Toda esta infraestructura la montamos y mantenemos nosotros:una mezcla de modelos locales y privados para los datos sensibles con modelos de alto standing para el razonamiento. Todo opera dentro de un sandbox con permisos y acciones limitadas: la empresa mantiene siempre el control de lo que hace la IA.
Modelos locales + alto standingSandbox con permisos limitadosControl siempre en la empresa
AutomatizaciónGestoría fiscal
Facturas y notificaciones que se archivan solas
24.800 €/año recuperados
El problema.En Gestoría Vidal & Asociados, el equipo perdía las mañanas clasificando facturas de clientes y revisando el buzón de notificaciones de Hacienda. Los avisos urgentes se mezclaban con el ruido.
El sistema.Cada documento entrante se clasifica, se registra en su expediente y genera un borrador de respuesta. Las notificaciones urgentes saltan a la persona responsable al momento.
Modelo privado (datos fiscales)Sandbox: solo lectura del buzónBorradores con aprobación humana
Estado anterior
Tres personas dedicaban unas 14 horas semanales a clasificar documentos a mano. Dos sanciones el año anterior por avisos de Hacienda vistos tarde.
El plan
Empezar solo por el buzón de facturas, medir un mes y ampliar a notificaciones si los números salían.
Implementación
Cuatro semanas: dos de conexión con el buzón y el archivo, dos de pruebas en paralelo con el proceso manual antes de apagar nada.
Imprevistos y bloqueos
El proveedor del programa de gestión no tenía forma oficial de conectar sistemas externos, y algunas facturas escaneadas llegaban casi ilegibles.
Soluciones
Montamos un puente propio validado con el proveedor, y los documentos de baja calidad van a una cola de revisión humana en vez de registrarse con errores.
Resultado final
14 horas semanales recuperadas, unos 24.800 € al año en tiempo de equipo, y cero avisos urgentes perdidos desde la puesta en marcha.
AutomatizaciónClínica dental
Recordatorios y reprogramación de citas sin recepción saturada
−38% de citas perdidas
El problema.En Clínica Dental Belmonte, uno de cada cinco pacientes no aparecía. Recepción pasaba horas al teléfono confirmando y recolocando huecos.
El sistema.Recordatorios automáticos, reprogramación por respuesta directa del paciente y lista de espera que rellena los huecos sola. Los datos clínicos se procesan en un modelo local: no salen de la clínica.
Modelo local (datos de salud)Sandbox: sin acceso a historialesRGPD por diseño
Estado anterior
Un 21% de citas perdidas: cada hueco vacío eran unos 80 € que no se recuperaban, más de 3.200 € al mes entre las dos consultas.
El plan
Recordatorios a 48 y 2 horas, respuesta directa del paciente para mover la cita y lista de espera automática para los huecos.
Implementación
Tres semanas, con el modelo instalado en el propio servidor de la clínica para que ningún dato de paciente saliera de allí.
Imprevistos y bloqueos
La agenda de la clínica bloqueaba escrituras externas, y algunos pacientes mayores respondían con llamadas en vez de mensajes.
Soluciones
El sistema propone los cambios y recepción los confirma con un clic; las llamadas siguen entrando por el canal de siempre sin romper nada.
Resultado final
Las citas perdidas bajaron un 38%: unos 2.200 € al mes recuperados y recepción dedica el teléfono a pacientes, no a confirmaciones.
AutomatizaciónDistribuidora alimentaria
Pedidos por email y WhatsApp que entran solos al ERP
17.400 €/año en errores evitados
El problema.En Distribuciones Alba, los pedidos llegaban en texto libre, fotos y audios. Dos personas los transcribían a mano al ERP, con errores que acababan en devoluciones.
El sistema.El sistema lee cada pedido, lo estructura, lo valida contra el catálogo y lo registra en el ERP. Los casos dudosos van a una cola de revisión humana en lugar de entrar con errores.
Modelo de alto standing (lectura)Sandbox: escritura solo en pedidosCola de revisión humana
Estado anterior
11 horas semanales de transcripción manual y un 4% de pedidos con errores que costaban unos 1.450 € al mes en devoluciones y portes.
