Diagnóstico del proceso, no de la tecnología
Qué conviene resolver con un LLM, qué con reglas más simples y baratas, y qué dejar humano.
SERVICIO
Desarrollo con IA Generativa y Agentes
Desarrollo con IA generativa y LLM aplicados a procesos reales: extracción de documentos, búsqueda sobre tu conocimiento, copilotos y agentes que ejecutan. Con evaluación medible, no demos.
IA generativa aplicada a un proceso, no a una demo
Un modelo de lenguaje no resuelve nada por sí solo: resuelve cuando se conecta a tus datos, se le ponen límites y se mide si su salida es correcta. Construimos eso — extracción de documentos, búsqueda sobre tu propio conocimiento, copilotos dentro de tu producto y agentes que ejecutan procesos completos — con la misma cadencia de release semanal que el resto de lo que hacemos.
-
Extracción y estructuración de documentos
Facturas, contratos y órdenes convertidos en datos que tu sistema puede usar.
-
Búsqueda y respuesta sobre tu conocimiento
Respuestas con tus manuales y políticas, citando la fuente en vez de inventar.
-
Clasificación y enrutamiento automático
Tickets, correos y solicitudes leídos, categorizados y derivados al dueño correcto.
-
Copilotos dentro de tu producto
Búsqueda semántica y asistentes embebidos en el software que tu empresa vende.
-
Agentes que ejecutan procesos
Cuando no basta con responder y hay que dejar el trabajo hecho en tus sistemas.
-
Integración con tu ERP y tus APIs
Sobre Defontana, Manager, SAP Business One o tu desarrollo actual, sin tocar el core.
QUÉ INCLUYE
Nuestras soluciones de Desarrollo con IA Generativa y Agentes.
Piloto sobre un caso medible
Partimos por un proceso acotado con número asociado. Si no lo mueve, se descarta.
Evaluación de la salida
Un set de casos con respuesta conocida que corre en cada release. Sin eso, no hay proyecto.
Límites y autorizaciones explícitas
Qué ejecuta solo, qué requiere aprobación humana y dónde se detiene. Definido antes de construir.
Trazabilidad de cada salida
Qué dato usó y de dónde salió. Auditable, no una caja negra.
Sin amarre a un proveedor de modelo
La arquitectura permite cambiar de modelo sin rehacer el sistema.
Qué se puede hacer hoy con IA generativa en una empresa
La IA generativa —los modelos de lenguaje o LLM entre ellos— sirve para una cosa que el software tradicional no sabía hacer: trabajar con información que no viene estructurada. Un sistema clásico necesita que el dato llegue en un campo; un LLM lee un correo, un PDF escaneado o una conversación y saca de ahí lo que el proceso necesita.
Eso desplaza el foco de donde suele ponerse. Los casos que devuelven la inversión con más claridad no son los conversacionales, son los de lectura y estructuración — los que hoy hace una persona transcribiendo a mano. Estos son los cinco que más pedimos ver funcionando:
Extracción y estructuración de documentos. Facturas, contratos, órdenes de compra, guías: el modelo lee el documento y devuelve datos que tu sistema puede procesar. Es el caso donde el retorno se mide sin discusión, porque se compara contra horas de digitación.
Búsqueda y respuesta sobre tu propio conocimiento. Manuales, contratos, políticas y procedimientos consultables en lenguaje natural, con la respuesta citando de qué documento salió. Útil donde el conocimiento está repartido entre carpetas, correos y la cabeza de dos personas.
Clasificación y enrutamiento. Tickets, reclamos, correos y solicitudes leídos, categorizados y derivados al dueño correcto, con el criterio de derivación definido contigo antes de construir.
Generación asistida de documentos. Propuestas, informes, respuestas y resúmenes que hoy se escriben desde cero cada vez, partiendo de tus datos y tus plantillas, con una persona revisando antes de que salgan.
