IA para empresas: inteligencia artificial que opera

Llevo la IA a los procesos reales de una empresa, por contrato: los datos que hacen falta, las herramientas que la gente ya usa, agentes donde sí caben y las pruebas que dicen si funciona. Es para empresas de México y de Estados Unidos que quieren IA en la operación diaria y no otro piloto.

La IA para empresas es el trabajo de meter los modelos de lenguaje, y los sistemas que los rodean, en los procesos que una empresa ya opera: sus datos, sus herramientas internas, sus canales de atención y sus revisiones. Una empresa la necesita cuando su gente ya usa IA por su cuenta, cada quien a su manera, y nadie puede decir qué lee, qué puede cambiar ni si sus respuestas son correctas.

Qué construyo

  • El proceso, por escrito. Cómo llega el trabajo, quién decide, qué evidencia queda y qué cuenta como terminado.
  • Plataformas de datos. Pipelines que juntan registros dispersos en una sola base, con un modelo que la gente puede consultar y los tableros que van encima.
  • IA dentro de las herramientas internas. Asistentes y llamadas a modelos puestos en los sistemas que la gente abre todos los días, en lugar de una ventana más.
  • Agentes, donde sí caben. Para trabajo con muchas variaciones que termina en una acción dentro de un sistema, con una lista clara de lo que el agente puede hacer.
  • Evaluación. Casos escritos como código, comprobaciones que no dependen de un modelo y una compuerta que detiene la versión que empeoró.
  • Integración y operación. Permisos, secretos, tiempos límite, colas para el trabajo largo y un registro que explica qué pasó.

Por dónde entra la IA a una empresa

La IA entra a una empresa por cuatro puertas, y cada una trae una pregunta distinta:

  • Herramientas para empleados. Asistentes para escribir, programar y buscar. La pregunta es qué datos les pega la gente.
  • Una llamada a un modelo dentro de una aplicación. Clasificar un mensaje, sacar los campos de un documento, redactar una respuesta. La pregunta es qué pasa cuando el resultado sale mal.
  • Decisiones internas. Análisis sobre los datos de la empresa. La pregunta es si cada cifra se puede rastrear hasta su origen.
  • Sistemas de cara al cliente. Respuestas y acciones frente a un cliente. La pregunta es qué no puede decir ni hacer el sistema, nunca.

Empiezo por la puerta donde un error sale barato y se nota, casi siempre trabajo repetitivo con reglas claras, y avanzo hacia las caras cuando ya existen las pruebas y los registros. Tampoco hace falta el modelo más grande en cada paso: uno rápido y barato lee y ordena, y uno más fuerte escribe el resultado final con ese resumen.

Cómo se trabaja

  1. Describir un proceso. Leo cómo se hace hoy el trabajo y lo escribo con quienes lo hacen: entradas, decisiones, excepciones y evidencia.
  2. Volver legible el estado. Registros, tickets, documentos y decisiones quedan donde los puede leer una persona y también un programa. Un sistema que tiene que adivinar el estado del trabajo lo va a adivinar.
  3. Nombrar los riesgos y poner los límites. Para cada uso: qué datos lee, qué puede cambiar, dónde viven las llaves y qué sale de la empresa.
  4. Construir la pieza útil más chica. Un pipeline, una herramienta o un agente acotado, con datos reales y con los casos que dicen qué es correcto.
  5. Compuerta, salida y ampliación. Los casos corren antes de cada versión. La pieza empieza con una parte del trabajo y gana autonomía conforme el registro muestra que aguanta.

La autonomía es el último paso, no el primero. En el equipo donde aprendí este orden, los agentes pedían supervisión constante hasta que el proceso a su alrededor quedó explícito.

Qué recibes

El proceso por escrito, el código en tus repositorios, los pipelines y las herramientas en tu cuenta de nube, los casos con el harness que los corre y notas para quienes lo van a operar. El conocimiento de cómo se opera el sistema se queda en el sistema, donde lo leen las personas y los agentes.

