Menú completo de componentes de IA
Los veintisiete componentes en detalle, agrupados por familia, con lo que resuelve cada uno.
En operación
16
Soluciones en producción
12
Modelos de pronóstico
7
Algoritmos de similitud
6
Motores de scoring
7
Países con operación
Tres plataformas propias sostienen este inventario
Los componentes no salieron de un laboratorio. Salieron de estas tres plataformas, que operan hoy. Se pueden licenciar completas, pero no hace falta: lo que se despliega en un cliente son las piezas.
CFO AI
Plataforma de dirección financiera. Extracción desde el ERP, consolidación multi-sociedad con eliminaciones intercompañía, y una arquitectura de pronóstico que separa cuánto de cuándo: el volumen mensual sale de cuatro modelos que compiten por cuenta y se reparte por máscaras semanales aprendidas de esa misma cuenta.
Sobre eso, la vista neurosimbólica mezcla la predicción de máquina con la guía del director financiero —la cifra final es la base multiplicada por sus multiplicadores y sumada a sus aditivos, cada uno registrado por separado—, la varianza se agrega como varianza y no como suma ingenua de intervalos, y el horizonte se marca por zonas de dato: duro, mezcla y blando según la semana. Todo se ejecuta en procedimientos de la propia base de datos.
StockSense
Plataforma de inteligencia de inventario y demanda. Clasifica cada artículo por su patrón de consumo —regular, errático, intermitente o irregular, según intervalo medio entre demandas y variabilidad—, y esa clasificación decide qué modelo se le aplica de entre siete que compiten bajo validación cruzada de ventana expansiva.
De ahí salen el stock de seguridad por remuestreo no paramétrico, la cantidad económica de pedido, la redistribución entre puntos con exceso y puntos con faltante, y un grafo causal donde los impulsores estadísticos y las constantes del negocio se propagan por orden topológico hasta los derivados. Un puntaje de confianza de cuatro factores gobierna qué se puede ejecutar sin intervención y qué no.
Vamos Eventos
Plataforma de consumo masivo, y el banco de pruebas de la línea de ingesta. Procesa fuentes públicas heterogéneas en un pipeline de cinco estaciones —clasificar, enriquecer, fusionar, medios, publicar— donde cada estación reclama su lote sin bloquear a las demás.
Es el componente donde el control de calidad automático se probó en volumen: extracción en una sola llamada al modelo que sustituyó una cadena de cuatro y redujo el costo de inferencia en un 75 %, deduplicación por siete señales combinadas, colapso de cerca de doscientos elementos a unas cuarenta operaciones antes de escribir, y una auditoría nocturna que revisa una muestra de quinientos registros con un modelo distinto al que los produjo.
Qué prueba y qué no prueba esta sección
Que estas plataformas operan prueba que los componentes soportan carga, fallan de manera conocida y tienen quien los mantenga. No prueba que vayan a rendir lo mismo sobre el dato de otra organización: eso depende del histórico disponible y de la calidad del sistema de origen, y es exactamente lo que mide una prueba contra el dato real del cliente antes de comprometer un alcance.
Documentos y conocimiento
Las piezas que convierten papel, archivos y correo en algo consultable. Es donde suele empezar un primer proyecto, porque el volumen es alto y el error es barato de detectar.
Ingesta y clasificación documental
Lectura multimodal de PDF, imagen, hoja de cálculo, CSV y JSON, clasificación por tipo con salida estructurada, extracción de campos y normalización de lo que llega sin formato fijo —cada proveedor envía distinto y el pipeline lo lleva a un esquema único—. La salida se valida contra esquema estricto: lo que no encaja se rechaza y se marca para revisión humana, nunca se aproxima.
Qué resuelve. Elimina la digitación manual sobre volumen alto de documentos y la tasa de error que la acompaña.
Recuperación con cita
Plataforma de recuperación aumentada sobre pgvector, montada sobre la documentación propia del cliente. Los fragmentos se indexan como vectores de 768 dimensiones con índice HNSW y se recuperan por similitud semántica. Cada respuesta cita el documento y el pasaje del que salió. Si no hay fuente, no hay respuesta: el componente prefiere admitir que no lo sabe.
