Llevábamos dos años intentando montar un sistema de predicción de demanda con un equipo interno. En tres meses, el equipo de Proficient AI Field entregó un modelo que redujo nuestro exceso de stock en un 18 %. Lo que más valoro es que nos explicaron exactamente por qué el modelo toma cada decisión, sin cajas negras.
Necesitábamos automatizar la lectura de albaranes que llegaban en PDF, imagen escaneada y hasta fotos de móvil. El sistema que nos montaron clasifica el tipo de documento, extrae los campos relevantes y los vuelca en nuestro ERP. Pasamos de dedicar tres personas a tiempo completo a revisar solo las excepciones, que son menos del 5 %.
Contratamos el servicio de fine-tuning de un modelo de lenguaje para nuestro departamento legal. Ahora los abogados consultan normativa interna a través de un chat que cita el artículo y el párrafo exacto. Ha reducido el tiempo de búsqueda de jurisprudencia interna de 20 minutos a menos de 2. El único punto mejorable fue que la fase de auditoría inicial se alargó una semana más de lo previsto.
Lo que me convenció fue el prototipo funcional a las dos semanas. Antes de comprometer presupuesto ya veíamos resultados preliminares con nuestros propios datos. El modelo de detección de anomalías en nuestra línea de laminación detecta el 94 % de los defectos antes de que la pieza llegue al control de calidad final.
Una cadena con 80 puntos de venta en el norte de España perdía un 12 % de su margen bruto por exceso de stock en productos frescos. Construimos un modelo de series temporales que combina datos de ventas históricas, calendario de festivos locales y previsión meteorológica a 14 días.
El modelo se actualiza cada noche y genera pedidos sugeridos por tienda y referencia. Los responsables de compras solo revisan las excepciones que el sistema marca con baja confianza. Tras seis meses en producción, el exceso de stock bajó un 18 % y las roturas de stock se redujeron un 9 %.
Un proveedor de Tier 1 necesitaba detectar defectos superficiales (grietas, porosidades y marcas de herramienta) en piezas mecanizadas antes del embalaje. El control visual manual dejaba pasar entre un 3 % y un 5 % de piezas defectuosas.
Instalamos cuatro cámaras industriales y entrenamos un modelo de visión artificial con 8.400 imágenes etiquetadas por los propios operarios. La precisión alcanzó el 97,3 % en el conjunto de validación, y las reclamaciones de cliente bajaron un 71 % en el primer trimestre tras el despliegue.
Cuéntanos tu problema. Si la IA puede resolverlo, te lo diremos con datos. Si no puede, también. Llámanos al +34 94 230 18 08 o escríbenos a [email protected].
Enviar consulta