Consultoría

Consultoría en Inteligencia Artificial para empresas de software

No se trata de adoptar IA porque todos la están adoptando. Se trata de decidir dónde produce resultado en su producto y en su equipo — y dónde sólo agrega costo y riesgo.

Toda empresa de software está siendo presionada a “usar IA”. La presión viene del mercado, de los clientes, de los inversores y, con frecuencia, del propio equipo.

El problema es que la mayor parte de esa presión no viene acompañada de una pregunta útil. “¿Cómo usamos IA?” es una mala pregunta. “¿Qué mejora de forma medible en nuestro producto o en nuestro proceso con IA?” es una pregunta que se responde — y que a veces tiene como respuesta honesta “nada, por ahora”.

Esta consultoría existe para llegar a esa respuesta con método, y después ejecutarla.

Quatro frentes de aplicação

A consultoria atua onde a IA produz resultado mensurável — não onde ela apenas impressiona.

Software novo

desde a primeira linha

  • Definir onde a IA entra no ciclo de desenvolvimento da equipe
  • Prototipagem e geração assistida com revisão humana obrigatória
  • Testes, documentação e revisão de código apoiados por modelos

Software legado

conforme linguagem e ambiente

  • Leitura e mapeamento de bases sem documentação
  • Novas funcionalidades sem reescrever o que funciona
  • Modernização por partes, com risco controlado

Agentes de BI

dentro do próprio sistema

  • Pergunta em linguagem natural, resposta em número e gráfico
  • O agente lê estrutura, gera SQL e nunca vê o dado bruto
  • Custo previsível e limitado por cliente

Chatbots

atendimento e operação interna

  • Base de conhecimento própria, não respostas genéricas
  • Integração com o sistema que a empresa já usa
  • Escalonamento para humano quando o bot não deve decidir

Los cuatro frentes

Software nuevo: IA desde la primera línea

Construir un producto hoy con el mismo proceso de hace cinco años es dejar productividad sobre la mesa. Pero adoptar generación asistida sin criterio produce otra cosa: una base de código que nadie entiende, escrita rápido y mantenida despacio.

El trabajo aquí es definir dónde entra la IA en el ciclo del equipo y con qué salvaguardas:

  • Prototipado y exploración de alternativas técnicas antes de cerrar la arquitectura
  • Generación asistida de código, con revisión humana obligatoria y criterios claros sobre lo que nunca se genera sin supervisión
  • Pruebas automatizadas, documentación y revisión de código apoyadas por modelos
  • Convenciones de proyecto que hacen el código legible tanto para personas como para modelos

La ganancia real no está en escribir más rápido. Está en pasar más tiempo en las decisiones que importan y menos en el trabajo repetitivo alrededor de ellas.

Software legado: entender antes de tocar

Este es, en la práctica, el escenario más común — y el peor atendido por el mercado.

Sistemas en producción desde hace diez, quince, veinte años, que funcionan, que sostienen la operación de clientes reales, y que nadie quiere tocar porque la documentación no existe y quien lo escribió ya se fue de la empresa.

Los modelos de lenguaje son notablemente buenos en una tarea específica: leer código que nadie entiende y explicar qué hace. Eso cambia la economía del mantenimiento de sistemas legados.

  • Mapeo de bases sin documentación: flujos, dependencias, efectos colaterales
  • Reconstrucción de la documentación a partir del propio código
  • Análisis de impacto antes de modificar: ¿qué más depende de esto?
  • Nuevas funcionalidades acopladas a lo que existe, sin reescribir lo que funciona
  • Modernización por partes, con riesgo controlado y camino de vuelta

Una salvedad honesta: el resultado depende del lenguaje y del entorno. Bases en lenguajes ampliamente representados — C#, Java, Python, JavaScript, PHP, SQL — tienen muy buen resultado. Lenguajes antiguos o de nicho, entornos propietarios cerrados y código generado por herramientas rinden menos. Evaluamos eso antes de prometer cualquier cosa, y decimos cuándo no vale la pena.

