Lo que dicen las empresas que han trabajado con nosotros. Opiniones reales, resultados concretos.
Cada testimonio corresponde a un proyecto completado entre 2021 y 2025.
Necesitábamos clasificar más de 12.000 incidencias de soporte al mes. El modelo de procesamiento de lenguaje natural que diseñó Strategic AI Impulse nos permitió derivar el 78 % de los tickets automáticamente al departamento correcto. Antes, una persona dedicaba cuatro horas diarias solo a eso.
Contratamos la auditoría de datos de dos semanas. Fueron muy claros: tres de nuestras fuentes de datos tenían problemas de calidad que habrían arruinado cualquier modelo predictivo. Nos ayudaron a limpiar los registros y después construyeron un sistema de forecasting de demanda que acertó con un margen del 6 % en los primeros seis meses.
El taller de formación de 16 horas que organizaron para nuestro equipo de marketing cambió nuestra forma de trabajar. Antes pensábamos que la IA era algo lejano; ahora usamos modelos de segmentación de clientes que el propio equipo mantiene. La documentación que dejaron es práctica, sin relleno.
Teníamos un problema específico: detectar anomalías en lecturas de sensores industriales. El equipo de Strategic AI Impulse entrenó un modelo con nuestros datos históricos de 14 meses y lo desplegó en nuestro servidor local. Desde que funciona, hemos detectado tres fallos mecánicos antes de que provocasen paradas de producción.
Lo que más valoramos es que nos dijeron que no a una de nuestras peticiones. Queríamos un chatbot con IA generativa, pero nos explicaron que con el volumen de consultas que recibimos (unas 40 al día) no compensaba el coste. En lugar de eso, propusieron un sistema de respuestas automáticas basado en reglas que costó una cuarta parte y resolvía el 85 % de las preguntas frecuentes.
Trabajamos con ellos para construir un sistema de recomendación de productos en nuestra tienda online. El resultado: un aumento del 22 % en el valor medio del carrito durante los primeros cuatro meses. El modelo se actualiza cada semana con datos nuevos de navegación y compra.
Dos proyectos recientes que ilustran cómo aplicamos la IA a problemas reales.
El problema: la cadena gestionaba precios y personal basándose en la intuición del director de cada hotel. Algunos meses sobraba personal; otros, faltaban habitaciones preparadas para la demanda real.
Qué hicimos: recopilamos tres años de datos de reservas, cancelaciones, eventos locales y meteorología. Entrenamos un modelo de series temporales (Prophet + gradient boosting) que genera predicciones semanales de ocupación por hotel con un horizonte de 8 semanas.
Resultado: en la temporada 2024, la cadena ajustó la plantilla con una semana de antelación y redujo los costes de personal temporal un 19 %. La tasa de overbooking bajó del 4,2 % al 1,1 %.
El problema: el despacho recibía entre 300 y 500 documentos al día (contratos, demandas, notificaciones, escrituras). Un equipo de cuatro personas los leía, clasificaba y asignaba al abogado correspondiente. El proceso tardaba entre 3 y 5 horas diarias.
Qué hicimos: entrenamos un modelo de clasificación de texto en español con 18.000 documentos etiquetados manualmente por el propio despacho. El modelo distingue 12 categorías documentales y asigna una puntuación de confianza. Cuando la confianza supera el 92 %, el documento se asigna automáticamente; por debajo, pasa a revisión humana.
Resultado: el 71 % de los documentos se clasifica sin intervención humana. El equipo de clasificación pasó de cuatro personas a una, y las otras tres se reasignaron a tareas de mayor valor.
Datos acumulados desde 2018 hasta mayo de 2025.