Cuatro pasos, un bucle
-
Primera conversación gratuita. Entendemos el problema real, no el problema declarado. Identificamos dónde vive el valor (un flujo de trabajo específico), dónde vive el riesgo (técnico, organizativo, de adopción), y enmarcamos la primera hipótesis de solución.
Output del scoping: una propuesta escrita breve con problema, hipótesis, output esperado, precio, timeline. Sin presentación de 40 slides.
-
Construimos un prototipo funcional, no un mockup. En dos a cuatro semanas el sistema ejecuta la tarea de extremo a extremo sobre un dataset real del cliente (bajo NDA). El prototipo responde a tres preguntas:
- ¿El modelo entiende el dominio?
- ¿Funciona el flujo de extremo a extremo?
- ¿Los usuarios reales lo aceptarían?
Si las respuestas son no, paramos aquí. Es mucho más barato descubrirlo ahora que tras seis meses.
-
Sobre un prototipo que ya ha funcionado, construimos el sistema de producción. Significa: código testado, observabilidad estructurada, evaluación continuada, gestión explícita de errores, documentación, integración con los sistemas que ya usáis.
Esta fase dura típicamente dos a cuatro meses. Es la parte donde la "demo que funciona" se convierte en "sistema que se puede mantener".
-
El sistema en producción genera datos. Esos datos nos dicen si funciona, dónde falla, dónde tiene que mejorar. Iteramos en ciclos cortos sobre evidencia, no sobre opiniones.
El bucle se cierra aquí — measure → refine vuelve a research y build sobre nuevas iteraciones o sistemas adyacentes.
Qué rechazamos
- Demos que nunca vivirán en producción. Son una mala forma de gastar vuestro presupuesto y nuestro tiempo.
- Reventa de herramientas. No revendemos licencias de software, ni tenemos partnerships comerciales con vendors de IA. Nuestro incentivo es construir sistemas que funcionen, no venderos otra cosa.
- Scope creep. Si durante un proyecto emerge otro problema, lo hablamos abiertamente como proyecto separado. Nada de “ya que estamos aquí”.
Preguntas frecuentes
-
¿Por qué siempre empezáis con un prototipo en lugar de ir directos a producción?
Porque en IA aplicada la viabilidad técnica y el valor de negocio no son obvios a priori. Un prototipo cuesta una fracción del sistema de producción y responde a las preguntas importantes: ¿el modelo entiende realmente el dominio? ¿Funciona el flujo de extremo a extremo? ¿Lo aceptarían los usuarios? Ir directos a producción sin esas respuestas es la forma más cara de descubrirlas. -
¿Qué significa 'flujo medible'?
Un flujo es medible cuando podemos definir un número — tiempo ahorrado, exactitud, throughput, coste por tarea — y rastrearlo antes y después de la introducción del sistema de IA. Sin medibilidad no tenemos forma de saber si el sistema está funcionando, y no podemos mejorarlo. Es lo primero que abordamos en el scoping. -
¿Construís soluciones a medida o reutilizáis frameworks existentes?
Reutilizamos agresivamente. La parte 'a medida' de un sistema de IA bien aplicado es el prompt engineering, el retrieval, la evaluación, y la integración con los sistemas del cliente. El resto — orquestación, observabilidad, despliegue — usa herramientas open-source maduras cuando es posible (LangGraph, Graphiti, OpenTelemetry). Construir frameworks desde cero casi siempre es la respuesta equivocada. -
¿Qué pasa después del lanzamiento?
Los sistemas de IA en producción requieren mantenimiento activo: los modelos cambian, los datos cambian, los edge cases solo aparecen tras semanas de uso real. Ofrecemos retainers mensuales ligeros para evolución y operaciones, o handoff estructurado con documentación y formación si el cliente tiene equipo interno. Decidimos juntos qué tiene sentido.