Qué resuelve. Convierte un repositorio documental que nadie consulta en una respuesta con respaldo verificable por quien la recibe.
Deduplicación multi-señal
Siete algoritmos sobre el mismo par de registros: coseno sobre embeddings, Jaccard, distancia de edición de Levenshtein, solapamiento de bigramas, n-gramas, coincidencia exacta normalizada y búsqueda fonética, resueltos por un scoring ponderado con umbral configurable por dominio. Detecta el mismo objeto llegado por dos fuentes distintas, escrito de dos maneras distintas.
Qué resuelve. Impide que la consolidación de varias fuentes duplique lo que en realidad es un solo registro, que es el defecto que arruina un tablero antes que cualquier error de modelo.
Extracción de señal desde documento externo
Un documento que llega de afuera —un informe de proveedor, una circular, una tabla de un tercero— se lee y se traduce a un ajuste propuesto sobre una variable del modelo, no a una cifra nueva. El contenido no confiable se procesa entre delimitadores explícitos como defensa contra inyección de instrucciones, y todo ajuste propuesto por el modelo entra con penalización de confianza y con su origen adjunto. Nada se aplica sin que una persona lo acepte.
Qué resuelve. Permite incorporar información que no está en ningún sistema del cliente sin que esa información entre sin control al número que se reporta.
Datos, finanzas e integración
La parte menos vistosa y la que más condiciona el resto. El cuello de botella de estos proyectos casi nunca es el modelo: es sacar el dato del sistema de origen con permiso, calidad y frecuencia suficientes.
Consolidación financiera multi-sociedad
Opera hoy en CFO AI. Agente de extracción que lee directo del ERP —SAP Business One, Dynamics, Sage, Oracle EBS, JD Edwards, Epicor, CONTPAQi—, consolidación multi-sociedad con eliminaciones intercompañía, conciliación de excepciones, narrativa automática de variaciones contra períodos anteriores y consultas en lenguaje natural sobre el repositorio. El cálculo vive en procedimientos de base de datos, no en el modelo.
Qué resuelve. Sustituye el armado manual del cierre y deja cada cifra trazable hasta el sistema del que salió.
Tesorería y capital de trabajo
Velocidad de pago por cliente calculada como vista materializada: días promedio hasta el pago, volatilidad de ese plazo y tasa de cumplimiento en fecha. Del lado del proveedor, el rezago de pago ordena la prioridad de desembolso. Sobre eso, proyección de caja a trece semanas y análisis de sensibilidad que mueve cinco supuestos un diez por ciento en ambos sentidos y ordena su impacto sobre el saldo final.
Qué resuelve. Convierte la pregunta de si alcanza la caja en un rango con supuestos explícitos, en lugar de un número puntual que nadie sabe cómo se armó.
Conectores e ingesta multiformato
Uno por plataforma, según lo que cada una ofrezca: API, exportes programados por SFTP o correo, o automatización RPA cuando no hay interfaz que consumir. El patrón adaptador incorpora sincronización incremental, control de tasa, caché de datos maestros y reintentos; opera hoy contra un ERP empresarial sobre catorce puntos de integración. Integración por API y por MCP con los sistemas existentes. Cada plataforma nueva es trabajo de integración propio y su inventario se levanta antes de cerrar alcance.
Qué resuelve. Permite leer de sistemas que no fueron diseñados para ser leídos, sin modificarlos y sin tocar su operación.
Priorización de cartera
Ingesta de reportes en formatos heterogéneos, cola de gestión ordenada por un scoring de recuperabilidad, notificación por correo y por WhatsApp con registro de entrega, y tablero de antigüedad por tramos de treinta, sesenta y noventa días, con aislamiento por inquilino a nivel de base de datos. El orden que propone el componente exige calibrarse contra el comportamiento real de la cartera del cliente antes de usarse para asignar trabajo.