Qué no incluye

No parto de un modelo o de un proveedor para luego buscarle uso, y no entrego un documento de estrategia sin algo funcionando al final. No prometo que la IA sustituya a un departamento. Si la respuesta honesta es que un procedimiento claro y una tabla limpia resuelven el problema, eso es lo que te digo.

Dónde está la evidencia

Dos casos públicos respaldan esta página. Para un grupo de educación superior que atiende a más de 700,000 estudiantes construí el harness de evaluación y las compuertas que deciden si un cambio a sus agentes en producción puede salir. Para una empresa de la industria de administración de garantías construí el pipeline que pasó sus registros de MongoDB a PostgreSQL y el tablero con el que sus equipos siguen contratos, reclamaciones y desempeño de distribuidores. Cada caso dice qué demuestra y qué no.

Trabajo y evidencia

Evaluation gates for a multi-agent education system (se abre en una pestaña nueva)

Mi contribución: Construcción del harness de evaluación, calibración del juez LLM, aislamiento de casos y controles por ambiente.

Qué respalda: El caso público describe casos de referencia como código, un juez LLM calibrado y el harness de evaluación que los ejecuta, sobre agentes en Google Cloud.

Qué no demuestra: La cifra de más de 700,000 estudiantes describe la población atendida por el sistema. No mide usuarios simultáneos, solicitudes por segundo ni autoría individual de toda la plataforma. El código y los datos del cliente son privados.

Fuente revisada:

Enterprise analytics platform (se abre en una pestaña nueva)

Mi contribución: Trabajo en la migración desde MongoDB, el modelo de datos y la aplicación analítica descritos en el caso.

Qué respalda: Experiencia integrando datos corporativos y construyendo su capa de aplicación.

Qué no demuestra: Los volúmenes y tiempos reportados son afirmaciones del caso; no constituyen una prueba de carga de agentes.

Fuente revisada:

Preguntas frecuentes

¿Por dónde empieza una empresa a usar inteligencia artificial?

Por un proceso que la gente ya opera y puede describir: cómo llega el trabajo, quién decide y qué es un resultado correcto. La IA puesta sobre un proceso confuso copia su ambigüedad. Muchas veces el primer entregable es el proceso por escrito y los datos que necesita, y el modelo viene después.

¿Es seguro usar modelos de lenguaje con los datos de la empresa?

Puede serlo, cuando cada riesgo tiene nombre y tiene un control. Los primeros que reviso son la inyección de prompts, la fuga de datos y el exceso de confianza en texto generado. En la práctica eso significa cuentas con permisos limitados, secretos guardados en un gestor de secretos, datos personales filtrados antes de exportar cualquier cosa y un registro de cada acción.

¿Necesitamos agentes de IA o basta con algo más sencillo?

Muchas veces basta con algo más sencillo. Un pipeline de datos, un tablero o una sola llamada a un modelo dentro de una herramienta que la gente ya usa resuelven muchos casos, y cuesta menos probarlos y operarlos. Un agente tiene sentido cuando el trabajo tiene muchas variaciones y termina en acciones en varios sistemas.

¿Trabajas en remoto con empresas de México y de Estados Unidos?

Sí. Trabajo desde Monterrey, en español y en inglés, con equipos de los dos países. Tomo proyectos por contrato y puestos senior de tiempo completo, y el trabajo queda en tus repositorios y en tu cuenta de nube.

¿Conviene contratar a un consultor de IA o a un ingeniero para llevar la IA a la empresa?

Depende de lo que falte. Si la pregunta abierta es qué construir, un consejo alcanza por un tiempo. Si la empresa ya sabe qué proceso quiere mejorar, necesita a alguien que construya, pruebe y opere el sistema. Soy ingeniero, tomo trabajo por contrato y hago las dos cosas, en ese orden.

Preguntas relacionadas

Por ciudad

Disponible para puestos senior de ingeniería de IA y proyectos por contrato, en remoto para Estados Unidos, México y Latinoamérica.