El plan
Leer todos los formatos de entrada, validar contra el catálogo real y escribir en el ERP solo pedidos verificados.
Implementación
Cinco semanas, empezando por los 20 clientes con más volumen antes de abrir el sistema a toda la cartera.
Imprevistos y bloqueos
Los audios con ruido de almacén se transcribían mal y cada cliente nombraba los productos a su manera.
Soluciones
Un diccionario de alias por cliente que aprende de cada corrección, y umbral de confianza: si el sistema duda, lo revisa una persona.
Resultado final
Errores por debajo del 0,5%, unos 17.400 € al año ahorrados entre tiempo y devoluciones, y los pedidos entran el mismo día.
AutomatizaciónInmobiliariaAgente de IA
Un agente que cualifica leads a cualquier hora
+31% de visitas agendadas
El problema.Los leads de Inmobiliaria Costa Norte llegaban de madrugada y el fin de semana. Al llamarlos el lunes, ya habían visitado otro piso.
El sistema.Un agente de IA sobre Hermes (modelo local) responde en minutos, cualifica presupuesto y zona, y propone horarios de visita. Trabaja en sandbox con acceso de solo lectura al CRM: agendar y cerrar siempre lo hace una persona.
Hermes · modelo localSandbox: CRM en solo lecturaEscalado a humano para visitas
Estado anterior
Más de la mitad de los leads llegaba fuera de horario y se contestaba con día y medio de retraso; muchos ya habían cerrado visita con otra agencia.
El plan
Un agente que responde en minutos a cualquier hora, cualifica presupuesto y zona, y deja la agenda y el cierre en manos del equipo comercial.
Implementación
Cuatro semanas, con Hermes instalado en local y dos semanas de mensajes supervisados uno a uno antes de soltarle la primera respuesta.
Imprevistos y bloqueos
En los primeros días el agente sonaba demasiado formal y algunos interesados preguntaban cosas fuera de su alcance, como condiciones de hipoteca.
Soluciones
Reescribimos su tono con ejemplos reales del equipo y definimos límites claros: lo que no sabe, lo pasa a una persona con el contexto ya resumido.
Resultado final
Un 31% más de visitas agendadas y unos 38.500 € más en comisiones anuales, con cada conversación registrada y revisable.
AutomatizaciónDespacho de abogados
Búsqueda privada en años de expedientes
De horas a segundos
El problema.En Bufete Carrión, encontrar un precedente o una cláusula concreta suponía horas buceando en carpetas. Subir expedientes a herramientas en la nube estaba descartado.
El sistema.Archivo, resumen y búsqueda semántica sobre un modelo 100% local instalado en el propio despacho. Nada, ni una consulta, sale de sus servidores.
RAG 100% localCero datos en la nubeInstalado en servidores propios
Estado anterior
Doce años de expedientes en carpetas de red. Encontrar un precedente costaba entre una y tres horas de un abogado senior, unos 200 € por búsqueda.
El plan
Indexar todo el archivo en un buscador semántico instalado en los servidores del despacho, sin que nada tocara la nube.
Implementación
Seis semanas: dos de digitalizar y limpiar el archivo antiguo y cuatro de indexado y pruebas con casos reales del equipo.
Imprevistos y bloqueos
Miles de documentos escaneados sin texto seleccionable y dos formatos de archivo de un programa jurídico ya descatalogado.
Soluciones
Reconocimiento de texto en local para todo el archivo escaneado y un conversor propio para los formatos antiguos.
Resultado final
Cualquier búsqueda baja de horas a segundos; el despacho estima más de 28.600 € al año en tiempo de socios recuperado.
AutomatizaciónMantenimiento industrial
Partes de trabajo dictados que se convierten en facturas
Facturación 9 días antes
El problema.En Montajes Rivera, los técnicos dictaban notas de voz al acabar cada intervención. Alguien las pasaba a informes… cuando podía. La facturación se retrasaba semanas.
El sistema.Cada audio se transcribe, se convierte en parte de trabajo estructurado y genera el borrador de factura el mismo día. El responsable solo revisa y envía.