Qué resuelve. Sustituye la gestión por antigüedad pura —el más viejo primero— por un orden que pondera además la probabilidad de recuperar.
Modelos sobre el dato del cliente
Los cinco componentes que aprenden del histórico o de la señal del propio cliente. El patrón es el mismo en todos los casos; lo que cambia es la calibración contra el dato de la organización, que se hace antes de ponerlos en operación.
Visión por computadora
Detección de personas y seguimiento anónimo de trayectorias sobre zonas poligonales definidas por planta: mapas de calor, permanencia por zona y reglas de cumplimiento con alerta. Analítica anónima y agregada, sin biometría, sin reconocimiento facial y sin análisis de emociones, en línea con la Ley 81 de 2019. Exige calibración por sitio —ángulos, iluminación y zonas de interés— que se define en visita.
Qué resuelve. Convierte cámaras que solo graban en una fuente de medición y de alerta.
Pronóstico de demanda y volumen
Cada serie se clasifica primero por su patrón —intervalo medio entre demandas contra variabilidad del tamaño— en regular, errática, intermitente o irregular, y esa clase determina qué modelos compiten. Siete candidatos para series de consumo esporádico, incluidos Croston y sus variantes, suavizamiento exponencial y regresión armónica estacional; cuatro para series financieras. Validación cruzada de ventana expansiva en tres pliegues y selección por menor error absoluto medio, con conjunto de modelos cuando aporta sobre el mejor individual y aumento de confianza cuando los candidatos convergen.
Qué resuelve. Permite dimensionar contra el volumen esperado en lugar de contra el promedio, que es donde se pierde en los dos sentidos.
Detección de anomalías y merma
Aprendizaje automático clásico sobre transacciones y operaciones, con scoring de riesgo compuesto y umbrales dinámicos. Aplicado a inventario, mide la desviación entre existencia física y existencia lógica y la escala por antigüedad y por punto. No es generativo y no cierra casos: señala y ordena, y la decisión queda en el analista. Requiere un período de calibración contra casos reales del cliente para fijar el umbral.
Qué resuelve. Ordena por riesgo un volumen que hoy se revisa por muestra o por umbral fijo.
Planificación de inventario y reposición
Stock de seguridad por remuestreo no paramétrico: los plazos de entrega se muestrean de su distribución y la demanda se remuestrea con reposición sobre diez mil simulaciones, tomando el cuantil del noventa y cinco por ciento de la demanda durante el plazo; con menos de tres observaciones el componente cae a fórmula cerrada en lugar de fingir precisión. Sobre eso, punto de pedido, cantidad económica de pedido, plazos por proveedor y redistribución entre puntos con más de cuatro semanas de cobertura hacia los que están en faltante.
Qué resuelve. Reemplaza el mínimo fijo por artículo, que no distingue entre un plazo estable y uno que varía el doble de un mes a otro.
Mantenimiento predictivo
Scoring de urgencia por activo sobre horas o kilómetros de operación, desviaciones respecto del intervalo medio del propio equipo, historial de fallas y tipo de componente, con modificadores estacionales y proyección de vida útil restante. Escala en niveles de prioridad con umbral configurable. El patrón se trasladó de flota vehicular a equipo industrial sin reescribirlo.
Qué resuelve. Adelanta la intervención al punto donde todavía es mantenimiento y no reposición.
Decisión y orquestación
Lo que separa una demostración de un sistema que pasa auditoría. Estos cinco componentes no producen contenido: fijan quién decide, con qué regla, y cómo se prueba después que la decisión fue la correcta.
Arquitectura neurosimbólica
El modelo traduce, el motor decide. Motor de inferencia determinista sobre reglas explícitas y versionadas, consola donde se redacta, se fecha y se aprueba cada regla, traza de derivación detrás de cada afirmación, y base de conocimiento normativo con fecha de entrada en vigor. En la variante de grafo, las variables se conectan en un grafo dirigido acíclico y el efecto de mover una se propaga por orden topológico hasta los derivados, con seguimiento del delta entre la línea base y la versión ajustada. El modelo no origina cifras: aporta lengua, no contenido.
