Teníamos un problema serio con la rotación de inventario en nuestras 14 tiendas. El equipo de Visionary AI Circuit construyó un modelo que predice la demanda por SKU y por sucursal con una precisión del 89 %. Antes reponíamos por intuición del gerente de cada punto. Ahora el sistema genera las órdenes de compra sugeridas cada lunes a las 6 a.m. y el gerente solo revisa y aprueba. En cinco meses redujimos el sobreinventario en un 27 % y las roturas de stock cayeron a la mitad.
Reseñas y casos de estudio en Artificial Intelligence
Resultados medibles de proyectos reales. Cada testimonio viene de un cliente que autorizó la publicación de su experiencia y sus métricas.
Lo que dicen nuestros clientes
Hemos trabajado con empresas de logística, retail, servicios financieros y salud. Estas son algunas de sus experiencias.
Procesábamos unas 1.200 facturas al mes de forma manual. Dos personas dedicaban cuatro horas diarias a extraer datos y cargarlos en el ERP. Visionary AI Circuit implementó un pipeline de visión por computador que lee las facturas en PDF, extrae los campos relevantes y los sube al sistema. El error de extracción es menor al 2 %, y las dos personas ahora se dedican a tareas de análisis que antes no teníamos tiempo de hacer. El proyecto se pagó solo en el segundo mes.
Contratamos a Visionary AI Circuit para construir un modelo de scoring crediticio que complementara el que ya usábamos. Querían entender patrones que nuestro modelo tradicional no capturaba. El resultado fue un modelo de gradient boosting que mejoró la tasa de aprobación en un 12 % sin aumentar la morosidad. Lo que más valoro es que nos entregaron el código fuente completo y la documentación técnica para que nuestro equipo interno pudiera mantenerlo. No nos dejaron atados a un contrato de soporte indefinido.
Nuestro call center recibía 800 llamadas diarias y no teníamos forma de saber cuáles eran urgentes hasta que un agente las atendía. Visionary AI Circuit entrenó un clasificador de texto sobre las transcripciones históricas que ahora prioriza las llamadas en tiempo real. Las quejas críticas se atienden en menos de tres minutos. Antes el promedio era once. La satisfacción del cliente subió 18 puntos en la encuesta trimestral.
Casos de estudio
Proyectos donde los números cuentan la historia mejor que nosotros.
Predicción de demanda para cadena de retail
Una cadena con 14 puntos de venta en Bogotá y Cundinamarca nos pidió reducir el desperdicio de producto perecedero. Analizamos 18 meses de datos de ventas, clima, calendario festivo y promociones activas.
Entrenamos un modelo de series temporales (Prophet + XGBoost como corrector) que genera pronósticos semanales por SKU y por tienda. El modelo se ejecuta cada domingo a las 11 p.m. y envía las sugerencias de pedido al sistema de compras.
Resultado: el desperdicio de perecederos bajó de 8,3 % a 4,1 % del volumen comprado. La cadena estima un ahorro anual de 340 millones de pesos colombianos.
-50 % desperdicio de perecederosDetección de fraude en pagos digitales
Una fintech en Ciudad de México procesaba 45.000 transacciones diarias y su sistema basado en reglas manuales bloqueaba demasiadas operaciones legítimas. El 6 % de las transacciones se rechazaban por falsos positivos, lo que generaba quejas constantes de los usuarios.
Construimos un modelo de clasificación con gradient boosting entrenado sobre 14 meses de transacciones etiquetadas. Incorporamos variables de comportamiento del usuario (velocidad de escritura, dispositivo habitual, geolocalización) que el sistema anterior ignoraba.
Los falsos positivos bajaron al 1,8 % y la tasa de detección de fraude real subió del 71 % al 93 %. El modelo corre en menos de 120 milisegundos por transacción, dentro del umbral de latencia que exigía el equipo de producto.
93 % detección de fraudeClasificación automática de historias clínicas
Una red de clínicas en Bogotá necesitaba clasificar las notas médicas de sus pacientes por especialidad para agilizar las remisiones internas. El proceso manual tomaba en promedio 22 minutos por caso y dependía de un coordinador médico que revisaba cada nota.
Entrenamos un modelo de procesamiento de lenguaje natural sobre 12.000 notas clínicas anonimizadas. El modelo clasifica cada nota en una de 17 especialidades con una precisión del 94 %. Cuando la confianza del modelo es menor al 85 %, el caso se escala al coordinador para revisión humana.
El tiempo promedio de clasificación pasó de 22 minutos a 40 segundos. El coordinador ahora revisa solo el 11 % de los casos, lo que le permite dedicar más tiempo a la gestión clínica.
22 min → 40 seg por caso¿Quiere resultados similares?
Cuéntenos qué problema enfrenta su empresa. Le enviaremos un diagnóstico inicial sin costo en menos de 24 horas. Escríbanos a [email protected] o llámenos al +57 601 704 6122.
Ir al formulario de contacto