I+D

Hay una frontera clara entre implantar tecnología existente e investigar. Implantar un agente con una API de un modelo comercial es ingeniería: funciona, es previsible y lo hacemos todos los días. Medir con garantías cuándo ese agente se equivoca, y acotar esa tasa, todavía no tiene respuesta cerrada en la literatura. Eso es lo que investigamos.

Por qué una empresa de nuestro tamaño investiga

Por una razón práctica, no de prestigio: los proyectos de automatización con IA no fracasan por falta de modelos, fracasan en producción. Gartner estima que más del 40 % de los proyectos de IA agéntica se cancelarán antes de finales de 2027 por costes crecientes y valor poco claro. El hueco entre una demo que funciona y un sistema que aguanta un año es un problema técnico sin resolver, y es exactamente el problema por el que nos paga un cliente.

Líneas de investigación

01 · Verificación y acotación del error en agentes de negocio

Un agente que ejecuta tareas sobre sistemas reales acierta un porcentaje de las veces. Ese porcentaje casi nunca se mide con rigor, y cuando se mide se hace sobre conjuntos de prueba preparados que no se parecen a la producción. Investigamos métodos para estimar la tasa de error real de un agente sobre un proceso concreto, con intervalos de confianza, y para fijar umbrales de derivación a persona que optimicen el coste total —el de revisar frente al de equivocarse— en lugar de un número elegido a ojo.

02 · Extracción documental con datos escasos, sucios o contradictorios

Los métodos publicados degradan cuando el documento viene torcido, incompleto, con formatos heterogéneos entre emisores o con contradicciones internas. En una asesoría española eso no es el caso raro: es el caso normal. Trabajamos en técnicas de extracción robustas a esa realidad y en señales de confianza calibradas —que la puntuación que devuelve el sistema signifique de verdad lo que dice significar.

03 · Minería de procesos y estructura causal

Las herramientas de process mining reconstruyen la secuencia de un proceso a partir de sus registros. Reconstruir su estructura causal —qué provoca qué, y no solo qué ocurre después de qué— es un problema distinto y abierto. Es también el que decide si automatizar un paso mejora el proceso o simplemente mueve el cuello de botella.

04 · Trazabilidad y auditabilidad de decisiones automatizadas

El artículo 50 del AI Act obliga desde el 2 de agosto de 2026 a declarar los sistemas que interactúan con personas, y el régimen de alto riesgo llega en diciembre de 2027. Investigamos cómo registrar la decisión de un sistema con modelo de lenguaje de forma que sea reconstruible a posteriori sin almacenar datos personales innecesarios: qué se consultó, qué se decidió y con qué grado de certeza. Más sobre el AI Act.

05 · Eficiencia computacional

Conseguir un rendimiento equivalente con un orden de magnitud menos de cómputo cambia por completo la economía de un flujo de alto volumen. Es también lo que hace viable ejecutar en infraestructura europea o autoalojada en lugar de depender de una API externa. Por qué eso importa.

Cómo trabajamos

• Hipótesis antes que herramienta. Cada línea arranca con una afirmación falsable y una métrica con la que se mide si es cierta.
• Línea base explícita. Antes de proponer una mejora, medimos el estado del arte sobre nuestros propios datos. Sin línea base no hay avance, hay opinión.
• Registro sistemático. Hipótesis, experimentos, resultados y —sobre todo— los experimentos que no funcionaron. Es requisito del Manual de Frascati y es, de paso, la única forma de no repetir errores.
• Separación estricta entre I+D y entrega. Un cliente nunca paga por investigación cuyo resultado es incierto salvo que lo haya acordado expresamente. Lo que se le entrega está probado.