Preguntas frecuentes sobre AI software

Depende del alcance. Un proyecto de análisis predictivo con un solo modelo, un dashboard y 90 días de soporte suele costar entre 6 000 y 15 000 euros. Los proyectos de automatización que requieren integración con varios sistemas internos pueden situarse entre 15 000 y 40 000 euros. Siempre damos un precio cerrado por fase antes de empezar, así que no hay sorpresas.

Para proyectos de visión artificial el coste depende mucho del hardware necesario (cámaras, GPU, iluminación). Incluimos una partida detallada de equipamiento en la propuesta para que sepas exactamente qué estás pagando.

Entre 3 y 10 semanas. Un prototipo funcional suele estar listo en las dos primeras semanas. A partir de ahí, la fase de producción (endurecimiento del modelo, integración, pruebas) lleva entre una y ocho semanas más, según la complejidad de tu infraestructura.

Si tus datos necesitan limpieza o enriquecimiento, añadimos una fase de preparación que suele durar una semana. Esto lo indicamos siempre en la propuesta inicial.

Sí. La primera reunión dura unos 45 minutos y es sin coste. Revisamos tu problema, evaluamos qué datos tienes y te damos una idea aproximada de viabilidad y plazo. Si el proyecto tiene sentido, preparamos una propuesta formal en tres días laborables.

No pasamos a producción. Nuestro contrato por fases está diseñado precisamente para esto: si el prototipo no demuestra valor medible, puedes parar sin pagar la siguiente fase. En nuestra experiencia, esto ocurre en menos del 10 % de los proyectos, normalmente porque los datos disponibles son insuficientes. En esos casos, te recomendamos qué datos recopilar y cuánto tiempo necesitas para tener un volumen útil.

Sí. La estructura habitual es: 30 % al inicio, 40 % tras la entrega del prototipo aprobado y 30 % al cierre de la fase de producción. Para proyectos superiores a 25 000 euros podemos negociar un calendario diferente.

Sí, necesitamos datos históricos relevantes para el problema que quieres resolver. Pueden ser hojas de cálculo, bases de datos SQL, logs de aplicación, imágenes de producto o cualquier otro formato estructurado o semiestructurado. Si no los tienes organizados, podemos ayudarte a recopilarlos y estructurarlos como parte del proyecto, pero eso añade tiempo y coste.

En algunos casos usamos datos públicos o sintéticos para entrenar un modelo base y después lo afinamos con tus datos reales. Esto es habitual en proyectos de NLP donde necesitamos un vocabulario sectorial específico.

Donde tú decidas. Podemos trabajar en tu infraestructura local, en tu nube privada (AWS, GCP, Azure) o en servidores nuestros ubicados en la UE. Firmamos un acuerdo de tratamiento de datos (DPA) antes de acceder a cualquier información sensible. Al finalizar el proyecto, eliminamos todas las copias de tus datos de nuestros sistemas, salvo que acuerdes lo contrario por escrito.

Python es nuestro lenguaje principal. Para modelos de machine learning usamos scikit-learn, XGBoost, LightGBM y PyTorch. Los modelos de lenguaje los desplegamos con Hugging Face Transformers o a través de APIs de proveedores como OpenAI y Anthropic, según el caso. Para visión artificial trabajamos con OpenCV, YOLO y Detectron2.

En la capa de infraestructura usamos Docker, Kubernetes (cuando el volumen lo justifica) y herramientas de MLOps como MLflow para el versionado de modelos. Los dashboards los construimos en Grafana, Metabase o Power BI, según lo que ya use el cliente.

Sí. Hemos trabajado con SAP, Microsoft Dynamics, Salesforce, Odoo y varios ERPs sectoriales. La integración se hace normalmente a través de APIs REST o conectores nativos. Si tu sistema no tiene API, podemos conectar mediante bases de datos compartidas o archivos programados (SFTP, CSV). Lo evaluamos durante el diagnóstico inicial.

Depende del problema y de la calidad de los datos. Para clasificación de texto (por ejemplo, categorizar tickets de soporte), solemos alcanzar una precisión del 90 al 97 %. En predicción de demanda, el error medio absoluto típico se sitúa entre el 8 y el 15 %. Para detección de defectos visuales, la tasa de detección suele superar el 95 % con menos del 3 % de falsos positivos.

Definimos las métricas de éxito en la propuesta, antes de empezar. Si el modelo no alcanza el umbral acordado durante la fase de prototipo, lo iteramos o replanteamos el enfoque sin coste adicional dentro de esa fase.