Sobre el estudio
Actualizado
Strela Digital es un estudio de soluciones de IA y ML aplicadas al negocio. Diseñamos e implementamos asistentes, agentes, sistemas RAG y automatización de procesos donde la IA tiene que funcionar no en una demo, sino en el proceso real del negocio.
Trabajamos en desarrollo desde 2017. El primer proyecto de ML para un cliente lo hicimos en 2021. Desde entonces hemos realizado 11 proyectos y productos de IA/ML para clientes, además de 10 soluciones internas y propias para nuestros procesos e hipótesis de producto. La mayoría de estos proyectos se hicieron para clientes del mercado ruso; ahora trabajamos también en España.
No vendemos «IA mágica». Normalmente la tarea es más simple y concreta: reducir el procesamiento manual de mensajes, resolver solicitudes más rápido, encontrar errores en los datos, ayudar a los gestores a responder a los clientes o automatizar una parte de un proceso interno.
Cómo es la implantación
Avanzamos por etapas: demo → piloto → producción.
Demo. En la primera etapa analizamos la tarea, miramos el proceso actual y mostramos cómo puede funcionar la solución con datos parecidos o en un escenario acotado. El objetivo de la demo no es impresionar con un efecto, sino entender si aquí hay una tarea de negocio real para la IA.
Piloto. Si la hipótesis se confirma, montamos un piloto con los datos del cliente. Normalmente el piloto dura de 2 semanas a 2 meses: el plazo depende de la complejidad del proceso, la disponibilidad de los datos, las integraciones y de cuánto esté claro de antemano qué se considera un resultado exitoso. Antes de arrancar acordamos la métrica de éxito.
Producción. Tras el piloto, terminamos de preparar la solución para el uso real: conectamos las fuentes de datos necesarias, roles de usuario, registros, límites e integraciones con el CRM, el helpdesk, la web, sistemas internos u otros servicios. En esta etapa importa no solo que «la IA responda», sino que funcione de forma controlada, segura y encaje en el proceso del equipo.
Así se ve en tareas reales, en los ejemplos: clasificación de mensajes entrantes, bot de leads para solicitudes entrantes, diagnóstico de fichas de marketplace.
Qué hace falta para el piloto
Para arrancar basta con explicar la tarea y mostrar cómo funciona el proceso ahora. Pero cuanto más cerca estén los datos de la realidad, más útil será el piloto.
Normalmente en la primera semana necesitamos:
- descripción del proceso y el objetivo del piloto;
- contacto del responsable por parte del cliente;
- ejemplos de tratamiento correcto: buenas respuestas, etiquetado, briefs, solicitudes, documentos o decisiones del operador;
- exportaciones reales de datos en bruto, si las hay;
- claridad sobre dónde se usará el resultado: CRM, helpdesk, web, mensajería, sistema interno o revisión manual.
Podemos empezar con un conjunto mínimo de datos de entrada, pero un buen piloto casi siempre se construye sobre datos reales: mensajes, fichas, documentos, solicitudes, historial de conversaciones, exportaciones del CRM u otras fuentes.
Datos y seguridad
Hablamos de antemano de qué datos hacen falta para que funcione la solución, dónde se guardan y quién tiene acceso a ellos.
En el piloto procuramos usar solo los datos realmente necesarios para comprobar la hipótesis. Si se puede empezar con una exportación anonimizada, un conjunto acotado de documentos o un entorno de pruebas, empezamos así.
Para producción fijamos aparte los requisitos de accesos, registro, almacenamiento de datos, integraciones y acciones de la IA. Principio importante: la IA no debe modificar datos, enviar mensajes ni tomar decisiones sin control allí donde hace falta la revisión de una persona.
Cómo tratamos los datos personales facilitados a través del formulario de solicitud de esta web — en la política de privacidad.
Equipo
El equipo de Strela lo forman 13 personas: 4 especialistas con experiencia en proyectos de IA y ML, y el resto cubre desarrollo clásico, integraciones, interfaces, infraestructura y gestión de proyecto.
Este formato ayuda a no quedarse en un prototipo de chat. Podemos montar una demostración, comprobar la hipótesis con los datos del cliente, integrar la solución en los sistemas existentes y llevarla hasta un proceso de trabajo real.
Límites de responsabilidad
Respondemos por el diseño, el desarrollo y la implantación de la solución de IA dentro de la tarea acordada.
Al mismo tiempo, no prometemos que la IA vaya a sustituir por completo al equipo, que vaya a responder siempre sin errores o que vaya a corregir por sí sola datos de mala calidad. En la mayoría de los escenarios de trabajo, lo mejor es usar la IA como una parte controlada del proceso: clasifica, propone, prepara un borrador, busca anomalías, redacta una respuesta o avisa de lo importante — y la persona permanece en el proceso allí donde el coste del error es alto.
Antes de arrancar el piloto fijamos qué consideramos éxito: precisión de la clasificación, porcentaje de solicitudes tratadas, velocidad de reacción, calidad de la respuesta, reducción del trabajo manual u otro indicador relevante para ese proceso concreto.
Si se alcanza la métrica, está claro por qué pasar a producción. Si no, está claro dónde está el límite: en los datos, el proceso, el modelo, las integraciones o la propia hipótesis.