Cada testimonio viene de un proyecto real con métricas verificables. Los nombres se publican con autorización de cada empresa.
Llevábamos meses intentando predecir la demanda de nuestras 1.200 referencias con hojas de cálculo. El equipo de Trusted AI Logic construyó un modelo que nos dio pronósticos semanales con un margen de error del 8 %. Antes estábamos por encima del 30 %. En los primeros cuatro meses recuperamos la inversión completa del proyecto gracias a la reducción de inventario muerto.
Necesitábamos clasificar automáticamente los tickets de soporte que recibimos, unos 800 al día. Antes, dos personas dedicaban la mañana entera a leerlos y asignarlos. Ahora el modelo de procesamiento de lenguaje natural los clasifica en 14 categorías con una precisión del 91 %. Las dos personas ahora resuelven tickets en lugar de ordenarlos.
Contratamos la consultoría de tres días para evaluar si tenía sentido usar IA en nuestro proceso de control de calidad. El diagnóstico fue honesto: nos recomendaron empezar con reglas simples de visión por computador antes de invertir en deep learning. Eso nos ahorró varios meses y un presupuesto que no teníamos. Cuando estuvimos listos para el modelo más complejo, volvimos con ellos.
Implementamos un modelo de scoring crediticio que evalúa solicitudes de microcrédito en menos de dos segundos. Antes el proceso manual tardaba entre 24 y 48 horas. La tasa de morosidad bajó un 12 % en el primer semestre porque el modelo detecta patrones de riesgo que nuestros analistas no veían en las tablas.
Distribuciones Pacífico manejaba 1.200 referencias de productos de consumo masivo. Su equipo de planeación usaba promedios móviles en Excel para calcular cuánto pedir cada semana. El error promedio de esos pronósticos rondaba el 32 %, lo que generaba dos problemas simultáneos: sobrestock en unas referencias y agotados en otras. Cada mes se destruían entre 40 y 60 millones de pesos en producto vencido.
Entrenamos un modelo gradient boosting con 18 meses de datos históricos de ventas, variables de calendario (festivos, quincenas, temporadas escolares) y datos climáticos de Cali. El modelo genera pronósticos semanales por referencia y por punto de venta. Lo desplegamos como una API que se conecta al ERP de la empresa cada domingo a las 6:00 a.m. y actualiza las cantidades sugeridas de pedido.
La Cooperativa Financiera del Cauca recibe alrededor de 350 solicitudes de microcrédito por semana. Cada solicitud pasaba por un analista que revisaba historial crediticio, ingresos declarados y referencias personales. El proceso tomaba entre uno y dos días hábiles, y la tasa de morosidad a 90 días estaba en el 9,4 %.
Diseñamos un modelo de clasificación binaria (aprobado/rechazado) usando XGBoost, entrenado con datos de 12.000 créditos otorgados en los últimos tres años. Las variables incluyen historial de pagos internos, consultas en centrales de riesgo, antigüedad laboral, relación cuota/ingreso y ubicación geográfica. El modelo asigna un puntaje de 0 a 100; los analistas solo revisan manualmente las solicitudes que caen en la zona gris (puntaje entre 40 y 60).
La morosidad a 90 días bajó del 9,4 % al 8,3 %. El tiempo promedio de respuesta al solicitante pasó de 36 horas a 47 minutos. Los analistas ahora revisan manualmente solo el 22 % de las solicitudes, lo que les permite dedicar más tiempo a los casos complejos y a la relación con el asociado.
Agenda tu diagnóstico gratuito de 45 minutos. Evaluamos tus datos, identificamos oportunidades y te decimos con honestidad si la IA tiene sentido para tu caso. Sin compromiso.
Ir al formulario de contacto