Summum i a
ES EN FR
Contacto→
Inicio/ Casos

Casos contados como
model cards.

Estructura tomada de la investigación pública: contexto, métricas baseline, intervención, resultados con antes y después. Lo que pediríamos a cualquier proveedor que dice "hicimos IA".

CASE-01 · ECOMMERCE · MODA

Triaging automático de devoluciones

Contexto

Miles de devoluciones al mes. Equipo de customer ops desbordado. SLA medio elevado. Picos imposibles en rebajas. Errores frecuentes en motivos clasificados.

Intervención

Clasificador de intención + agente con tools (consulta pedido, stock, etiqueta) + reembolso firmado por humano hasta umbral 0,92 de confianza. 8 semanas piloto.

Resultado

Gran mayoría de devoluciones resueltas sin tocar humano. SLA medio reducido de forma notable. Equipo ops cubre ahora la cola compleja en vez de la repetitiva.

METRICS · before / after · 6 meses

Agente v3

SLA · antes
alto
SLA · después
muy bajo
reducción notable
Coste /caso
alto
Coste /caso
muy bajo
reducción drástica
Errores motivo
altos
Errores motivo
mínimos
reducción drástica
milescasos/mes
altaautonomía
equipointacto
CASE-02 · INDUSTRIAL · B2B

RAG sobre 14.200 documentos técnicos

Contexto

Fabricante de componentes con 22 años de manuales técnicos en sharepoint. Onboarding de un nuevo ingeniero: 3 meses hasta autonomía operativa.

Intervención

Embeddings + re-rank con BM25 + Claude para síntesis y cita. Auth corporativo. Política por equipo: I+D ve todo, taller sólo manuales operativos.

Resultado

Onboarding reducido de forma muy notable. Alta tasa de respuestas correctas y citadas. Equipo I+D recupera horas productivas cada semana.

METRICS · before / after · 3 meses

RAG tecnico

Onboarding
largo
Onboarding
corto
reducción notable
Tiempo /consulta
alto
Tiempo /consulta
muy bajo
reducción drástica
Resp. correctas
parcial
Resp. correctas
alta
mejora sustancial
milesdocs
altademanda/sem
horasrecuperadas/sem
CASE-03 · SECTOR PÚBLICO

Visión por computador para control de calidad

Contexto

Centro de control de un servicio público. Inspección manual de un alto volumen de piezas por hora. Fatiga humana al final del turno se traduce en defectos no detectados.

Intervención

Varias cámaras edge con YOLO-v9 fine-tuned sobre miles de imágenes anotadas. Triple validación humana mientras el modelo se calibraba. Política conservadora: ante duda, escala.

Resultado

Recall muy alto de defectos críticos. Falsos positivos bajos y asumibles. Inspectores humanos pasan a revisión cualitativa.

METRICS · before / after · 6 meses

YOLO defectos

Recall
parcial
Recall
muy alto
mejora sustancial
Retrabajos
altos
Retrabajos
bajos
reducción notable
Throughput
base
Throughput
mejorado
mejora sustancial
variascámaras edge
milesimágenes train
0despidos · reubicación

¿Cuál sería tu
caso 04?

Diseñar un piloto→ Ver servicios→