Agentes de BI dentro del producto

Este es el frente con mayor potencial de diferenciación competitiva — y el que más frecuentemente se hace mal.

La promesa es simple y poderosa: el usuario de su sistema pregunta “¿cuáles fueron mis diez mejores clientes del trimestre y cómo se compara con el año pasado?” y recibe la respuesta en número y gráfico, sin abrir un informe, sin pedirlo a TI, sin exportar una planilla.

La implementación ingenua — conectar un modelo directo a la base — es un desastre esperando ocurrir: datos sensibles saliendo de la infraestructura, costo imprevisible, SQL generado sin control y riesgo de escritura.

Como funciona um agente de BI seguro

O modelo de linguagem enxerga a estrutura do banco. Nunca o conteúdo.

dentro da sua infraestrutura Usuário pergunta em linguagem natural Agente (LLM) traduz a pergunta em consulta Catálogo schema, views e exemplos SQL gerado Views de negócio usuário somente leitura Resultado agregado → tabela, gráfico ou resposta resposta O que o modelo NÃO recebe ✕ tabelas brutas ✕ dados de clientes ✕ acesso de escrita ✕ o banco inteiro
  1. 1
    Usuário pergunta em linguagem natural
  2. 2
    Agente (LLM) traduz a pergunta em consulta
  3. 3
    Catálogo schema, views e exemplos — a única coisa que o modelo lê
  4. 4
    SQL gerado consulta as views de negócio
  5. 5
    Views de negócio usuário de banco somente leitura
  6. 6
    Resultado agregado tabela, gráfico ou resposta em texto
  7. ✕
    O que o modelo nunca recebe tabelas brutas · dados de clientes · acesso de escrita · o banco inteiro
El modelo lee estructura, no contenido
Recibe el schema, las views de negocio y ejemplos de preguntas con sus respectivas consultas. Nunca recibe datos brutos de clientes.
Views de negocio, no tablas
El agente ve un catálogo curado por asunto — ingresos por período, ventas por región, morosidad, ocupación — y no la estructura interna de la base. Eso mejora la calidad de las respuestas y reduce drásticamente la superficie de riesgo.
Usuario de base de sólo lectura
Restringido al esquema de views. No es cuestión de confiar en el modelo; es cuestión de que la arquitectura haga imposible la escritura.
Sólo vuelve el resultado agregado
El modelo recibe de vuelta números consolidados, no conjuntos de registros.
Costo previsible
Límites por cliente y por período, con medición de consumo. Modelo de costo transparente, sin sorpresas a fin de mes.
Sin entrenar un modelo propio
El enfoque es texto-a-SQL con contexto bien construido. Entrenar un modelo desde cero para ese fin es caro, lento y casi siempre peor.

Chatbots que resuelven

El mercado está saturado de chatbots que no responden nada. Fracasan por dos motivos: no conocen el negocio y no tienen acceso al sistema.

Un asistente útil necesita tres cosas:

  • Base de conocimiento propia — la documentación, los procedimientos y las reglas de la empresa, no el conocimiento genérico del modelo
  • Integración con el sistema — consultar un pedido, verificar un saldo, abrir un ticket, no solamente conversar sobre eso
  • Límites explícitos — saber qué no debe responder y escalar a una persona cuando la decisión tiene consecuencias

Lo aplicamos tanto en la atención a clientes como internamente, donde con frecuencia el retorno es mayor y el riesgo menor: soporte de primer nivel, dudas de proceso, consulta a documentación técnica.

Cómo ocurre la consultoría

  1. Diagnóstico

    Entendimiento del producto, del equipo, de la base de código y del momento de la empresa.

  2. Mapa de oportunidades

    Qué tiene sentido, qué no y en qué orden. Con estimación de esfuerzo y de retorno.

  3. Prueba de concepto

    Una aplicación real, pequeña y medible, antes de cualquier compromiso mayor.

  4. Implementación y capacitación

    Construcción junto con su equipo, no en su lugar. El objetivo es que siga solo.

¿Quiere evaluar dónde tiene sentido la IA en su producto?

Agendar una reunión