Preguntas frecuentes sobre Artificial Intelligence

Los proyectos de automatización básica (extracción de datos de documentos, clasificación de correos) parten de 8.000 €. Un sistema de análisis predictivo completo se sitúa entre 15.000 y 40.000 €, dependiendo de la complejidad de los datos y las integraciones con sistemas existentes como SAP, Odoo o Salesforce.

Para visión por computador aplicada a control de calidad industrial, el rango habitual es de 20.000 a 55.000 €, porque suele requerir la captura y etiquetado de imágenes específicas de la línea de producción del cliente. Siempre entregamos un presupuesto cerrado antes de empezar.

El prototipo funcional se entrega en dos a cuatro semanas. La fase de producción añade entre seis y doce semanas. En total, la mayoría de proyectos se completan en tres meses o menos. Proyectos con múltiples modelos o integraciones complejas pueden extenderse a cinco meses.

Publicamos un cronograma detallado con hitos semanales al inicio del proyecto. Si un hito se retrasa por nuestra parte, el cliente lo sabe el mismo día, no al final del mes.

Depende del problema. Para clasificación de texto necesitamos al menos 500 ejemplos etiquetados por categoría. Para predicción de ventas, un mínimo de 12 meses de histórico con frecuencia diaria o semanal. Para detección de defectos visuales, unas 200 imágenes de defectos y 500 de piezas correctas como punto de partida.

Si no tienes datos suficientes, podemos ayudarte a diseñar un plan de captura. En algunos casos usamos técnicas de data augmentation o transfer learning para arrancar con menos datos de los que un modelo entrenaría normalmente.

Sí. Todos los datos se procesan en servidores ubicados en Valencia, dentro de la Unión Europea. Usamos cifrado TLS 1.3 en tránsito y AES-256 en reposo. Firmamos un acuerdo de confidencialidad (NDA) antes de recibir cualquier dato del cliente.

Al finalizar el proyecto, eliminamos los datos de entrenamiento de nuestros servidores en un plazo de 30 días, salvo que el contrato de mantenimiento establezca lo contrario. Podemos trabajar con datos anonimizados si tu departamento legal lo prefiere.

Por eso empezamos con un prototipo. Antes de invertir en la fase de producción, medimos el rendimiento del modelo con métricas concretas: precisión, recall, F1-score o error absoluto medio, según el caso. Si los resultados no alcanzan el umbral acordado, no pasamos a producción.

En esa situación, analizamos si el problema está en los datos (calidad, cantidad, representatividad) o en la formulación del problema. A veces la solución es recoger más datos durante un par de meses y volver a intentarlo. Otras veces, la conclusión honesta es que la IA no es la herramienta adecuada para ese caso concreto.