Qué resuelve. Hace explicable y reproducible una decisión automática años después de tomada, con independencia del modelo que la redactó.
Motor de scoring por reglas
Reglas configurables con pesos, evaluación en paralelo de todos los candidatos, umbral dinámico y anulación manual por excepción con registro de quién la ejerció. Seis implementaciones distintas en producción sobre dominios que no se parecen entre sí —asignación de personal técnico, priorización de cobranza, scoring de inversión, relevancia, calidad y urgencia de mantenimiento—, lo que en la práctica significa que lo que cambia por cliente es la tabla de pesos, no el motor.
Qué resuelve. Convierte un criterio que hoy vive en la cabeza de una persona en una regla escrita, discutible y auditable.
Orquestación de agentes
Motor de despacho y agentes que ejecutan sobre los sistemas existentes, gobernados por una taxonomía de cuatro tipos —agente a humano interno, agente a sistema, agente a humano externo y agente a agente— cada uno con requisitos de producción distintos según su riesgo. En la variante de conjunto, varios agentes especializados con herramientas de dominio propias y un selector que elige cuál atiende cada consulta. El nivel agente a agente sigue siendo temprano y no se propone para producción.
Qué resuelve. Fija qué puede ejecutar un agente sin intervención humana, antes de que ejecute algo.
Evaluación sistemática de modelos
Control de calidad de las salidas del modelo antes de producción, para elegir cuál se usa, y durante producción, para detectar degradación. Incluye enrutamiento entre proveedores por tipo de tarea con cadena de respaldo: modelo ligero para clasificación, modelo pesado para razonamiento. Ambas cosas corren hoy sobre nuestras propias plataformas. El conjunto de casos contra el que se mide la degradación se arma sobre el dominio del cliente, y es parte del despliegue.
Qué resuelve. Sustituye la impresión de que el sistema «responde bien» por una medición repetible.
Auditoría adversarial de salidas
Un modelo distinto al que produjo el resultado lo audita después, sobre una muestra fija y campo por campo, y emite veredicto por campo en lugar de una nota global. Donde la exactitud del registro cae por debajo del umbral, el registro se retira automáticamente en vez de publicarse con un aviso que nadie lee. Corre de noche, contra la producción del día, a costo marginal frente al del pipeline que audita.
Qué resuelve. Detecta la degradación silenciosa, que es el modo de falla real de estos sistemas: no dejan de responder, empiezan a responder peor.
Operación, canales e infraestructura
Por dónde sale la respuesta, quién la recibe y dónde corre el cómputo. Son las decisiones que un cliente suele dejar para el final y que en la práctica condicionan qué casos de uso son siquiera posibles.
Canales conversacionales
Bot de WhatsApp en producción sobre la API de negocios, con validación de firma en la recepción, manejo de adjuntos e imágenes y segmentación de respuestas largas. Asistencia en vivo al agente humano mientras la conversación ocurre, y resumen de llamada con registro en el CRM al colgar. El canal atiende consulta; cualquier operación que mueva dinero se confirma por separado y fuera del hilo de conversación.
Qué resuelve. Descarga al canal humano de lo repetitivo y devuelve el tiempo de post-llamada, que suele ser una fracción alta del turno.
Aplicación de campo sin conexión
Aplicación web progresiva con trabajador de servicio y almacenamiento local: opera sin cobertura y sincroniza al reconectar. Formularios dinámicos con captura de foto, coordenadas y firma, validación en el punto de captura y cierre de la orden desde el propio dispositivo. Tres aplicaciones de esta familia están en producción, probadas en campo con conectividad intermitente.
Qué resuelve. Elimina la inspección en papel que después alguien tiene que transcribir, y con ella la brecha de días entre el hallazgo y su registro.
Motor de despacho
Catorce reglas de asignación —competencias, compromiso de servicio, proximidad y carga de trabajo— resueltas por scoring ponderado, con reordenamiento asistido por modelo para el contexto que las reglas no capturan. En operación sobre más de treinta y cuatro mil órdenes al año en siete países. La puesta en marcha es progresiva por diseño: primero modo recomendación, con el despachador decidiendo, y solo después asignación automática.
