Inteligencia artificial y chatbots para empresas
Clasificar, resumir, extraer, repartir: ahí la IA quita trabajo de verdad. Cuando la decisión pesa, prepara el trabajo y decide la persona: es una decisión de producto, no un límite técnico.
Normalmente empieza así
- Trescientos emails que alguien tiene que leer y repartir
- Las mismas preguntas, todos los días, de las mismas personas
- Documentos de los que hay que extraer a mano siempre los mismos campos
- Información que existe, pero que nadie consigue encontrar
«Poner IA» no es un objetivo. Un modelo vale algo cuando le quita un trabajo concreto a una persona concreta: si no se puede decir cuál, el proyecto es un anuncio, no una herramienta.
Inteligencia artificial y chatbots: qué incluye
Chatbots y asistentes sobre tus datos
Un asistente que responde a partir de los documentos y los datos del negocio, no del conocimiento genérico de internet. Con la posibilidad de decir «no lo sé», que es la función más infravalorada de todas.
Bases de conocimiento consultables
Manuales, procedimientos, históricos, tarifas: reunidos en un sitio donde se pueden preguntar con palabras, en vez de saber de antemano en qué carpeta buscar.
Clasificación y reparto
Solicitudes, emails y documentos leídos, etiquetados y llevados donde tienen que ir. Es el punto en el que la IA ahorra horas sin que nadie tenga que cambiar su forma de trabajar.
Extracción desde documentos
De los PDF y los adjuntos a los campos de un sistema: números, fechas, referencias. Con un paso de revisión donde el dato equivocado saldría caro.
Agentes con herramientas y aprobación
Un modelo que puede usar herramientas reales —buscar, escribir, actualizar— dentro de límites explícitos, y que se detiene a pedir confirmación antes de las acciones que pesan.
El sistema, no solo la pantalla
Primero la tarea, después el modelo
Se parte del trabajo que hay que quitar y se elige después qué lo hace: a veces es un modelo, muchas veces basta una regla. Elegir el modelo primero es la forma más rápida de construir una demo que nunca llega a producción.
El contexto es la mitad del resultado
Un modelo sin los datos del negocio responde bien y en el vacío. El trabajo de verdad es casi siempre preparar el contexto: qué documentos, qué datos, actualizados cómo y por quién.
Donde la decisión pesa, decide una persona
La IA prepara: propone la respuesta, redacta el borrador, marca los puntos dudosos. Quien tiene la responsabilidad confirma. Las acciones irreversibles no salen nunca solas.
Se mide, no se espera
Antes de ponerlo en manos de todos se mira sobre casos reales cuántas veces funciona y cómo se equivoca cuando se equivoca. Un asistente que se equivoca de forma previsible es utilizable; uno que se equivoca por sorpresa no.
Dónde hace falta de verdad
Las herramientas que uso más a menudo en este tipo de proyectos. No son afiliaciones: son decisiones que se revisan cuando el proyecto pide otra cosa.
- OpenAI
- Anthropic
- Node.js
- PostgreSQL
- Supabase
- Next.js
¿Nuestros datos acaban dentro del modelo?
Depende del proveedor elegido y de cómo se configure: qué datos puede ver, qué se queda en tus sistemas y qué se envía se deciden antes de construir, no después. Es una decisión de proyecto que se pone por escrito juntos, y te la explico de forma comprensible antes de empezar.
¿Qué pasa cuando la IA no sabe responder?
Tiene que decirlo y pasar el testigo. Un asistente bien construido distingue entre lo que encuentra en los datos y lo que no está, y cuando no está lleva la solicitud a una persona en vez de inventarse una respuesta plausible.
¿Hace falta IA o basta una automatización?
Si la tarea tiene reglas que se pueden escribir, una automatización es más barata, más rápida y más previsible: la uso. La IA hace falta donde el texto es libre, el formato cambia o la variabilidad es demasiado alta para describirla con reglas.
Cuéntame el caso: te contesto con qué construiría y cómo.
Creemos un proyecto