Copilotos dentro de tu producto. Cuando la IA no es una herramienta interna sino parte de lo que tu empresa le vende a sus clientes: búsqueda semántica, clasificación automática o un asistente embebido en tu propio software.
Agentes: cuando hay que ejecutar, no solo responder
Un agente de IA es el siguiente escalón. Recibe un objetivo y lo ejecuta de punta a cabo sobre tus sistemas: consulta los datos, decide los pasos dentro de los límites que definiste, realiza las acciones y deja registro. La diferencia con un chatbot es que el chatbot entrega texto y el agente deja trabajo terminado.
Vale la pena tener clara la escala completa, porque el costo y el riesgo suben en ese orden: un chatbot responde, un copiloto sugiere y la persona ejecuta, un agente ejecuta él mismo. Decidir cuál corresponde a tu caso es una decisión de negocio, no un detalle técnico, y es parte del diagnóstico. Muchos procesos que llegan pedidos como agente se resuelven mejor —y más barato— con un copiloto y una persona a cargo del botón.
Lo que hace que un proyecto de IA generativa funcione
El modelo no es la parte difícil. El modelo lo pone un proveedor, cambia cada pocos meses y hoy es prácticamente un commodity. Lo que define si el proyecto queda operando o se apaga a los tres meses son otras tres cosas, y son las que hacemos:
Los datos y la integración. Un LLM sin acceso a tu información es una demo. El valor aparece cuando opera sobre datos reales de la empresa, y eso significa construir la capa de APIs no intrusivas que le da acceso controlado a lo que necesita —sobre Defontana, Manager, SAP Business One o un desarrollo heredado— sin tocar el core del sistema.
La evaluación. Esta es la parte que casi nadie hace. Armamos un set de casos reales de tu operación con la respuesta correcta conocida, definida contigo, y ese set corre en cada release entregando un número de acierto — igual que un test. Sin eso, “funciona” es una opinión: nadie puede responder si mejoró o empeoró después de un cambio. Si para un caso no se puede armar ese set, lo tomamos como señal de que el caso todavía no está listo.
Los límites. Qué puede leer, qué puede escribir, qué requiere aprobación de una persona antes de ejecutarse y qué queda registrado en cada llamada. Se define antes de construir, no después del primer susto.
Cómo evitamos que invente
La alucinación no se resuelve con un prompt mejor. Se resuelve con tres decisiones de diseño: el modelo responde sobre documentos recuperados de tus fuentes y cita de dónde salió cada afirmación, así una respuesta sin respaldo queda a la vista; se le permite explícitamente abstenerse, porque “no está en la documentación” es una respuesta válida y muy preferible a una inventada; y se mide contra el set de evaluación en cada release. Un sistema que no puede decir que no sabe va a inventar tarde o temprano.
Los agentes que construimos son los que ya operan nuestra entrega
Esta es la parte que preferimos mostrar antes que argumentar. Fuix no empezó a trabajar con LLM porque el tema se puso de moda: son el motor de nuestra propia operación desde antes de ofrecerlo como servicio.
- Sub-agentes especializados por dominio — uno para backend, infraestructura y bases de datos; otro para frontend; otro para dirección de UX y contenido. Cada decisión se delega al agente del dominio antes de implementar.
- Memoria persistente entre sesiones, con las convenciones y el estado vigente del proyecto documentados, para que el ramp-up de cada sesión sea casi cero.
- Validación automatizada antes de cada release: un agente recorre el flujo crítico de punta a cabo y si algo falla, no llega a producción.
- Code review asistido sobre cada rama antes del merge.
Eso es lo que sostiene la cadencia de publicar a producción cada semana con un equipo pequeño. Y es la razón práctica por la que sabemos dónde se rompen estos sistemas en producción: porque los operamos todos los días. El detalle completo está en desarrollo de software con IA y agentes.