Qué resuelve. Sustituye la asignación por experiencia del despachador de turno por un criterio explícito, igual para todos los turnos.
Notificaciones y seguimiento de compromiso
Plantillas con variables, envío por correo y por WhatsApp, alertas automáticas ante transiciones de estado y escalamiento por categoría y severidad del hallazgo. Registro de entregas, aperturas y respuestas. La cola de salida garantiza la entrega con reintentos: un mensaje que no salió queda pendiente, no se pierde.
Qué resuelve. Cierra la distancia entre que el sistema detecte algo y que se entere quien debe actuar.
Portal de autoservicio
El cliente final consulta estado, abre solicitudes y revisa su historial sin llamar. Vinculación automática de su equipo o su cuenta por número de serie o identificador, de modo que no hay un alta manual previa. Se despliega contra el mismo sistema de registro que usa el personal interno.
Qué resuelve. Retira del canal telefónico la consulta de estado, que es el motivo de contacto más frecuente y el de menor valor.
Tableros en tiempo real
Métricas agregadas en procedimientos de la propia base de datos y renderizadas en servidor, con revalidación automática, gráficos, tablas con filtro e indicadores con tendencia. Vistas distintas por rol sobre el mismo dato. Donde corresponde, la interfaz se genera desde la respuesta del modelo como bloques —tabla, gráfico, ficha, panel con la consulta SQL a la vista— de modo que el usuario puede ver de qué consulta salió lo que está leyendo.
Qué resuelve. Entrega el número y, junto al número, la consulta que lo produjo, que es lo que permite discutirlo.
Infraestructura
Tres piezas transversales que no se ven en una demostración y sin las cuales ninguna de las anteriores pasa una revisión de seguridad.
Enrutamiento de inferencia por sensibilidad
Cada tipo de contenido se enruta según la sensibilidad del dato: procesamiento en premisas o modelo gestionado. Los modelos de pesos abiertos —Gemma, de Google— se ejecutan sobre servidores que el cliente designe, de modo que el dato regulado no sale de su red y la capacidad no queda en manos de un proveedor que puede cambiar precio o condiciones de acceso. Es configuración por tipo de contenido, no una migración posterior.
Qué resuelve. Habilita casos de uso sobre dato regulado que de otro modo quedan fuera de alcance.
Aislamiento y cola de trabajo concurrente
Aislamiento por inquilino en la capa de base de datos mediante seguridad a nivel de fila, con la política aplicada por el motor y no por el código de aplicación: un error de programación no abre el dato de otro inquilino. La cola de trabajo reclama tareas de forma atómica sin bloqueo entre trabajadores, admite ejecución concurrente con bloqueo por recurso y recupera sola las tareas que quedaron colgadas.
Qué resuelve. Permite que varias unidades o filiales compartan una instalación sin que ninguna vea el dato de otra, y que el volumen crezca sin reescribir el procesamiento.
Observabilidad y alertas proactivas
Verificación periódica de estado por servicio con registro de latencia, disparadores en base de datos sobre las transiciones de estado, y alerta enviada por el canal acordado cuando algo pasa de sano a degradado o caído, con su correspondiente aviso de recuperación. Latido del proceso de trabajo para distinguir un servicio caído de un monitor caído.
Qué resuelve. Hace que el operador se entere por el sistema y no por el usuario, que es la diferencia entre una incidencia y un reclamo.
El estado de estos componentes corresponde a agosto de 2026 y conviene revisarlo cada seis meses. Las cifras de operación citadas corresponden a plataformas de Limestone y a despliegues propios, no a un compromiso de rendimiento sobre el dato de otra organización. Las referencias normativas son orientativas y no constituyen asesoría legal ni de cumplimiento.
¿Listo para hablar?
Si estás evaluando una solución de IA para tu empresa o quieres explorar un partnership, un socio director te responde en menos de 24 horas.