Preguntas frecuentes sobre Artificial Intelligence

Aquí respondemos las dudas que nos plantean con más frecuencia antes de iniciar un proyecto. Si no encuentra lo que busca, escríbanos directamente.

Sobre nuestros servicios

  • Depende del objetivo. Para modelos predictivos necesitamos al menos 6 meses de datos históricos en formato tabular: archivos CSV, bases de datos SQL o incluso hojas de cálculo bien estructuradas. Si los datos están dispersos en varios sistemas, parte del diagnóstico inicial consiste en mapear esas fuentes y proponer un pipeline de unificación.

    Para proyectos de automatización de documentos (facturas, contratos, actas) basta con una muestra de 50 a 100 documentos representativos. Los usamos para entrenar y validar el modelo de extracción antes de procesarlos en lote.

  • El diagnóstico inicial toma 2 semanas. Incluye entrevistas con su equipo, revisión de las fuentes de datos y un documento de recomendaciones con alcance, cronograma estimado y presupuesto.

    La implementación posterior varía entre 4 y 12 semanas. Un modelo predictivo sencillo con datos limpios puede estar en producción en 6 semanas. Un sistema de automatización que se integra con su ERP, su correo y un portal web puede tomar 3 meses completos. Le damos fechas concretas al final del diagnóstico, no antes.

  • El diagnóstico inicial tiene un costo fijo de 3.200.000 COP. Los proyectos de implementación se cotizan por alcance, no por hora. El rango habitual está entre 12 y 45 millones de pesos colombianos, dependiendo de la cantidad de integraciones, el volumen de datos y la complejidad del modelo.

    Si después de la implementación necesita soporte continuo (reentrenamiento de modelos, ajuste de umbrales, nuevas funciones), ofrecemos contratos mensuales desde 2.800.000 COP. Seis de nuestros clientes actuales tienen este tipo de contrato.

  • No necesariamente. Hemos trabajado con empresas que no tienen ni un solo desarrollador en nómina. En esos casos, nosotros nos encargamos de toda la infraestructura y entregamos el sistema funcionando con una interfaz que cualquier persona puede usar.

    Ahora bien, si usted tiene un equipo de tecnología, mejor. Podemos transferirles el conocimiento para que ellos mismos mantengan y evolucionen el sistema después de la entrega. Eso reduce los costos de soporte a largo plazo.

  • Firmamos un acuerdo de confidencialidad antes de recibir cualquier dato. Todo el procesamiento ocurre en la infraestructura que usted elija: puede ser su propio servidor, una nube privada o un ambiente que nosotros configuremos en AWS o Google Cloud con región en São Paulo, que es la más cercana a Colombia.

    Los datos nunca se usan para entrenar modelos de otros clientes. Cuando el proyecto termina, eliminamos todas las copias que tengamos y le enviamos un certificado de destrucción. Esto está incluido en el contrato estándar.

  • No. La mayoría de nuestros clientes tienen entre 30 y 500 empleados. Empresas de ese tamaño suelen tener suficientes datos para que un modelo sea útil, pero no tanto presupuesto como para contratar un equipo interno de ciencia de datos. Ahí es donde entramos nosotros.

    Hemos trabajado también con dos organizaciones sin ánimo de lucro y con una cooperativa agrícola del Eje Cafetero. El tamaño importa menos que la calidad de los datos y la disposición del equipo a usar las herramientas que construimos.

Preguntas técnicas

  • Python es nuestro lenguaje principal. Para modelos de machine learning usamos scikit-learn y XGBoost; para redes neuronales, PyTorch. La transformación de datos la hacemos con dbt y pandas. Las interfaces web las construimos con FastAPI en el backend y React o HTML simple en el frontend, según la complejidad.

    Si su empresa ya usa herramientas específicas (Power BI, Tableau, Databricks), nos integramos con ellas en lugar de reemplazarlas. No tiene sentido obligar a un equipo a aprender una plataforma nueva si la que ya tienen funciona bien para visualización.

  • Sí, pero con matices. Los modelos de lenguaje grande son útiles para tareas como clasificar correos, resumir documentos o generar borradores de respuestas. Los conectamos a sus sistemas internos mediante APIs, con controles de acceso y registros de auditoría.

    Lo que no hacemos es venderle un chatbot genérico y decirle que es Artificial Intelligence. Cada integración pasa por pruebas con datos reales de su empresa, y medimos la tasa de acierto antes de ponerla en producción. Si el modelo no alcanza un 85 % de precisión en la tarea específica, ajustamos o proponemos una alternativa.

  • Definimos métricas concretas al inicio del proyecto. Para un modelo predictivo de demanda, por ejemplo, medimos el error absoluto medio (MAE) comparado con el método que el cliente usaba antes (hoja de cálculo, intuición, promedio histórico). Para automatización, medimos el porcentaje de documentos procesados correctamente sin intervención humana.

    Entregamos un informe mensual durante los primeros 3 meses de operación. Si las métricas no mejoran respecto a la línea base, ajustamos el modelo sin costo adicional dentro de ese período.

  • Sí. Tenemos dos formatos. El primero es un taller intensivo de 16 horas (4 sesiones de 4 horas) orientado a analistas de datos que quieren aprender a construir modelos predictivos con Python. El segundo es un programa de 40 horas para equipos de ingeniería que necesitan poner modelos en producción: incluye MLOps, monitoreo de drift y pipelines de reentrenamiento.

    Los talleres presenciales se dictan en nuestra oficina de Medellín. Los virtuales funcionan por videoconferencia con grupos de máximo 8 personas para que todos puedan hacer preguntas y recibir retroalimentación sobre su código.

¿Tiene otra pregunta?

Escríbanos y le respondemos en menos de 24 horas hábiles. La primera conversación de 30 minutos es sin costo.

Ir al formulario de contacto