Preguntas frecuentes sobre Artificial Intelligence

La mayoría de nuestros proyectos duran entre 8 y 16 semanas. Los factores que más influyen son la calidad de los datos de partida y la complejidad de la integración con tus sistemas existentes. Un modelo de predicción de demanda con datos limpios puede estar en producción en 8 semanas. Un sistema de visión por computador que necesita etiquetado manual de miles de imágenes puede requerir 14 o 16.

La fase de descubrimiento inicial, donde analizamos tus datos y definimos el alcance, dura entre 5 y 10 días laborables. Esa fase no tiene coste si decides no continuar.

Depende del problema. Para un modelo de forecasting necesitamos históricos de ventas o demanda de al menos 18 meses, idealmente con granularidad diaria. Para un sistema de clasificación de imágenes hacen falta entre 500 y 5.000 imágenes etiquetadas por categoría, según la variabilidad visual del producto.

Si tus datos están dispersos en varias fuentes o en formatos distintos, nuestro equipo de ingeniería de datos se encarga de la limpieza y consolidación. Es una fase habitual y la incluimos en el presupuesto del proyecto.

Los proyectos de análisis predictivo suelen situarse entre 12.000 y 45.000 euros, dependiendo del volumen de datos y la cantidad de modelos necesarios. Los sistemas de automatización con integración en ERP o CRM parten de 20.000 euros. Un chatbot con acceso a base de datos interna ronda los 15.000 a 30.000 euros.

Trabajamos con presupuesto cerrado: el precio que acordamos al inicio es el precio final, salvo que el cliente solicite cambios de alcance durante el proyecto.

No es imprescindible, pero ayuda. Si tienes al menos un perfil técnico (un desarrollador o un analista de datos), le formamos para que pueda supervisar el sistema, interpretar los resultados y hacer ajustes menores. Si no dispones de ese perfil, ofrecemos un servicio de mantenimiento mensual que cubre monitorización, reentrenamiento periódico del modelo y soporte técnico por correo y teléfono.

Antes de construir nada, definimos una métrica de éxito concreta con el cliente. Por ejemplo: "reducir el error de predicción de stock por debajo del 8 %" o "clasificar correctamente el 95 % de las piezas defectuosas". Si el modelo no alcanza esa métrica en la fase de validación, iteramos sin coste adicional hasta dos ciclos de mejora. Si tras esos ciclos seguimos por debajo del objetivo, el cliente puede cancelar el proyecto y solo paga la fase de descubrimiento.

Ofrecemos dos opciones. La primera es despliegue en la nube, usando servidores ubicados en la Unión Europea (normalmente en las regiones de Fráncfort o Ámsterdam de los principales proveedores cloud). La segunda es despliegue on-premise, en los servidores propios del cliente. Esta opción es habitual en sectores regulados como banca o sanidad, donde los datos no pueden salir de la infraestructura interna.

Firmamos un acuerdo de confidencialidad (NDA) antes de recibir cualquier dato. Todos los datos se transfieren por canales cifrados (TLS 1.3) y se almacenan en entornos con acceso restringido. Al finalizar el proyecto, eliminamos todas las copias de los datos del cliente de nuestros sistemas y proporcionamos un certificado de destrucción si se solicita.

Nuestro equipo trabaja con anonimización y seudonimización siempre que el problema lo permite, de forma que los datos reales solo se usan cuando es estrictamente necesario para el entrenamiento del modelo.

Dependiendo del caso, usamos ambos. Para tareas de procesamiento de lenguaje natural solemos partir de modelos de código abierto como variantes de la familia BERT o Llama, que luego ajustamos con los datos del cliente. Para visión por computador trabajamos con arquitecturas como YOLO o EfficientNet. En algunos proyectos de generación de texto o imagen puede tener sentido usar APIs de modelos propietarios, pero siempre lo discutimos con el cliente antes porque implica una dependencia externa y un coste recurrente por uso.

Sí. Seguimos las directrices del AI Act de la Unión Europea y clasificamos cada proyecto según su nivel de riesgo. Para los sistemas de alto riesgo (por ejemplo, los que afectan a decisiones crediticias o sanitarias) documentamos la trazabilidad del modelo, realizamos auditorías de sesgo y mantenemos registros de las decisiones automatizadas. Asesoramos al cliente sobre las obligaciones que le corresponden como operador del sistema.