IA potente sin grandes servidores

Los modelos de lenguaje pequeños (de menos de 10 mil millones de parámetros) pueden ejecutarse en servidores locales o en la nube con costes inferiores a 200€/mes, automatizando tareas como atención al cliente o gestión documental. Esto permite a pymes reducir hasta un 25% el tiempo en procesos repetitivos sin depender de infraestructuras complejas o APIs costosas.

La mayoría de las conversaciones sobre inteligencia artificial para negocios giran en torno a gigantes inalcanzables. Se habla de GPT-4, de Claude, de modelos que consumen tanta energía como una ciudad pequeña y que requieren acuerdos empresariales de seis cifras. Es un ruido ensordecedor que hace que el dueño de una pyme en Almería o en Valladolid piense: "esto no es para mí". Y se equivoca. Lo que nadie te cuenta es que la verdadera revolución, la que de verdad va a cambiar tu día a día, no viene de esos monstruos, sino de sus parientes pequeños, ágiles y sorprendentemente listos.

Te voy a contar una historia que no leerás en TechCrunch.

Cuando el teléfono se convirtió en el enemigo

Carlos Gómez fundó 'Transportes del Sur' en 1998, con una furgoneta y una libreta de pedidos. Hoy, su empresa de logística en Almería mueve frutas y hortalizas de los invernaderos de la costa hacia media Europa. Factura unos 4 millones al año y tiene 22 empleados. El éxito, sin embargo, trajo un problema peculiar y exasperante: el teléfono.

No es que no sonara. Es que no paraba de sonar. Con más de 500 pedidos diarios en temporada alta, el equipo de atención al cliente, liderado por María Rodríguez, una profesional con 15 años de experiencia, se ahogaba. El 70% de las llamadas, según el registro que empezaron a llevar por nuestra sugerencia, eran para preguntar lo mismo: "¿Dónde está mi pedido?". María y su compañero pasaban, calculamos, unas 12 horas a la semana solo diciendo números de seguimiento y consultando pantallas. Tiempo que no dedicaban a resolver un retraso real, una incidencia con un proveedor o una reclamación compleja.

El coste no era solo el salario de esas horas. Era la frustración del cliente que esperaba en línea, la saturación de la centralita que impedía entrar a llamadas urgentes, y el desgaste brutal del equipo. María me lo dijo claro en la primera reunión: "Carlos, o solucionamos esto, o voy a tener que poner el teléfono en modo avión y salir corriendo". El problema era evidente, pero las soluciones tradicionales –contratar a otra persona, externalizar el servicio– parecían un parche caro. Hasta que Carlos asistió a un desayuno sectorial y escuchó a alguien (no fui yo, curiosamente) mencionar de pasada los "chatbots que aprenden de tus propios datos".

La búsqueda de la aguja en un pajar (tecnológico)

Lo que me sorprendió, cuando Carlos nos contactó en Script Finance, fue su escepticismo saludable. No quería un "chatbot tonto" de esos de menús infinitos. Tampoco podía permitirse integrar una API de un modelo gigante, cuyos costes por consulta se le iban a disparar con 500 peticiones diarias. Y tenía, con razón, pánico a los servidores en la nube que se vuelven locos y generan facturas de cuatro dígitos sin avisar.

Su problema era perfecto para lo que nosotros llamamos **un modelo de lenguaje pequeño y especializado**. La idea no es crear un cerebro que hable de filosofía, sino un experto ultra-focalizado en un solo tema: los pedidos de Transportes del Sur.

El proceso no empezó con código. Empezó con papel y boli.

Paso 1: La materia prima (tus datos, no los de Internet)

Le pedimos a María que nos exportara, de su sistema de gestión (un software común en el sector), los últimos 6 meses de correos y registros de chat con clientes. Después de limpiar datos personales, nos quedamos con un corpus de unas 15.000 interacciones. Ese era el oro. Porque un modelo pequeño no se entrena con la Wikipedia, se entrena con *tu* jerga, *tus* formatos de número de pedido, *tus* formas de decir "ha salido del almacén".

Paso 2: Entrenar al nuevo becario (digital)

Usamos un modelo de lenguaje abierto, de esos que puedes ejecutar en un ordenador potente –ni siquiera necesitábamos un rack de servidores–. Durante dos semanas, lo alimentamos con esas interacciones. El objetivo era simple: que aprendiera a emparejar la pregunta de un cliente ("¿Para cuándo llegará el pedido 45023?") con la información correcta del sistema de logística.

