La IA que funciona en producción no parece magia
Hay un ruido enorme alrededor de la IA. Todo parece revolucionario, todo promete cambiar todo. La realidad que encontré trabajando con empresas y startups es más concreta: la IA que genera valor real resuelve problemas específicos, no vague "transformaciones".
Estos son los casos que implementé en 2024 y que efectivamente funcionaron.
Caso 1: clasificación de intención en sistema de cobranzas
En el proyecto Voquix, construimos un sistema de cobranzas con llamadas de voz usando OpenAI Realtime API. El desafío era: cuando el cliente responde, ¿qué quiere decir exactamente? ¿Está dispuesto a pagar? ¿Pide una refinanciación? ¿Está enojado y hay que escalar?
La solución: cada respuesta transcripta pasa por un clasificador GPT-4o con un prompt estructurado que devuelve una categoría y una confianza. Esa categoría decide el próximo paso del flujo automáticamente. La precisión fue superior al 90% en los primeros tests.
Caso 2: extracción de datos de documentos no estructurados
Un cliente necesitaba procesar presupuestos de proveedores en PDF —formatos distintos, sin estándar— y cargar los datos en su sistema de gestión. Antes: una persona pasaba 3 horas por semana haciendo eso manualmente.
La solución: extraer el texto del PDF con pdf-parse, enviarlo a GPT-4o con un prompt que pedía devolver un JSON estructurado con los campos específicos. Validación del JSON y carga automática al sistema. Tiempo de procesamiento: segundos. Precisión: >95% en los formatos más frecuentes.
Caso 3: generación de respuestas en CRM
En EcobeDigital CRM, agregamos un botón "Sugerir respuesta" en la vista de tickets. El contexto: historial de conversación con el cliente + información del producto + tono de la empresa. El output: un borrador de respuesta que el agente puede editar y enviar.
El impacto real: los agentes usaron el borrador como base en el 70% de los casos, reduciendo el tiempo de respuesta promedio un 40%.
Caso 4: análisis de conversaciones de grupos de WhatsApp
Para WhatsApp Monitor, implementé análisis periódico de mensajes de grupos empresariales. Cada X horas, se procesa un batch de mensajes con un prompt que identifica: temas recurrentes, problemas no resueltos, y sentimiento general del equipo.
El output es un resumen ejecutivo que los managers reciben automáticamente. No es monitoreo invasivo: es síntesis de información que ya existía pero nadie tenía tiempo de analizar.
Lo que aprendí sobre usar IA en producción
- Empezá con el caso más concreto posible. "Usar IA para mejorar el negocio" no es un brief. "Clasificar los tickets de soporte en 5 categorías" sí lo es.
- Siempre tenés un humano en el loop para casos edge. La IA se equivoca. El sistema tiene que saber cuándo pedir confirmación.
- El prompt engineering importa tanto como el código. Un mal prompt da resultados inconsistentes sin importar qué modelo uses.