FAQ - Artificial Intelligence

No hay un precio único. Un proyecto de análisis predictivo con datos estructurados y un solo modelo parte de aproximadamente 8 millones de pesos colombianos. Un chatbot con integración a un CRM como HubSpot o Salesforce puede costar entre 15 y 35 millones, dependiendo de la cantidad de flujos conversacionales y de si necesita conectarse a bases de datos externas.

Los proyectos más complejos, como un sistema de visión por computador para control de calidad en una planta de manufactura, pueden superar los 50 millones. Siempre entregamos un presupuesto detallado por fases antes de firmar contrato, y no pedimos más del 30 % como anticipo.

No es obligatorio. Nos adaptamos a lo que tengas. Si cuentas con desarrolladores, trabajamos junto a ellos: compartimos repositorios, hacemos revisiones de código conjuntas y documentamos todo para que puedan mantener el sistema después de la entrega.

Si no tienes equipo técnico, nos encargamos del desarrollo completo. Al final del proyecto incluimos sesiones de capacitación para la persona o personas que vayan a operar la solución. También ofrecemos contratos de soporte mensual por si necesitas ajustes o reentrenamiento del modelo más adelante.

Un chatbot básico con cinco o seis flujos conversacionales tarda entre cuatro y seis semanas. Un modelo predictivo que requiere limpieza de datos, ingeniería de features, entrenamiento y validación suele tomar de ocho a doce semanas.

Proyectos que involucran integración con sistemas internos como SAP, Oracle o sistemas legacy pueden extenderse a tres o cinco meses. La fase más variable es la de preparación de datos: si tus datos están limpios y bien estructurados, todo va más rápido. Si hay que unificar fuentes dispersas o corregir inconsistencias históricas, esa etapa puede duplicarse.

Antes de empezar cualquier proyecto definimos métricas de éxito concretas. Por ejemplo: «el modelo debe predecir correctamente al menos el 85 % de los casos de abandono de clientes en el conjunto de validación». Si al final de la fase de desarrollo no alcanzamos esa métrica, tenemos dos opciones según lo que hayamos acordado en el contrato.

La primera es una iteración adicional sin costo, donde revisamos la arquitectura del modelo, probamos otros algoritmos o incorporamos nuevas variables. La segunda, si después de la iteración el resultado sigue por debajo del umbral, es un reembolso parcial proporcional a las fases no completadas satisfactoriamente. Esto lo dejamos por escrito desde el día uno.

Sí. Firmamos un acuerdo de confidencialidad (NDA) antes de recibir cualquier dato. Los entornos de desarrollo están aislados por cliente: usamos contenedores Docker independientes y almacenamiento cifrado. No mezclamos datos entre proyectos.

Cuando el proyecto termina, eliminamos los datos de nuestros servidores en un plazo de 30 días, salvo que acuerdes lo contrario para fines de soporte continuo. Si trabajamos en la nube, usamos regiones de AWS o Google Cloud en Latinoamérica para cumplir con la Ley 1581 de 2012 sobre protección de datos personales en Colombia.

Sí, aunque con una condición: necesitamos que la empresa tenga datos suficientes para que un modelo de IA tenga sentido. Una tienda en línea con 50 ventas al mes probablemente no tiene suficiente volumen para un sistema de recomendación robusto. Una con 2.000 ventas mensuales, sí.

En la consulta inicial evaluamos si el volumen y la calidad de tus datos justifican la inversión. Si no es el caso, te lo decimos y sugerimos alternativas más económicas, como reglas de negocio automatizadas o dashboards de analítica descriptiva.

Siempre. Trabajamos en sprints de dos semanas. Al final de cada sprint hacemos una demo donde mostramos lo que construimos, los resultados parciales del modelo y los próximos pasos. Usamos Notion para documentar el progreso y Slack o Teams para comunicación diaria.

Si algo no te convence durante una demo, lo ajustamos en el siguiente sprint. Preferimos corregir el rumbo temprano a entregar un producto final que no te sirve.

Depende del proyecto. Para machine learning clásico usamos Python con scikit-learn, XGBoost y LightGBM. Para deep learning, PyTorch y TensorFlow. Los chatbots los construimos con Rasa o con la API de OpenAI, según las necesidades de personalización y privacidad del cliente.

Para procesamiento de lenguaje natural en español usamos spaCy con modelos entrenados en corpus hispanohablantes, y Hugging Face Transformers para tareas que requieren modelos más grandes. La infraestructura de datos la montamos con PostgreSQL, Apache Airflow para orquestación y Docker para despliegue. No estamos casados con ninguna herramienta: elegimos la que mejor resuelve el problema.