Inteligencia artificial

El punto de partida

Una iniciativa de inteligencia artificial empieza por una decisión concreta: qué trabajo necesita apoyo y quién debe responder por el resultado. Revisamos el recorrido completo de esa tarea, desde la llegada de un documento o una consulta hasta la respuesta que recibe una persona. Ahí aparecen las oportunidades reales: clasificar solicitudes, recuperar antecedentes, detectar excepciones y preparar información para que el equipo resuelva más rápido. Un asistente útil debe reconocer cuándo no tiene suficiente contexto y derivar el caso; no se le entrega una decisión delicada solo porque puede producir una frase convincente.

El material de origen merece tanta atención como el modelo. Antes de conectar un buscador semántico, ordenamos permisos, procedencia, vigencia y formatos de los documentos. Una política reemplazada, una instrucción sin fecha o un archivo duplicado pueden contaminar cualquier respuesta. Para cada caso definimos conjuntos de prueba con preguntas habituales, casos ambiguos y situaciones en las que el sistema debe abstenerse. Las evaluaciones comparan precisión, cobertura, citas y tiempo de respuesta antes de incorporar una nueva fuente o modificar una instrucción.

La interfaz comunica el grado de certeza de una respuesta y conserva el camino hacia el origen. Si una persona del equipo corrige un resultado, registramos el motivo y lo usamos para revisar el flujo, sin asumir que toda corrección deba convertirse en entrenamiento automático. Los registros operativos evitan guardar información sensible innecesaria; las conversaciones con datos personales siguen las reglas de retención y acceso que establezca la organización. Un piloto comienza con un grupo acotado y tareas repetibles, acompañado por responsables capaces de detenerlo si los resultados dejan de ser fiables.

El despliegue se organiza por umbrales: primero asistencia interna, luego operaciones supervisadas y finalmente automatización limitada donde exista evidencia suficiente. Un canal de consulta pública requiere revisión adicional de tono, accesibilidad, idioma y tiempos de derivación. En salud, educación o servicios financieros la revisión humana forma parte del diseño desde el inicio. De esa manera, un prototipo deja de ser una demostración y pasa a ser una herramienta que puede auditarse, mantenerse y mejorarse sin perder de vista a las personas afectadas.

Herramientas y método

• Inventario documental con control de versiones y responsables por fuente.
• Extracción de texto y búsqueda híbrida para recuperar pasajes verificables.
• Índices vectoriales y filtros por permisos antes de enviar contexto al modelo.
• Evaluaciones con preguntas de referencia, abstenciones y revisión humana.
• API con límites de uso, trazabilidad de solicitudes y registro de cambios.
• Tablero de latencia, coste y calidad separado de los datos personales.

Casos de uso

• Asistente para consultar procedimientos internos con citas a la versión vigente.
• Clasificación de solicitudes entrantes para derivarlas al equipo adecuado.
• Extracción supervisada de campos desde formularios y documentos.
• Detección de consultas sin respuesta fiable y entrega a una persona.

Preguntas frecuentes