Integración de LLM e IA generativa

Un modelo que nunca ha visto tus datos responderá con seguridad y se equivocará. La solución es consultar primero: indexamos tus documentos, tickets, registros o catálogo, localizamos los fragmentos que afectan a la pregunta y entregamos al modelo solo esos, con enlaces a la fuente original.

Casi todo el trabajo está en los detalles. Dividir los documentos para no partir una tabla por la mitad. Combinar la búsqueda por palabras clave con la búsqueda por significado, porque las referencias exactas y los nombres propios siguen importando. Ordenar los resultados para que el mejor aparezca primero. Y aplicar tus permisos durante la búsqueda, de modo que nadie vea un fragmento de un documento que no podría abrir por su cuenta.

Cuando es posible construimos sobre infraestructura que ya pagas —tu base de datos Postgres o tu clúster de búsqueda actual— en lugar de añadir otro proveedor a tu stack.

Un agente es un modelo capaz de invocar tus funciones. Es potente y también la vía más rápida para construir algo impredecible. Por eso mantenemos los agentes acotados: un conjunto definido de herramientas, permisos explícitos en cada una y un paso de aprobación humana allí donde una acción sea costosa o difícil de deshacer.

Los agentes útiles que entregamos son poco espectaculares de describir y muy valiosos en operación: clasificar una cola de entrada y derivarla con un motivo, reconciliar dos sistemas que discrepan, redactar un presupuesto a partir de una especificación o ejecutar un proceso de back office que antes exigía copiar valores entre cuatro pantallas.

Dos reglas hacen casi todo el trabajo de seguridad. Las credenciales nunca entran en un prompt: el modelo indica el flujo y sus parámetros, y el servidor añade la dirección y el token de acceso. Y todo el código que escribe el modelo se ejecuta en un entorno aislado con los permisos justos.

Cada llamada a una herramienta queda registrada con sus entradas y su resultado, así que cuando algo falla puedes ver exactamente qué hizo el modelo.

Un contrato de 300 páginas no cabe en un prompt. Es lento, caro y deja de funcionar en cuanto entran varios documentos en juego. En su lugar guardamos los documentos, los procesamos en segundo plano con OCR y extracción de tablas, y dejamos que el modelo lea solo las partes que necesita.

Así el tamaño del documento deja de determinar el coste y la velocidad. Una revisión de contrato mira las cláusulas que importan, y la respuesta cita una página y un párrafo reales para que alguien pueda comprobarlo.

Trabajamos con los principales proveedores —Anthropic, OpenAI y modelos de pesos abiertos que puedes alojar tú mismo cuando la residencia de datos o el coste lo exigen. Los proveedores se diferencian de forma real, así que no fingimos que sean intercambiables. Lo que sí garantizamos es que cambiar de uno suponga modificar la configuración y repetir el conjunto de pruebas, no reescribir.

El coste es un parámetro de diseño desde la primera semana, no algo que descubres en la primera factura.

Para equipos en la UE diseñamos pensando en dónde acaban los datos: endpoints regionales, configuraciones sin retención o modelos totalmente autoalojados cuando nada puede salir de tu infraestructura.

El primer encargo suele durar de dos a cuatro semanas: descubrimiento, una revisión seria de los datos sobre los que se va a buscar y una porción funcional del caso de uso de mayor valor ejecutándose contra tus sistemas reales. Esa porción es la estimación. Dice mucho mejor que un documento lo que costará la construcción completa.

A partir de ahí, nuestro CEO y nuestros ingenieros senior definen el alcance y formamos el equipo a partir de una red de más de 100 ingenieros con los que llevamos una década o más trabajando. Demos semanales, código en tus repositorios, traspaso a producción y soporte posterior al lanzamiento. En veinte años no hemos abandonado ningún proyecto.