contraria. Esa decisión es la que lo hace seguro.
Qué cambia cuando el OCR se combina con un modelo de lenguaje, cómo se ve en un caso real con facturas de suministros y por qué la validación es el verdadero producto.
Decenas de mensajes de WhatsApp al día, cinco a diez minutos por consulta y un equipo desbordado. Lo que hace exactamente el agente que filtra solicitudes para una agencia de Barcelona.