IA aplicada & Sistemas agénticos

Motor de chat agéntico multi-cliente con RAG, herramientas externas y BI generativo, aislado por cliente.

El problema

Dar a cada cliente un asistente que responda cualquier pregunta sobre sus documentos y datos, se conecte a sus herramientas y genere gráficos y dashboards, manteniendo los datos aislados.

Decisión de stack

FastAPI + LangChain/LangGraph, indexación RAG con pgvector y Cohere Rerank, orquestación de varios LLMs por calidad/precio (OpenRouter, Gemini, Deepseek) y tools vía MCP/FastMCP. Todo trazable con Langfuse.

El reto técnico

En la indexación, agrupar información automáticamente, detectar discrepancias y permitir una curación manual; y aislar los datos por project_id en un motor multi-tenant reutilizable.

Impacto

Motor reutilizable en producción para varios clientes (respuesta a información financiera, monitoreo de márgenes y rentabilidades con gráficos).

Chatbot de WhatsApp con el que cualquier socio de un club gestiona sus reservas conversando, con LLM y tooling.

El problema

Dar a cualquier usuario de un club una forma natural de agendar pistas, ver cuándo están libres las siguientes o hacer cualquier gestión de reserva, sin apps ni formularios.

Decisión de stack

Mecanismo LLM + tooling (function calling): el modelo interpreta la conversación en lenguaje natural y llama a herramientas que consultan y operan el sistema de reservas del club, todo sobre WhatsApp.

El reto técnico

Traducir peticiones libres ("¿cuándo tengo pista mañana por la tarde?") en acciones fiables sobre el sistema de reservas, resolviendo disponibilidad, huecos y confirmaciones dentro del propio chat.

Un MCP que navega el ecosistema de 250+ servidores para diagnosticar y arreglar incidencias remotas con la potencia de los LLM.

El problema

Diagnosticar y resolver incidencias en un ecosistema de 250+ servidores donde muchos recursos solo son alcanzables saltando por la red: cámaras accesibles únicamente desde su servidor remoto y bases de datos locales con datos temporales en cada servidor.

Decisión de stack

Un MCP (Model Context Protocol) que expone al LLM herramientas para navegar la red de servidores y load balancers, inspeccionar servidores y cámaras remotas, consultar las BD locales y aplicar arreglos, sobre la arquitectura de reverse proxy/load balancing en el 443 del ecosistema de vídeo-analítica.

El reto técnico

Alcanzar recursos profundamente anidados (cámaras y BD locales solo accesibles saltando de servidor en servidor a través de los load balancers) y exponer esa navegación como herramientas fiables para que el LLM diagnostique y repare de forma autónoma.

Impacto

Monitorización y diagnóstico de un ecosistema de 250+ servidores en producción, acelerando la resolución de errores en servidores y cámaras remotas.

Plataforma para terapeutas a domicilio con un optimizador de huecos que minimiza desplazamientos y esperas.

El problema

Reducir los tiempos de desplazamiento y de espera de terapeutas que van a domicilio, reuniendo en una sola plataforma varios roles (terapeutas, pacientes, centros, tutores, admin), historiales, calendario y pagos.

Decisión de stack

Next.js/React + FastAPI/SQLAlchemy sobre PostgreSQL; Stripe (pagos recurrentes y Connect), Google Calendar (sync bidireccional) y OpenRouteService para distancias/tiempos reales.

El reto técnico

El optimizador de huecos: puntúa (0–100) los huecos de cada terapeuta y coloca a cada paciente en el mejor según ubicaciones reales, penalizando la espera muerta y el viaje.

Detección de highlights por gesto y mapas de calor de jugadores a partir del vídeo de cada partido.

El problema

Extraer automáticamente los mejores momentos de un partido y analítica de los jugadores a partir de un vídeo ya grabado, optimizando coste y tiempo de proceso.

El reto técnico

Diferenciar el gesto elegido para el highlight (brazos levantados) de movimientos similares del juego (smashes, voleas): una algoritmia sobre las articulaciones (YOLO Pose) que detecta los verdaderos positivos sin añadir falsos.

Impacto

Procesado con workers GPU en RunPod para optimizar coste y tiempo, con fuerte foco en multithreading.