1.0 · Diagnóstico
Encontrar el caso correcto.
Revisamos procesos, fricciones, información disponible y restricciones. Priorizamos oportunidades por utilidad, viabilidad y riesgo. Resultado: una oportunidad concreta y un alcance claro.
Consultoría independiente · IA aplicada
IA útil para problemas reales.
Estrategia, prototipado e implantación para convertir una necesidad concreta en un sistema que tu equipo pueda usar de verdad.
Entrada 01Entender
Criterio 02Diseñar
Prueba 03Construir
Señal 04Medir
Problema → decisión → sistema
Una posición clara
La tecnología es el medio. El cambio útil es el objetivo.
No todas las tareas necesitan IA y no todos los prototipos deben convertirse en producto. Empezamos por el problema, los datos disponibles y las personas que usarán la solución. Así podemos decidir con criterio qué construir, qué integrar y qué descartar.
Cómo trabajo
Un proceso corto, visible y orientado a decisiones.
2.0 · Prototipo
Probar antes de escalar.
Construimos una versión acotada para validar el flujo, la calidad de las respuestas y la experiencia de uso con ejemplos reales. Resultado: evidencia para decidir si merece avanzar.
3.0 · Implantación
Integrar sin crear otra isla.
Conectamos la solución con las herramientas y rutinas existentes, documentamos el uso y definimos controles adecuados. Resultado: una herramienta que encaja en el trabajo diario.
4.0 · Mejora
Medir, aprender, ajustar.
Observamos qué funciona, dónde falla y cuánto esfuerzo ahorra. Mejoramos con datos de uso, no con promesas. Resultado: una hoja de ruta basada en aprendizaje real.
Capacidades
¿En qué podemos trabajar?
El punto de partida puede ser una idea, un proceso demasiado manual o una herramienta de IA que todavía no aporta el resultado esperado.
- Automatización de tareas y flujos internos
- Asistentes y copilotos para equipos
- Búsqueda y consulta sobre documentación
- Prototipos de productos con IA
- Evaluación de herramientas y proveedores
- Adopción responsable dentro del equipo
Portafolio
Sistemas que convierten datos en decisiones.
Proyectos de IA aplicada explicados desde el problema operativo hasta la solución entregada.
Caso 01 · inteligencia operativa
Análisis inteligente de incidencias con IA
NEXA
Una solución que transforma grandes volúmenes de tickets de soporte en patrones, problemas recurrentes y recomendaciones accionables.
Entregables
Informes PDF
Datos para Power BI
Datos para Power BI
El sistema
De miles de tickets a problemas que se pueden gestionar.
NEXA procesa exportaciones de plataformas de gestión de servicios, limpia y normaliza la información y clasifica los tickets por área de negocio, cliente y contexto técnico.
Mediante embeddings multilingües y clustering con HDBSCAN, agrupa incidencias semánticamente similares sin definir previamente las categorías. Después, un modelo de lenguaje ejecutado localmente analiza cada grupo y genera un informe estructurado con evidencias, impacto, posibles causas y recomendaciones.
El análisis también destaca incidencias abiertas durante más de 72 horas o con un esfuerzo de resolución elevado, preparando los resultados tanto para informes PDF como para su explotación en Power BI.
Funcionalidades principales
Un flujo completo, desde la limpieza hasta el informe.
- Procesamiento y normalización automática de tickets.
- Clasificación por IT, WiFi y servicios audiovisuales.
- Detección de problemas recurrentes mediante clustering semántico.
- Embeddings multilingües sobre títulos, descripciones y resoluciones.
- Separación por cliente, ubicación y tipología técnica.
- Filtrado de agrupaciones mediante métricas de pureza.
- Identificación de incidencias por tiempo abierto y esfuerzo empleado.
- Análisis y recomendaciones mediante un LLM local.
- Generación automática de informes PDF.
- Exportación de datos estructurados para Power BI.
Caso 02 · acceso al conocimiento
Knowledge Access Platform
KAP
Plataforma multitenant para operadores de soporte IT: una pregunta en lenguaje natural se convierte en una respuesta correcta, trazable y acompañada de su fuente.
Mi rol
Núcleo del RAG
Seguridad del corpus
Seguridad del corpus
Una entrada. Dos rutas. Una respuesta verificable.
Conocimiento documental
RAG documental
Localiza evidencia, construye una respuesta y valida cada cita.
Datos exactos
SQL determinista
Consulta el sistema de datos sin permitir que la IA invente valores.
El router elige el canal antes de generar la respuesta.
La plataforma
La respuesta correcta, con evidencia.
Un router híbrido de reglas y LLM tool-calling decide qué canal debe responder. Para conocimiento documental utiliza búsqueda híbrida semántica y léxica, citas verificadas y abstención cuando no existe evidencia. Para inventario y otros valores exactos utiliza un canal determinista Excel→SQL: la IA nunca genera el dato.
La misma base de código sirve a varios servicios y decenas de clientes finales. La separación de datos no es una capa posterior, sino un requisito de primer orden en la recuperación, la base de datos y la validación de cada respuesta.
Responsabilidad técnica
Del documento sin tratar a una cita validada.
Mi trabajo se centró en el núcleo del RAG: ingesta y normalización de Word, PDF, PPTX, Excel y texto a Markdown; chunking estructural y clasificación fail-closed; índice híbrido con pgvector HNSW y BM25 adaptado a códigos técnicos; recuperación con fusión RRF, umbrales de evidencia y variantes evaluables.
También desarrollé la generación con citas validadas y la seguridad del contenido: detección de secretos y PII, redacción por fragmento, cuarentena de originales en object storage y OCR de seguridad sobre imágenes incrustadas.
Rasgos distintivos
Seguridad y calidad comprobables.
- Aislamiento por diseño Tres candados independientes: filtro duro pre-búsqueda, Row-Level Security de PostgreSQL respetada por BM25 y validación de citas. Cifrado con pg_tde y URLs firmadas de vida corta para los artefactos.
- Seguridad del corpus real Ningún documento llega al índice sin un escáner fail-closed. Los secretos y la PII se redactan por fragmento sin perder el procedimiento útil.
- Decisiones basadas en datos Golden set y harness de evaluación desde el día cero: recall sobre corpus real, preguntas-trampa donde procede abstenerse y promoción de variantes por métrica.
- Ingeniería mantenible Monorepo de cinco paquetes Python más API y workers, aproximadamente 1.600 tests, 35 migraciones versionadas y CI/CD con Trivy y despliegue pinado por SHA.
Sin letra pequeña
Preguntas antes de empezar.
¿Necesito tener una idea bien definida?
No. Podemos empezar por un proceso que da problemas, una tarea repetitiva o una duda sobre dónde tendría sentido aplicar IA. El diagnóstico sirve precisamente para convertirlo en un caso concreto.
¿Trabajas con una herramienta concreta?
La tecnología se elige después de entender el caso. La recomendación puede incluir herramientas existentes, una integración a medida o, si es lo más sensato, no usar IA.
¿Cuánto dura un proyecto?
Depende del alcance y de las integraciones necesarias. Tras una primera conversación recibirás una propuesta con fases, entregables y calendario antes de empezar.
¿Qué necesitas para valorar mi caso?
Un resumen del problema, quién lo vive, cómo se resuelve hoy y qué resultado sería útil. No hace falta preparar documentación extensa para la primera conversación.
Empecemos por una conversación concreta.
Cuéntame qué quieres mejorar y te responderé para valorar si la IA es una buena herramienta para ese caso.
Escribir a Gonzalo