Cómo pensamos sobre la IA.

La mayoría de las "integraciones de IA" que vemos en la industria son un modelo grande de lenguaje atornillado a una hoja de ruta de producto como decoración. Un comunicado de prensa, un chatbot, un logo en la portada. Eso no es integración. Es señalética.

La integración real empieza con una pregunta aburrida. ¿Qué decisión, tomada hoy por una persona en tu empresa, podría tomarse mejor, más rápido o a una escala que el equipo no puede sostener? Luego rastreamos los datos de entrada, los datos de salida y qué pasa cuando el modelo se equivoca — porque lo hará.

Empieza con la pregunta aburrida.

No empezamos por el modelo. Empezamos por el flujo de trabajo. Nos sentamos con quienes hacen el trabajo, los observamos hacerlo y anotamos los juicios que emiten sin pensar. La mayoría no son problemas de IA. Algunos sí.

Los que sí son problemas de IA suelen tener tres cosas en común: son repetitivos, se basan en información no estructurada, y son difíciles de automatizar del todo pero caros de hacer a mano. Ese es el sweet spot.

Planifica para el día en que el modelo mienta.

Cada Semantic Kernel que entregamos viene con un plan para el día en que se equivoque con seguridad. Eso significa guardarraíles, rutas alternativas, un rastro de auditoría que una persona pueda leer, y una ruta de escalado de vuelta a una persona. También significa calibrar la confianza del modelo con honestidad — un sistema que dice "no lo sé" vale más que uno que farolea.

Un modelo que responde en lenguaje sencillo también debería admitir la incertidumbre en lenguaje sencillo. Diseñamos para ambos.

Resultados, medidos en dinero.

Ningún proyecto de IA está terminado hasta que podamos señalar la línea en la cuenta de resultados donde aparece la integración. Puede ser un tiempo de gestión reducido, mayor resolución en el primer contacto, menos revisiones manuales, o un producto que no habríamos podido entregar sin ella. Lo que no es: "los usuarios se sienten más comprometidos".

No aceptamos trabajo de IA que no pueda medirse. Si no podemos acordar la métrica antes de empezar, la integración no es real — es teatro.

Qué significa esto en la práctica.

Construimos con Semantic Kernel porque nos permite poner código de producción, prompts trazables y herramientas de dominio en el mismo lugar. Usamos generación aumentada por recuperación en lugar de modelos afinados cuando es posible, porque los datos del cliente cambian y el modelo no debería tener que reentrenarse cada vez. Y documentamos los modos de fallo antes de la demo.

If this matches how you want to ship AI, cuéntenos qué está construyendo.