Aplicaciones completas con IA adentro
Cuando la IA no es un accesorio sino el centro del producto, el proyecto es desarrollo de software a la medida con una pieza generativa adentro: hay que diseñar la interfaz que le muestra al usuario qué hizo el sistema y por qué, el circuito de aprobación humana, el registro auditable y el comportamiento cuando el modelo no sabe. Es la parte que no se resuelve con un prompt y la que decide si la gente confía lo suficiente para usarlo.
Si es tu caso, aplica todo lo de desarrollo de software a medida: mismo fee mensual fijo por alcance, mismo release semanal, mismo responsable técnico único.
La IA no reemplaza el criterio
Las decisiones que importan —qué automatizar, qué dejar humano, qué puede ejecutar el sistema sin preguntar— son decisiones de negocio, se discuten y quedan documentadas. Un agente que valida un release no define la estrategia: ejecuta y verifica lo que una persona definió.
Lo decimos porque es la diferencia entre un proyecto que queda operando y uno que se apaga. Los que se apagan casi siempre empezaron al revés: eligiendo una plataforma antes de entender qué proceso valía la pena automatizar.
¿Cuánto cuesta un proyecto de IA generativa?
El costo está en las integraciones, la evaluación y los límites, no en el modelo. Un caso acotado —un extractor de documentos, una búsqueda sobre documentación propia, un clasificador de correo entrante— parte desde $5.000.000 CLP con alcance cerrado. Cuesta menos que un proyecto de software a medida completo por una razón concreta: se monta sobre los sistemas que ya tienes en vez de construir uno nuevo.
Si va a seguir creciendo —más procesos, más fuentes, más excepciones— conviene un equipo dedicado desde $4.500.000 CLP al mes con mínimo de 6 meses, que es como opera la mayoría de nuestros contratos: fee mensual fijo por alcance, no por hora.
A eso se suma el consumo del proveedor del modelo, que se factura por uso y va a tu cuenta. Lo separamos a propósito: es un costo variable que depende del volumen real y no tiene por qué pasar por nuestro margen.
Son referencias de mercado, no una cotización. Si además de la pieza de IA hay que construir el sistema que la rodea, el proyecto entra en las bandas de software a medida —que parten desde $8.000.000— y están desglosadas, junto con los tres modelos de contratación del mercado chileno, en cuánto cuesta el software a medida en Chile.
Empecemos por un proceso, no por una plataforma
La primera conversación es sin costo y sirve para lo contrario de lo que esperarías: para descartar. Miramos qué procesos tuyos justifican un LLM, cuáles se resuelven con automatización simple y más barata, y cuáles conviene dejar como están. Si ninguno califica, te lo decimos y no hay proyecto. Agenda tu diagnóstico y sales con esa lista, no con una propuesta.
PREGUNTAS FRECUENTES
Preguntas frecuentes.
- ¿Qué es la IA generativa y qué se puede hacer con ella en una empresa?
- La IA generativa son modelos —los LLM o modelos de lenguaje entre ellos— capaces de producir texto, código o datos estructurados a partir de una instrucción y un contexto. Aplicada a una empresa, los usos que devuelven la inversión con más claridad son cinco: extraer datos de documentos no estructurados como facturas o contratos, responder sobre el conocimiento propio de la empresa citando la fuente, clasificar y derivar volumen entrante como tickets o correos, asistir la generación de documentos repetitivos, y ejecutar procesos completos sobre sistemas existentes, que es donde entran los agentes.
- ¿Para qué sirve un LLM en un proceso de negocio?
- Para las tareas donde el input no viene estructurado. Un sistema tradicional necesita que el dato llegue en un campo; un LLM lee un correo, un PDF escaneado o una conversación y saca de ahí el dato que el proceso necesita. Por eso los casos más rentables no son los conversacionales sino los de lectura: convertir lo que hoy alguien transcribe a mano en algo que el sistema pueda procesar solo.
- ¿Qué diferencia hay entre un chatbot, un copiloto y un agente?