Aquí viene el primer "pero", la primera lección. Los datos eran un caos. A veces María había escrito "pedido en reparto", otras "camión salido", otras "en ruta". Tuvimos que estandarizar. Fue un trabajo manual, aburrido, crucial. Sin él, la IA habría estado perdida. Esto es lo que nunca te venden: la inteligencia artificial requiere, al principio, una dosis masiva de inteligencia *humana* para ordenar el desorden.

Paso 3: La integración silenciosa

No reemplazamos el teléfono de María. No pusimos un chatbot rimbombante en la web. Hicimos algo más elegante: conectamos el modelo entrenado a su sistema de gestión de pedidos y a la línea telefónica. Cuando entra una llamada, el sistema, usando reconocimiento de voz básico, transcribe la pregunta. Si detecta que es una consulta de estado (con un 95% de confianza según nuestras pruebas), el modelo consulta la base de datos, genera una respuesta en lenguaje natural y una voz sintética la pronuncia al cliente: "Su pedido 45023 está actualmente en reparto, con entrega estimada para esta tarde. ¿Necesita algún otro dato?".

Si el cliente dice "sí" o la pregunta es compleja, la llamada pasa inmediatamente a María. Sin esperas, sin menús. El cliente ni siquiera sabe que ha hablado con una máquina, solo nota que le han resuelto la duda en 10 segundos.

Los números que importan (y los que no)

Al mes de la implementación, los resultados eran palpables. El tiempo que el equipo dedicaba a consultas de estado se redujo en ese **25%** que mencioné al principio. En horas reales, eran unas 15 horas mensuales recuperadas. María podía por fin centrarse en las llamadas que realmente importaban.

Pero los resultados interesantes fueron otros, los no previstos:

• La satisfacción del cliente (medida con una encuesta posterior a la llamada) subió un 18%. No porque la IA fuera más simpática, sino porque las respuestas eran instantáneas y consistentes. Un humano puede tener un mal día y dar un tono seco. La máquina, no.
• El número de reclamaciones por "falta de información" cayó a casi cero.
• Carlos pudo reasignar parte del tiempo ahorrado a un nuevo servicio de seguimiento premium, generando una nueva línea de ingresos menor pero significativa.

Lo que no salió bien (la parte honesta)

No todo fue un camino recto. Y es fundamental contarlo.

La primera semana, la IA se equivocó varias veces con los números de pedido. Un cliente decía "cuatro cinco cero dos tres" y el modelo a veces interpretaba "45032". El problema no era el modelo, era el reconocimiento de voz de bajo coste que usábamos. Tuvimos que añadir una capa de verificación: el sistema repite siempre el número de pedido que ha entendido antes de dar la información. Un pequeño paso extra que aumentó la precisión al 99,8%.

También tuvimos que "reentrenar" al modelo cada trimestre. Porque Transportes del Sur introdujo nuevos estados de pedido ("en aduana", "retraso por climatología"). Si no lo actualizabas, la IA quedaba obsoleta. Creímos que sería un "set and forget", y no es así. Es un compañero que necesita un repaso periódico, como cualquier empleado.

Y el mayor aprendizaje, para mí, fue este: el éxito no se midió por lo "inteligente" que era la máquina, sino por lo **invisible** que se volvía. La mejor tecnología es la que hace su trabajo sin que nadie tenga que pensar en ella.

Esto no es el futuro. Es el lunes por la mañana

Cuando piensas en IA para tu negocio, no pienses en sustituir a personas. Piensa en liberarlas de la parte más tediosa de su trabajo. Piensa en un modelo pequeño, entrenado con *tus* datos, corriendo en un servidor que no cuesta más que la cafetera de la oficina.

No necesitas un departamento de IT. Necesitas un problema claro, tus datos históricos y un enfoque pragmático. La tecnología de los gigantes ha creado ecosistemas que ahora permiten a los más pequeños jugar en su misma liga, pero con reglas distintas: agilidad, bajo coste, especialización extrema.

Carlos y María no resolvieron todos sus problemas con IA. Pero convirtieron un dolor de cabeza diario en una ventaja competitiva silenciosa. Ahora, cuando el teléfono suena, María ya no siente ese pánico. Sabe que es probable que sea para algo importante. Y esa tranquilidad, al final, no tiene precio.

¿Cuál es la tarea repetitiva que está consumiendo la energía de tu mejor gente? Porque es muy probable que, en lugar de un software carísimo, la solución sea un modelo de lenguaje que cabe en tu portátil y entiende tu negocio mejor que nadie. Solo hay que darle las herramientas para aprender. Descubre cómo nuestros chatbots pueden ayudarte a automatizar tareas y mejorar la eficiencia de tu negocio. También puedes explorar cómo nuestras soluciones de llamadas IA pueden transformar tu atención al cliente. ¡No esperes más! Contacta con nosotros para empezar a aprovechar el poder de la IA en tu negocio.