Este es el recorrido típico de un proyecto. Según la complejidad, puede durar entre seis semanas y cinco meses.
1
Auditoría y diagnóstico
Empezamos con una reunión de dos horas, presencial o por videollamada, en la que escuchamos qué problema quieres resolver. No necesitas saber nada de inteligencia artificial para esta conversación: lo que nos interesa es entender tu operativa, tus datos disponibles y el resultado que esperas.
Después revisamos tus fuentes de datos. Comprobamos la calidad, el volumen y la frecuencia de actualización. Si los datos no están listos, te decimos exactamente qué hay que corregir antes de empezar. En algunos casos hemos recomendado a clientes que esperasen tres meses para acumular datos suficientes antes de invertir en un modelo. Preferimos ser honestos a cobrar por algo que no va a funcionar.
Esta fase dura entre tres y cinco días laborables. Al final entregamos un informe de viabilidad con una estimación de coste, plazo y las métricas que usaremos para medir el éxito del proyecto.
2
Diseño de la solución
Con el diagnóstico aprobado, nuestro equipo técnico define la arquitectura. Elegimos los algoritmos, las herramientas de procesamiento de datos y la infraestructura de despliegue. No hay una receta única: un modelo de clasificación de imágenes para control de calidad no tiene nada que ver con un sistema de recomendación para una tienda online.
Documentamos cada decisión en un documento de diseño técnico que compartimos contigo. Si tu equipo tiene perfiles técnicos, lo revisamos juntos. Si no, lo explicamos en una sesión de 45 minutos donde traducimos las decisiones a lenguaje de negocio: qué va a hacer el sistema, qué datos necesita consumir y dónde se va a integrar.
3
Desarrollo y entrenamiento
Aquí es donde se construye el modelo. Limpiamos y transformamos los datos, seleccionamos las variables relevantes, entrenamos distintas versiones del modelo y comparamos su rendimiento. Usamos notebooks compartidos para que puedas ver el progreso si quieres, aunque no es obligatorio.
Hacemos reuniones de seguimiento cada semana. Son breves, de unos 20 minutos, y sirven para mostrar avances, resolver dudas y ajustar prioridades si el negocio lo requiere. En un proyecto reciente de predicción de abandono de clientes para una empresa de suscripciones, el equipo de marketing pidió incluir una variable nueva a mitad de desarrollo. La incorporamos en la siguiente iteración sin retrasar la entrega.
4
Validación con datos reales
Antes de poner nada en producción, probamos el modelo con datos que no ha visto durante el entrenamiento. Medimos la precisión, el recall, la tasa de falsos positivos y cualquier métrica específica que hayamos acordado en la fase de diagnóstico.
Si los resultados no alcanzan el umbral pactado, volvemos a la fase anterior. No cobramos esa iteración adicional. Si después de dos rondas extra el modelo sigue sin cumplir, te devolvemos el importe de las fases de desarrollo y validación. Esto ha ocurrido una vez en 37 proyectos entregados, y el cliente apreció la transparencia.
5
Despliegue en producción
Integramos el modelo en tu entorno real. Puede ser una API que tu aplicación consulta, un módulo dentro de tu ERP o un servicio que se ejecuta en la nube bajo tu cuenta. Configuramos alertas automáticas que nos avisan si el rendimiento cae por debajo de cierto nivel.
El despliegue incluye tests automatizados y un plan de rollback por si algo falla en las primeras horas. Nunca sustituimos un proceso manual de golpe: empezamos con un periodo de funcionamiento en paralelo donde el modelo genera sus predicciones y un operador humano las revisa antes de actuar sobre ellas.
6
Monitorización y mejora continua
Los modelos de inteligencia artificial no son software estático. Los datos cambian con el tiempo y el rendimiento puede degradarse. Durante los tres meses posteriores al despliegue, monitorizamos las métricas clave y reentrenamos el modelo si detectamos una caída.
Después de ese periodo inicial, ofrecemos contratos de mantenimiento trimestrales. Incluyen reentrenamiento programado, revisión de nuevas fuentes de datos y un informe mensual con las métricas de rendimiento del modelo. Aproximadamente el 70 % de nuestros clientes contratan el mantenimiento continuo.
