Estas son las experiencias de empresas reales que han trabajado con nosotros. Sin filtros, con datos concretos y nombres verificables.
Recogemos estas opiniones al cierre de cada proyecto. Pedimos permiso para publicarlas con nombre y cargo.
Necesitábamos un modelo de predicción de demanda para 1.200 referencias de producto. El equipo de AI Credence lo entregó en siete semanas y el error medio de previsión bajó del 18 % al 6 %. Eso nos permitió reducir el stock de seguridad y liberar capital circulante.
Teníamos un sistema de tickets interno que generaba 400 incidencias al día. El chatbot que desarrollaron clasifica el 82 % de forma automática y responde las consultas más frecuentes sin intervención humana. El tiempo medio de resolución pasó de 14 horas a 3.
Contratamos la auditoría de datos antes de decidir si merecía la pena invertir en IA. El informe fue honesto: nos dijeron que dos de los cuatro casos de uso que planteábamos no tenían datos suficientes y nos recomendaron empezar por los otros dos. Esa franqueza nos ahorró tiempo y dinero.
Llevábamos meses intentando automatizar la lectura de albaranes con una herramienta genérica de OCR. Los resultados eran malos porque nuestros documentos tienen formatos muy variados. AI Credence entrenó un modelo específico con 3.000 imágenes nuestras y ahora extrae los campos correctos en el 97 % de los casos.
Nos preocupaba que el proyecto se alargara sin control. Pero los sprints de dos semanas nos daban visibilidad continua: cada quince días veíamos un avance concreto y podíamos pedir ajustes. El presupuesto final se desvió menos de un 5 % respecto a la estimación inicial.
El modelo de detección de fraude que implementaron analiza transacciones en tiempo real y genera alertas cuando detecta patrones anómalos. En los primeros tres meses identificó 23 intentos de fraude que nuestro sistema anterior no habría detectado. La inversión se recuperó antes de lo previsto.
Dos proyectos representativos que muestran cómo trabajamos, qué tecnología usamos y qué resultados obtenemos.
Logística Tramuntana gestiona la distribución de productos de alimentación para 340 puntos de venta en Cataluña y Aragón. Su equipo de planificación dedicaba 20 horas semanales a ajustar manualmente las previsiones de demanda en una hoja de cálculo.
Construimos un modelo de series temporales con Prophet y LightGBM que incorpora variables externas como el calendario festivo, la meteorología y las promociones activas. El modelo se reentrena cada lunes con los datos de venta de la semana anterior.
El resultado fue claro: el error absoluto medio de previsión cayó del 18 % al 6 %. El equipo de planificación ahora revisa las previsiones en lugar de crearlas desde cero, lo que les libera 15 horas a la semana para tareas de mayor valor.
Fintech Nómada ofrece una app de pagos internacionales para autónomos. Cada día recibían unas 400 incidencias por correo y chat: consultas sobre comisiones, estado de transferencias y problemas con la verificación de identidad.
Diseñamos un asistente conversacional basado en un modelo de lenguaje fine-tuned con 12.000 conversaciones históricas de su equipo de soporte. El bot clasifica cada ticket en una de 14 categorías, responde directamente las consultas más frecuentes y escala el resto a un agente humano con un resumen del contexto.
Tras cuatro meses en producción, el chatbot resuelve el 82 % de las consultas sin intervención humana. El tiempo medio de resolución bajó de 14 horas a 3 horas, y la puntuación de satisfacción del cliente subió de 3,6 a 4,4 sobre 5.
¿Prefieres llamar? Estamos disponibles de lunes a viernes, de 9:00 a 18:00.