Historias reales de empresas que integraron inteligencia artificial en sus operaciones con nuestra ayuda.
Cada testimonio refleja un proyecto diferente, con objetivos y contextos distintos. Incluimos el sector y la duración del proyecto para que puedas comparar con tu situación.
Llevábamos dos años intentando predecir la demanda de nuestros 1.200 SKU con hojas de cálculo. True North Guides entrenó un modelo que ahora nos da pronósticos semanales con un error promedio del 6,3 %. El desperdicio en perecederos bajó un 22 % en los primeros cuatro meses.
Necesitábamos un chatbot que entendiera las preguntas de nuestros pacientes sobre citas, resultados de laboratorio y coberturas de EPS. El equipo lo tuvo en producción en seis semanas. Hoy el bot resuelve el 71 % de las consultas sin intervención humana, y la satisfacción del paciente subió de 3,8 a 4,4 sobre 5.
Contratamos a True North Guides para construir un dashboard que consolidara datos de ventas de nuestras 14 tiendas. Antes cada gerente regional armaba su propio reporte en Excel y los números nunca cuadraban. Ahora todos vemos la misma fuente, actualizada cada hora. El cierre mensual pasó de tomar cinco días a día y medio.
Teníamos un problema específico: clasificar automáticamente las quejas que llegan por correo electrónico según su urgencia y departamento responsable. El modelo que desarrollaron clasifica correctamente el 89 % de los correos. Los casos urgentes ahora se atienden en promedio 3 horas antes que con el proceso manual anterior.
Dos proyectos que ilustran cómo trabajamos, con datos concretos de antes y después.
Logicarga opera 42 camiones que distribuyen mercancía en la costa atlántica colombiana. Sus rutas se planeaban manualmente cada mañana, lo que generaba recorridos innecesarios y un consumo de combustible difícil de controlar.
Construimos un modelo de optimización que recibe los pedidos del día a las 5:00 a.m. y genera rutas para cada camión en menos de 12 minutos, considerando ventanas horarias de entrega, capacidad del vehículo y tráfico histórico por franja horaria.
Resultados tras seis meses de operación:
-17 % combustible +11 entregas/día por camión 93 % entregas a tiempoFinApp procesa alrededor de 180.000 transacciones diarias a través de su aplicación de pagos móviles. Su sistema anterior de reglas fijas generaba demasiados falsos positivos: bloqueaba transacciones legítimas y frustraba a los usuarios.
Entrenamos un modelo de gradient boosting con 14 meses de datos históricos etiquetados. El modelo evalúa cada transacción en menos de 200 milisegundos y asigna un puntaje de riesgo. Las transacciones con puntaje alto pasan a revisión manual; el resto se aprueba automáticamente.
Resultados en los primeros tres meses:
Falsos positivos: -62 % Fraude detectado: +34 % Tiempo de revisión: 45 s promedio