Sistemas de IA y
machine learning aplicado

Cada revisión de negocio con un cliente se armaba a mano: extraer los datos, interpretarlos, decidir el mensaje, construir las gráficas y verificar cada cifra. El objetivo fue automatizar ese proceso completo sin perder calidad, y evitar los dos errores que más cuestan credibilidad: una cifra equivocada y una lámina que el cliente no entiende.

Un sistema donde 22 agentes de inteligencia artificial se reparten el trabajo por especialidad: unos consultan la base de datos, otros diagnostican el desempeño, definen la recomendación, eligen el tipo de gráfica y arman el archivo final. Agentes distintos, que no participaron en construirla, revisan la presentación terminada en busca de contradicciones. Antes de cualquier entrega corre un validador automático en Python sobre el archivo ya generado: si encuentra jerga interna, siglas sin explicar, comparaciones sin año o cifras ilegibles, bloquea la entrega.

Pronosticar ventas a partir de los datos tal como llegan en la realidad: una hoja de cálculo, un export del sistema o un PDF, sin exigir que nadie los prepare ni sepa de estadística para usarlos.

Un sistema de 10 agentes donde cada uno tiene una función: leer el archivo, detectar qué columna es la venta y cuál la fecha, evaluar si la historia alcanza para pronosticar, y correr cuatro modelos de pronóstico en paralelo (SARIMAX, Prophet, XGBoost y Random Forest) que compiten entre sí sobre datos que ninguno vio durante el entrenamiento. Gana el de menor error, y un agente final traduce el resultado a una recomendación escrita en lenguaje de negocio.

"Invertimos en descuentos y publicidad y la venta subió" no demuestra nada: la inversión coincide con la estacionalidad y con las tiendas que ya venían creciendo. El objetivo fue medir cuánta venta trajo realmente cada tipo de inversión, en qué punto deja de rendir cada peso adicional, y cómo repartir mejor el mismo presupuesto.

Un modelo econométrico sobre la historia semanal de cada tienda que separa el efecto de la inversión del efecto del tamaño de la tienda, la tendencia y la temporada. Incorpora dos comportamientos reales del marketing: la inversión de una semana sigue trabajando las siguientes, y todo canal se satura. Reporta cada efecto con su rango de confianza, y el resultado pasa por seis validaciones automáticas; si alguna falla, el modelo no se publica.

Las herramientas de análisis automático siguen preguntando qué variable predecir y qué tipo de problema es, exactamente lo que una persona de negocio no sabe contestar. El objetivo fue que el usuario solo suba su archivo y reciba el análisis, sin configurar nada.

Una plataforma web completa (interfaz en React, motor en Python) que recibe cualquier archivo CSV, deduce el tipo de cada columna, identifica qué conviene predecir y elige la técnica correcta entre clasificación, regresión, agrupación de casos similares o pronóstico en el tiempo. Entrena varios modelos, compara su desempeño, y entrega gráficas y recomendaciones escritas en español, con los grupos detectados descritos por sus características en lugar de numerados.

Un ranking de tiendas por retorno publicitario no dice qué hacer: dos tiendas con el mismo retorno pueden necesitar acciones opuestas, porque a una le falta exposición y la otra recibe visitas de sobra pero no las convierte en pedidos. El objetivo fue pasar del ranking a grupos de tiendas con un diagnóstico accionable cada uno.

Un dashboard que recibe los reportes de campañas publicitarias tal como los exporta la plataforma, calcula las métricas de retorno y agrupa las tiendas por comportamiento con K-Means, validando estadísticamente cuántos grupos existen de verdad. Cada grupo se describe por lo que lo distingue ("mucho tráfico, conversión débil") en lugar de un número de cluster. El sistema no depende de los nombres de columna del reporte: los reconoce por alias, así que sigue funcionando cuando la plataforma cambia su plantilla.

En un restaurante, calcular la compra de insumos a mano cada semana consume horas y produce errores en las dos direcciones: comprar de más desperdicia, comprar de menos deja de vender. El objetivo fue convertir el reporte semanal de ventas en una orden de compra precisa, de forma automática.

Un sistema que cruza cada producto vendido contra su receta para calcular los ingredientes exactos, convierte unidades (la receta pide gramos, el proveedor vende cajas de 5 kilos) y arma la orden de compra final en Excel o PDF. Un módulo de inteligencia artificial sugiere ajustes por temporada, pero solo sugiere: el cálculo es aritmética verificable y ningún ajuste se aplica sin confirmación del usuario. Todo producto vendido que no tiene receta registrada se reporta como alerta visible.

Los servicios de transcripción de reuniones envían el audio a sus servidores, y en conversaciones comerciales con clientes esa es una decisión de confidencialidad que nadie en la sala aprobó. El objetivo fue tener transcripción y minuta automáticas con el audio procesado íntegramente en la propia computadora.

Una aplicación de macOS que transcribe en vivo con Whisper corriendo localmente. Captura el micrófono y el audio de la reunión por canales separados, para distinguir lo dicho por cada lado sin adivinar. Un detector de voz identifica cuándo se habla y recorta frases completas, conservando una fracción de segundo previa para que ninguna palabra llegue cortada. Al terminar genera la minuta: resumen, acuerdos, pendientes y borrador de correo de seguimiento.

Automatizar la búsqueda de vacantes y la adaptación del CV a cada una, con una restricción central: el sistema no puede inventar nada. Un modelo al que se le pide adaptar un CV tiende a exagerar (un título de puesto que suena mejor, una cifra que nadie midió), y en un proceso de reclutamiento eso se descubre y descalifica.

Una tubería que busca vacantes en varias fuentes a la vez, descarta las ya vistas y califica qué tan bien empata cada una con el perfil real. El generador de CV adapta el orden y el énfasis hacia cada vacante, pero sus reglas de honestidad son código, no instrucciones al modelo: el título del puesto no se puede alterar, una habilidad que no se tiene jamás se agrega, y el archivo se verifica antes de emitirse (incluyendo que un sistema de reclutamiento pueda leer su texto correctamente). Si algo falla, el generador elimina su propio archivo en lugar de entregarlo.