Qué bonito y emocionante es cuando te asignan tu primer proyecto de inteligencia artificial. Todo es ilusión, nervios… y la mirada intensa del ojo de Sauron (tu jefe), que no solo ha depositado su confianza en ti, sino que ha empezado a delegarte responsabilidades para poder centrarse en otras tareas importantes del equipo.
Durante los primeros días (o semanas, si tienes suerte), tu atención se centra en todo lo que suena a ciencia ficción: “Inteligencia artificial”. Lees artículos como si fueran novelas de misterio, ves vídeos, haces conjeturas sobre todas las posibilidades, investigas qué servicios existen, cómo se entrenan los modelos, cómo se parametrizan o cómo se desenvuelven con imágenes.
Pero ¡ay, amigo!, ¿qué pasa con el resto del proyecto? ¿Dónde quedan los almacenamientos de datos, los procesos automatizados, los servicios API REST que conectan con la lógica de negocio o las notificaciones al usuario final? Es fácil dejarse deslumbrar por el brillo de la inteligencia artificial y olvidarse de que, al final, esto sigue siendo un proyecto tecnológico con todas sus piezas y engranajes.
En este artículo compartiré mi experiencia enfrentándome a mi primer proyecto de inteligencia artificial, con la esperanza de que mis aciertos (y mis meteduras de pata, que también las hubo) te sirvan para no tropezar con las mismas piedras.
El objetivo del proyecto: Optimizar los procesos internos
Todo proyecto relacionado con la inteligencia artificial nace con una promesa clara: hacerles la vida más fácil a los empleados. La idea es liberarles de tareas repetitivas para que puedan centrarse en lo que realmente aporta valor.
En nuestro caso, el objetivo era utilizar inteligencia artificial para analizar documentos, aplicar una serie de reglas y generar informes automáticos con las acciones que debía realizar el equipo correspondiente. Lo que antes requería unos 30 minutos por documento, ahora se convierte en una notificación directa en el buzón del equipo, con toda la información procesada y lista para actuar.
Arquitectura y tecnología para proyectos de inteligencia artificial
Para alcanzar los objetivos del proyecto, es fundamental comprender el ecosistema tecnológico de la organización y diseñar un plan de actuación sólido.
La infraestructura de la organización se apoya en el entorno de Microsoft 365 y todo su ecosistema: SharePoint Online, Power Platform, Outlook y Azure. Esto hizo que el diseño de la arquitectura fuera mucho más sencillo, permitiendo integrar todos los módulos de forma natural, como piezas que encajan solas.
Equipo necesario para un proyecto de inteligencia artificial
Enfrentarse a un proyecto de inteligencia artificial por primera vez puede parecer emocionante —como cuando te dan un juguete nuevo—, pero pronto descubres que no basta con entusiasmo y experiencia técnica. La clave real del éxito ha estado en el equipo en saber delegar responsabilidades.
Aunque me tocó asumir múltiples roles —desde la gestión hasta la implementación —, el verdadero motor del avance ha sido contar con compañeros que aportaron su talento, energía y compromiso. Ellos se encargaron de entrenar modelos, gestionar la infraestructura en Azure, optimizar costes, diseñar prompts y trabajar con imágenes, entre muchas otras tareas.
Gracias a esa distribución inteligente de las tareas a realizar, pudimos avanzar de forma ágil. Sin su implicación, este proyecto no habría sido posible… y probablemente yo seguiría atascado en el primer prompt.
Retos y errores comunes al implantar un proyecto de IA
Durante la implementación del proyecto nos hemos encontrado con una buena colección de desafíos. El objetivo fue encontrar el equilibrio entre tres pilares: coste, rendimiento y escalabilidad.
Aquí van algunos aprendizajes clave:
- Licencias gratuitas limitadas: al principio ayudan, pero tarde o temprano tendrás que pasar a planes de pago adaptados a la volumetría de tu proyecto.
- Optimización continua: Revisar los datos analíticos de los modelos y costes para detectar cuellos de botella.
- Gestión de tokens: Mantener el contexto conversacional si no quieres disparar costes y bloquear temporalmente el servicio.
- Elegir a los agentes adecuados: Cada agente está especializado en funciones concretas; usarlos mal puede disparar los costes del proyecto y afectar negativamente a la calidad de los resultados.
- Infraestructura optimizada: configuramos colas en lugar de escalado automático, al no ser procesos críticos.
- Procesamiento de imágenes: recortar sellos y reducir tamaños ahorró tokens y costes.
- Conectores premium en Power Automate: hay que tener en cuenta que las comunicaciones entre los flujos de Power Automate y servicios API REST se realizan a través de conectores premium, lo que añade otra línea costes al presupuesto.
Soluciones técnicas aplicadas en el proyecto
- Evitar tiempos muertos: se implementó un módulo de caché con Blob Storage que almacenaba los resultados y aceleraba los procesos en la fase de desarrollo.
- Límites ocultos de los servicios de inteligencia artificial: Document Intelligence no procesa documentos de más de 4 MB. ¿La solución? Procesar el documento página por página y controlar su tamaño de forma individual.
- Aplicar principios SOLID: estuvieron muy presentes en el proyecto, especialmente en el ciclo de vida del documento gestionado a través de flujos en Power Automate. Gracias a ello, conseguimos que el código fuera mucho más mantenible y adaptable a cambios imprevistos.
- Gestión centralizada de errores: optamos por centralizar el registro de todos los errores no controlados en listas de SharePoint Online, lo que nos permitió tener una visión global y ordenada de las incidencias. Desde ahí, mediante un flujo de Power Automate, se notificaba automáticamente al equipo de mantenimiento, agilizando la respuesta y la resolución de problemas. Todo esto, sin dejar de aprovechar la aplicación de Insights como sistema de trazabilidad y análisis dentro del portal de Azure.
- ¿Cómo se interactúa con el agente de inteligencia artificial? En nuestro caso, las interacciones se gestionaban mediante reglas de negocio almacenadas en una lista de SharePoint Online, donde se guardaban los prompts enviados al agente. Las respuestas, en formato JSON, facilitaban su reutilización en fases posteriores del análisis.
- Registro de interacciones: Registrar toda la conversación mantenida con el agente de inteligencia artificial te permite entender cómo “piensa” el modelo ante tus prompts, identificar patrones de respuesta y, sobre todo, refinar los mensajes para obtener resultados más precisos.
No todo es código e infraestructura. Sin gestión y comunicación, cualquier proyecto de IA puede tambalearse.
Aquí van algunas prácticas que nos funcionaron:
- Comunicación proactiva: informes semanales para mantener al “ojo de Sauron” informado y tranquilo.
- Escucha activa: resolver dudas y consensuar ideas en equipo.
- Trabajo sin ego: repartir roles y dejar que cada persona aporte en lo que mejor sabe.
Y hablando de éxito compartido, no puedo terminar sin agradecer profundamente a mis compañeros (Ana y Juan). Sin vuestra implicación, vuestro talento y vuestras capacidades para asumir responsabilidades y compromiso, este proyecto no habría salido adelante. Gracias por ser el motor, el apoyo y la inspiración constante. Porque si algo me ha quedado claro, es que la inteligencia artificial puede ser muy lista… pero sin personas como vosotros, esta ilusión no se hubiera hecho realidad.
