Necesitábamos un sistema que clasificara automáticamente las reclamaciones de nuestros clientes según urgencia y departamento. El equipo de Ai Divergence Pro entregó un modelo funcional en cinco semanas. Ahora el 82 % de los tickets se asignan sin intervención humana y el tiempo medio de primera respuesta bajó de 14 horas a 3.
Llevábamos meses intentando montar un chatbot interno con herramientas no-code y los resultados eran frustrantes. Ai Divergence Pro construyó uno que realmente entiende nuestros manuales técnicos. Los técnicos de campo lo consultan desde el móvil y han reducido las llamadas a soporte central un 40 %.
El proyecto de visión por computador que nos desarrollaron detecta defectos en piezas cerámicas con una precisión del 96,3 %. Antes dependíamos de inspección visual humana y el porcentaje de piezas defectuosas que llegaban al cliente era cuatro veces mayor. La inversión se amortizó en siete meses.
Contratamos la automatización documental para procesar las facturas de proveedores. Recibimos unas 1.200 al mes en formatos diferentes: PDF, escaneados, fotos de móvil. El sistema extrae los datos clave con un 94 % de acierto en la primera pasada. Mi equipo de administración solo revisa las excepciones.
Lo que más valoro es la transparencia. Desde el primer día nos explicaron qué era viable y qué no. Nos recomendaron empezar con un piloto pequeño en lugar de un despliegue completo, y eso nos ahorró tres meses y bastante dinero. El piloto funcionó bien y ampliamos a las cuatro plantas en enero.
Usamos su modelo de predicción de demanda para planificar la compra de materias primas. El error medio de predicción a cuatro semanas es del 8 %, cuando antes trabajábamos con hojas de cálculo y el error rondaba el 25 %. Eso se traduce en menos desperdicio y menos roturas de stock.
Cerámica Borriana produce 18.000 piezas diarias de gres porcelánico. Antes de trabajar con nosotros, la inspección de calidad dependía de cuatro operarios que revisaban visualmente cada pieza bajo luz fluorescente. La tasa de defectos que llegaba al cliente final era del 3,1 %.
Instalamos tres cámaras industriales conectadas a un modelo de detección de anomalías entrenado con 12.000 imágenes de piezas buenas y defectuosas, etiquetadas por los propios operarios de la fábrica. El entrenamiento duró dos semanas. La integración con el PLC de la línea tomó otra semana.
Después de un mes de ajuste fino, el sistema alcanzó una precisión del 96,3 % en la detección de grietas, manchas y variaciones de tono. La tasa de defectos al cliente bajó al 0,7 %. Dos de los cuatro operarios de inspección fueron reasignados a tareas de control de proceso, donde aportan más valor.
LogiTrans Levante gestiona transporte de mercancías en la Comunidad Valenciana y Murcia. Su equipo de atención al cliente recibía unas 300 reclamaciones semanales por email. Cada una tenía que ser leída, clasificada por tipo (daño, retraso, pérdida, facturación) y asignada al departamento correspondiente. El proceso manual consumía 15 horas semanales de trabajo administrativo.
Entrenamos un clasificador de texto con 8.000 reclamaciones históricas ya etiquetadas. El modelo distingue seis categorías con un 92 % de acierto. Las reclamaciones que el modelo clasifica con baja confianza (menos del 70 %) se derivan a un agente humano para revisión.
El resultado: el tiempo medio de primera respuesta pasó de 14 horas a 3 horas. El equipo de atención al cliente dedica ahora más tiempo a resolver los casos complejos en lugar de clasificar emails. La satisfacción del cliente, medida con encuestas NPS trimestrales, subió 11 puntos en el primer semestre.