- El chatbot responde. El copiloto acompaña a una persona mientras trabaja y le sugiere el siguiente paso, pero la persona ejecuta. El agente ejecuta él mismo: consulta los datos que necesita, decide los pasos dentro de los límites definidos, realiza las acciones sobre tus sistemas y deja registro. El costo de construcción sube en ese orden, y también el riesgo, así que la decisión de cuál corresponde es parte del diagnóstico y no un detalle técnico.
- ¿Cómo evitan que la IA invente respuestas?
- Con tres cosas, no con un prompt mejor. Primero, el modelo responde sobre documentos recuperados de tus fuentes y cita de dónde salió cada afirmación, así una respuesta sin respaldo es visible. Segundo, se le permite explícitamente abstenerse: "no está en la documentación" es una respuesta válida y preferible a una inventada. Tercero, se mide — ver la pregunta siguiente. Un sistema que no puede decir que no sabe va a inventar tarde o temprano.
- ¿Cómo miden que la salida de la IA es correcta?
- Construimos un set de evaluación: casos reales de tu operación con la respuesta correcta conocida, definida contigo. Ese set corre en cada release y entrega un número de acierto, igual que un test. Es la parte que casi nadie hace y es la que separa un proyecto de IA que se puede sostener de uno que se apaga cuando alguien pregunta si funciona. Si no se puede armar ese set para un caso, lo tomamos como señal de que el caso todavía no está listo.
- ¿Nuestros datos entrenan el modelo?
- No entrenamos modelos con tus datos. El sistema consulta tu información en tiempo de ejecución para resolver la tarea; no se incorpora a los pesos de ningún modelo. Antes de construir definimos qué datos puede leer, cuáles nunca salen de tu infraestructura y qué queda registrado en cada llamada. Para los casos que lo exigen, la arquitectura permite operar con modelos desplegados en tu propia nube.
- ¿Qué modelo usan? ¿Quedamos amarrados a un proveedor?
- El modelo lo elegimos por caso, comparando costo, latencia y acierto en tu set de evaluación, y no al revés. Hoy el modelo es prácticamente un commodity y cambia cada pocos meses, así que la arquitectura deja esa pieza reemplazable: el trabajo de integración, los límites y la evaluación son tuyos y sobreviven al cambio de proveedor. Nadie debería rehacer su sistema porque salió un modelo mejor.
- ¿Cuánto cuesta un proyecto de IA generativa?
- Un caso acotado —un extractor de documentos, una búsqueda sobre documentación propia, un clasificador de correo entrante— parte desde $5.000.000 CLP con alcance cerrado. Cuesta menos que un proyecto de software a medida completo porque se monta sobre los sistemas que ya tienes en vez de construir uno nuevo: el trabajo está en la integración, la evaluación y los límites, no en el modelo. Si va a seguir creciendo —más procesos, más fuentes, más excepciones— conviene un equipo dedicado desde $4.500.000 CLP al mes con mínimo de 6 meses: fee mensual fijo por alcance, no por hora. A eso se suma el consumo del proveedor del modelo, que se factura por uso y va a tu cuenta. Son referencias de mercado, no una cotización.
- ¿Cuánto demora tener algo funcionando?
- Partimos por un piloto sobre un caso acotado y medible, no por una plataforma. Publicamos a producción cada semana, así que el primer tramo opera con datos reales mucho antes de que el proyecto esté cerrado — que es la única forma honesta de saber si el caso servía.
- ¿Qué pasa si el agente se equivoca?
- Se asume que se va a equivocar y se diseña para eso. Definimos explícitamente qué puede ejecutar solo y qué requiere aprobación humana antes de tocar algo, cada paso queda registrado con el dato que lo justificó, y entra a producción por partes y bajo supervisión, no de una vez. Es la misma disciplina con la que corremos nuestros propios agentes: validan y ejecutan, pero la dirección la pone una persona.
¿Listos para empezar?
Una llamada de 30 minutos. Salimos con un próximo paso concreto.