- PoC-itis crónica: lanzar 10 pilotos sin path to production. Fix: framework BAOSS «6 semanas a producción» (semana 1: value hypothesis + data contract; semana 2-3: agente MVP + eval set; semana 4: shadow mode; semana 5: canary + guardrails; semana 6: rollout + runbook).
- RAG naïf: chunking fijo, sin reranking, sin knowledge graph. Fix: hybrid retrieval (BM25 + dense + graph walk) + cross-encoder rerank (bge-reranker-v2-m3) + citation enforcement en prompt.
- LLM frontier: GPT-4o, Claude 4 Opus, Nemotron 3 Ultra —para razonamiento complejo y generación de código SQL/Python—.
- Orquestación multi-agente: LangGraph (grafos de estado), CrewAI (roles especializados), AutoGen (conversación entre agentes) —para descomponer tareas en pasos verificables—.
- RAG híbrido: vector stores (Qdrant, Pinecone) + knowledge graphs (Neo4j) + SQL generado on-the-fly —para grounding factual y trazabilidad—.
- Inferencia local/privada: vLLM + Ollama + modelos abiertos (Llama 3.3 70B, Qwen 2.5 72B, Nemotron 3) —para datos sensibles sin salir del VPC—.
- MCP (Model Context Protocol): capa estándar de herramientas que expone catálogos de datos, APIs internas y funciones de negocio a cualquier agente —el «USB-C de la IA»—.
- Latencia P99: 38 ms (antes 210 ms batch).
- Falsos positivos: −42 % (10,4 % actual).
- Tiempo reentrenamiento: 45 min (incremental nightly).
- ROI: 3,2× en 6 meses (ahorro operativo + recupero de clientes legítimos).
- Cobertura journeys: 68 % → 94 %.
- Reasignación presupuesto: 1,8 M€ movidos a canales incrementales.
- Incremental ROAS: +27 % (validado con geo-experimentos holdout).
- Time-to-insight semanal: 2 h (antes 10 días).
- Consultas resueltas sin intervención humana: 73 %.
- Tiempo medio respuesta: 45 s (antes 3-5 días).
- Expedientes con informe pre-redactado: 89 %.
- Estimación reducción backlog: 40 % a 12 meses.
- Coste por inferencia útil: €/decisión-automatizada-válida. Objetivo BAOSS: < 0,015 € en tabular, < 0,04 € en RAG complejo (modelos 70B cuantizados + caching semántico).
- Huella de carbono: kg CO₂e / 1k predicciones. Dashboard obligatorio en Grafana (scaphandre + Kepler). Target: −30 % vs. baseline 2023 vía cuantización, routing a modelos pequeños y batch inference nocturno.
- Explicabilidad regulatoria: % decisiones con narrativa auditable lista para regulador. Target: 100 % en scoring crediticio, pricing dinámico, recursos públicos.
- PoC-itis crónica: lanzar 10 pilotos sin path to production. Fix: framework BAOSS «6 semanas a producción» (semana 1: value hypothesis + data contract; semana 2-3: agente MVP + eval set; semana 4: shadow mode; semana 5: canary + guardrails; semana 6: rollout + runbook).
- RAG naïf: chunking fijo, sin reranking, sin knowledge graph. Fix: hybrid retrieval (BM25 + dense + graph walk) + cross-encoder rerank (bge-reranker-v2-m3) + citation enforcement en prompt.
Análisis Big Data 2025: IA generativa, agentes autónomos y ROI real
En junio de 2015 publicábamos en este blog una taxonomía de técnicas de análisis Big Data: test A/B, reglas de asociación, clustering, data mining, redes neuronales incipientes. Diez años después, el panorama ha cambiado tanto que aquel artículo parece arqueología industrial. El problema ya no es cómo analizar datos —las librerías y modelos están commoditizados—, sino qué arquitectura permite pasar de piloto a producción con garantías de gobernanza, coste predecible y ROI medible en trimestres, no en años.
El problema real 2025-2026: datos abundantes, valor escaso
Según el IDC Global DataSphere 2025, el volumen de datos empresariales crece un 28 % interanual, pero solo el 12 % se analiza en tiempo real y menos del 4 % genera decisiones automatizadas. En BAOSS vemos el mismo patrón en cuentas de banca, retail y sector público: data lakes que son cementerios de Parquet, notebooks Jupyter que no escalan, y equipos de datos saturados manteniendo pipelines frágiles de Airflow + Spark.
La presión regulatoria (AI Act europeo, Reglamento ePrivacy, DORA financiero) obliga a trazabilidad, explicabilidad y derecho al olvido by design. Añádase la escasez de perfiles senior —en España el gap de ingenieros ML supera los 12.000 según DigitalES— y la ecuación es clara: las técnicas clásicas aisladas ya no resuelven el problema de negocio.
