¿Cuál es el caso de uso más potente o significativo que habéis aplicado en vuestra organización?
Uno de los casos de uso más potentes que hemos realizado ha sido la compresión y optimización de modelos de IA para dar soporte a los agentes de atención al cliente de Telefónica, con el objetivo de mejorar tiempos de respuesta y, a la vez, reducir drásticamente el coste y el impacto energético del sistema.
En este proyecto se comprimieron dos grandes modelos de IA (Llama 3.1 8B y Llama 3.3 70B de Meta) para su uso interno en un sistema de chat que ayuda a los agentes dentro de la iniciativa “Movistar por ti”. Lo relevante es el resultado operativo: hasta un 80% de reducción en el tamaño del modelo (menos almacenamiento y cómputo) y hasta un 75% de ahorro energético, manteniendo la calidad y precisión necesaria para dar soporte efectivo a los agentes.
Además, la compresión habilita algo clave para casos reales: despliegue no solo en cloud, sino también en la red y entornos on-premise, lo que facilita escalabilidad, control y eficiencia (incluida la reducción de emisiones asociadas) en un entorno empresarial de gran volumen como telecomunicaciones
¿Cuál es el mayor reto que estáis enfrentando en las aplicaciones de IA de vuestra organización?
Uno de los mayores retos ahora mismo es que las empresas se sientan seguras adoptando modelos de IA comprimidos en lugar de usar siempre el modelo “original” sin comprimir.
Aunque la compresión permite reducir costes, latencia y consumo energético y facilitar el despliegue (cloud, edge u on-prem), muchas organizaciones todavía se preguntan: “¿Voy a perder calidad? ¿Será estable en producción? ¿Se va a comportar igual en casos límite?”.
Por eso, el reto no es solo técnico: es demostrar de forma repetible (con benchmarks, pruebas con datos reales, y monitorización) que el modelo comprimido mantiene el rendimiento necesario y, además, ofrece mejor eficiencia total para operar a escala
¿Qué consejo práctico le darías a alguien que quiere empezar a aplicar IA y no sabe por dónde comenzar?
Empezar por un problema real y repetible, eligiendo un caso de uso que afecte a la empresa (mucho tiempo, muchos errores o mucho coste). Después definir una métrica de éxito: tiempo medio de gestión, coste por caso, reducción de errores… Esto evita que el proyecto se quede en una demo.
El siguiente paso es una demo, con datos reales (aunque sean pocos) y una comparación clara contra un baseline (sin IA vs con IA). Idealmente, integrándolo en el flujo de trabajo: si es para agentes, que lo prueben agentes; si es para analistas, que lo usen analistas.
Y cuando el piloto demuestre valor, pensar en producción: monitorización, evaluación continua y mantenimiento. Si la solución va a escalar, incorporar también el factor eficiencia (coste/latencia/energía), porque ahí es donde muchas empresas deciden si algo es sostenible o no.
¿Cómo convencerías a un cliente o a la alta dirección de tu empresa de que vale la pena invertir en IA aplicada?
En primer lugar, la IA es un reto ineludible para las empresas. Pero para poder convencer a la alta dirección, por ejemplo, se debe enfocar como inversión con retorno y control de riesgo, no como experimento. Mostrándolo como un business case mediante impacto económico estimado y horizonte temporal.
Por tanto, creo que lo más importante, es identificar los logros que se realizan al aplicar IA, y demostrar su impacto para la empresa.
Completa la frase: “La IA aplicada es…”
La IA aplicada es convertir modelos de IA en impacto real de negocio: medible, desplegable y sostenible.