Transcripción en modelo privadoSandbox: borradores, nunca envíosAprobación humana final
Estado anterior
Los partes tardaban una media de 12 días en convertirse en factura. Con unos 88.000 € facturados al mes, el retraso ahogaba la tesorería.
El plan
Transcribir cada audio el mismo día, estructurarlo como parte de trabajo y dejar el borrador de factura listo para revisar.
Implementación
Tres semanas, sin cambiar nada en la rutina de los técnicos: siguen dictando la misma nota de voz de siempre.
Imprevistos y bloqueos
Ruido de nave y jerga técnica que la transcripción genérica no entendía, y partes incompletos cuando el técnico olvidaba algún dato.
Soluciones
Un glosario propio de piezas y averías para afinar la transcripción, y avisos automáticos al técnico cuando falta un dato del parte.
Resultado final
La facturación sale 9 días antes de media: unos 26.400 € que cada mes entran en caja una semana y media antes.
Aplicación webServicios técnicos
Portal de citas y seguimiento para TecniServ Levante
Espera: de 8 h a 10 min
El problema.Cada solicitud entraba por teléfono o email y esperaba a que alguien la procesara. El cliente aguardaba una media de 8 horas solo para tener hueco confirmado, y muchos se iban a la competencia.
El sistema.Una aplicación web donde el cliente pide cita, recibe confirmación en 10 minutos y sigue el estado de su servicio en tiempo real. Las ventas subieron un 24% al dejar de perder solicitudes por abandono.
App web a medidaConfirmación automática validada+24% de ventas
Estado anterior
8 horas de media para confirmar un hueco y un 15% de solicitudes que se perdían por el camino: unos 4.300 € al mes en trabajos que se iban a otro.
El plan
Un portal donde el cliente elige hueco sobre la disponibilidad real de los técnicos y sigue su servicio sin llamar.
Implementación
Ocho semanas: cuatro de desarrollo, dos de integración con la agenda de los técnicos y dos de convivencia con el teléfono antes del corte.
Imprevistos y bloqueos
La disponibilidad de los técnicos vivía en una hoja de cálculo que cambiaba cada mañana, y parte de la clientela seguía prefiriendo llamar.
Soluciones
Sincronización automática con esa misma hoja para no cambiar el hábito del equipo, y el teléfono se mantuvo: recepción registra la cita en el mismo portal.
Resultado final
Confirmación en 10 minutos, un 24% más de ventas y cerca de 47.000 € adicionales el primer año.
Sistema + AgenteAula Nexo · FormaciónAgente de IA
Un CRM que se mantiene al día solo
+19% de clientes recurrentes
El problema.En Aula Nexo Formación, las fichas de clientes estaban desactualizadas y nadie hacía seguimiento: los alumnos terminaban un curso y no volvían a saber de la empresa.
El sistema.Sistema de organización de clientes con un agente de IA sobre Hermes (modelo local) que mantiene cada ficha al día, detecta clientes fríos y prepara los seguimientos. El equipo aprueba cada envío: el agente propone, la persona decide.
Hermes · modelo localSandbox: propone, no envíaAprobación humana por envío
Estado anterior
Un 60% de fichas desactualizadas y sin seguimiento tras el curso: solo el 9% de los alumnos repetía con la empresa.
El plan
Un agente que mantiene las fichas al día con cada interacción, detecta clientes fríos y deja los seguimientos preparados para aprobar.
Implementación
Cinco semanas: dos de limpieza del CRM heredado y tres de agente supervisado proponiendo seguimientos sin permiso de envío.
Imprevistos y bloqueos
El CRM tenía años de duplicados y campos libres inconsistentes, y al principio el agente proponía demasiados seguimientos de golpe.
Soluciones
Una fase previa de deduplicación con revisión humana y un límite de propuestas diarias con prioridad para los clientes de más valor.
Resultado final
Los clientes recurrentes pasaron del 9% al 28%: unos 58.000 € al año en matrículas que antes se perdían por falta de seguimiento.
Casos ilustrativos basados en implantaciones tipo. Los datos de clientes reales se comparten bajo acuerdo de confidencialidad en la auditoría.
Hablemos de tu caso
Agenda una auditoría y mejoremos tu empresa desde ya.
