Hacemos IA donde mueve la aguja.

Una parte del mercado sí. El nuestro no. Cada caso que mostramos está en producción real, con clientes que aprobaron mostrarse, sobre datos reales. La diferencia: pasamos por la cocina antes de salir al salón. Nuestro generador de newsletters tiene +1 año en producción interna; Techforce OS corre nuestra propia operación; los MCPs que usamos con clientes los probamos primero acá adentro. Si una solución no funciona en nuestra empresa, no la ofrecemos en la tuya.

Depende del caso, y se decide explícitamente antes de empezar. Si hay restricciones de privacidad fuertes (legales, regulatorias, contractuales), trabajamos con stack local — bases en servidores propios del cliente, modelos locales o cifrado pre-API. Si no hay restricciones, usamos cloud (Supabase + Vercel + APIs LLM) que es más rápido y barato. Lo importante: no es un default ciego — se evalúa caso por caso y queda en contrato.

No hacemos RPA enterprise puro (UiPath / Power Automate masivo) — ese juego lo ganan consultoras especializadas. No hacemos data warehousing o ML training puros sin componente de aplicación. No competimos por precio con freelancers low-end. Y no vendemos POCs eternas que se renuevan sin entregar producción — si en 4 a 6 semanas no pasa el criterio de éxito, se cierra.

Depende del scope, pero damos rangos honestos. Proyecto puntual chico (web + admin sencillo con capa IA): 3.000–8.000 USD. Mediano (CRM o app a medida): 8.000–30.000 USD. Sistema integrado complejo: 30.000+. Retainer consultivo mensual: 1.500–5.000 USD. No publicamos precios cerrados porque todo se cotiza a medida — pero el orden de magnitud no es secreto. Discovery breve para acotar scope; sin facturación hasta que esté claro qué entregamos.

Cuando un script simple resuelve el problema. Cuando el volumen no justifica el costo de mantenimiento del modelo. Cuando hay un proveedor SaaS maduro que ya hace lo mismo más barato. Cuando el dueño del proceso no tiene tiempo de validar outputs (la IA sin supervisión amplifica errores, no los borra). Y cuando lo que el cliente realmente necesita es reorganizar el proceso — no automatizar el desorden actual.

En la práctica que vemos, no. Reasigna trabajo: las personas dejan de hacer tareas mecánicas y pasan a coordinar, decidir, supervisar. El cliente que adopta IA con criterio termina con el mismo equipo haciendo más volumen y trabajo más calificado. Lo que sí: si tu equipo está saturado en tareas repetitivas que la IA puede tomar, vas a poder crecer sin contratar al ritmo que necesitarías sin IA. Eso no es "reemplazar" — es desbloquear.

No estamos casados con ninguno. Hoy combinamos Anthropic Claude (Sonnet para razonamiento, Haiku para tareas baratas), OpenAI GPT-4o (cuando vision o tool-use complejo), Gemini 2.0 (long context + multimodal), DeepSeek vía OpenRouter (mejor costo en producción para tareas conocidas), y Mistral local cuando el cliente necesita self-host. La regla: elegimos por caso (calidad ÷ costo ÷ privacidad) y dejamos espacio en el código para cambiar de modelo en una variable de entorno. El modelo de moda dentro de 18 meses no va a ser el de hoy.

Un agente sin mantenimiento drifta. Los modelos cambian, las fuentes cambian, los casos de uso evolucionan. Monitoreamos métricas operativas (tasa de éxito, latencia, costo por interacción) + métricas de calidad (sample auditado semanal por humano) + alertas cuando algo se aparta de baseline. Cada cliente recibe el dashboard de salud de su agente. Costo típico de operación + evolución: 10-20% del costo de construcción anual. Si no se mantiene, en 6-9 meses degrada notoriamente.