De técnicas sueltas a arquitectura agente: el salto 2025
La evolución natural no es reemplazar clustering por embeddings, sino orquestar capacidades mediante agentes autónomos que razonan, actúan y aprueban con supervisión humana. En 2025-2026 el stack ganador en nuestros proyectos combina:
Esta pila permite que un analista de negocio pregunte en lenguaje natural «¿Por qué cayó el NPS en clientes premium en Q3?» y el sistema: (1) recupere tickets de soporte, logs de uso y encuestas vía RAG; (2) ejecute cohort analysis y causal inference con código Python generado; (3) proponga tres hipótesis priorizadas con evidencia; (4) redacte el informe en Confluence y abra un Jira al owner de producto. Todo en menos de 4 minutos frente a las 3-4 semanas del flujo tradicional analista → data engineer → data scientist → PM.
Casos BAOSS anonimizados: métricas de producción 2025
Caso 1 — Banca minorista: detección de fraude en tiempo real con agentes explicables
Reto: 1,2 M transacciones/día, modelo XGBoost legacy con 72 h de reentrenamiento, 18 % falsos positivos que saturaban al equipo de revisión manual.
Solución: Pipeline streaming Kafka → Flink → feature store Feast → ensemble de LightGBM + TabNet + agente LangGraph que genera narrativas SHAP en lenguaje natural para cada alerta. Despliegue en Kubernetes con KServe, canary releases automatizados via Argo Rollouts.
Resultados (6 meses en producción):
Caso 2 — Retail omnicanal: atribución de marketing cookieless con knowledge graph + RAG
Reto: Desaparición de third-party cookies, 40 % de customer journeys invisibles, modelo last-click sesgado, presupuesto media 12 M€/año sin atribución confiable.
Solución: Grafo de identidades determinísticas + probabilísticas (Neo4j AuraDS) alimentado por CDP Snowplow + first-party data. Agente CrewAI (roles: data engineer, economista, privacy officer) que ejecuta media mix modeling bayesiano semanal, valida supuestos contra DPA y publica dashboards en Looker con intervalos creíbles.
Resultados (4 meses):
Caso 3 — Sector público: asistente de licencias urbanísticas con RAG jurídico y MCP
Reto: 3.400 expedientes/año, 11 meses resolución media, 60 % consultas ciudadanas repetitivas, normativa dispersa en 14 repositorios.
Solución: Índice vectorial (Qdrant) + grafo normativo (ordenanzas, planeamiento, jurisprudencia) expuestos vía MCP. Agente AutoGen (planificador + validador jurídico + redactor) que responde consultas ciudadanas 24/7, pre-rellena informes técnicos y alerta a funcionario solo en casos borde. Modelo Llama 3.3 70B cuantizado 4-bit en vLLM sobre GPU A10G en cloud soberano.
Resultados (3 meses piloto):
Técnicas clásicas revisitadas: qué sigue vivo y cómo se ejecuta hoy
Las categorías de 2015 no han desaparecido; se han absorbido como skills dentro de agentes. Ejemplos concretos:
| Técnica 2015 | Implementación 2025 (agente + herramienta) | Ganancia operativa |
|---|---|---|
| Test A/B / A/B/N | Agente experimentador (CrewAI) + GrowthBook / Eppo + sequential testing bayesiano | Decisiones en horas, no semanas; peeking controlado |
| Reglas de asociación | FP-Growth distribuido (Spark) + embeddings de ítems (Item2Vec) + agente recomendador | Catálogo frío cubierto; cross-sell +18 % en piloto retail |
| Clasificación supervisada | AutoML (H2O / AutoGluon) + fine-tuning LoRA en LLM abierto + monitoring Evidently | Modelos en producción en días; drift detectado en < 6 h |
| Clustering | HDBSCAN + UMAP + agente que etiqueta clusters con GPT-4o y valida con negocio | Segmentación viva, actualizada mensual, comprensible para marketing |
| Redes neuronales | TabNet / FT-Transformer para tabular; LLMs para texto/imagen; distillation a modelos pequeños | Inferencia 10× más barata; explicabilidad nativa (SHAP + attention) |
| Algoritmos genéticos | Optuna / Ray Tune para hyperparameter search; agentes que codifican espacios de búsqueda | Optimización continua, no one-shot |
La diferencia clave: cada técnica expone una interfaz MCP estandarizada (input schema, output schema, SLA, lineage). El agente orquestador decide cuál invocar, cómo combinar salidas y cuándo escalar a humano. Eliminamos el «pegamento» artesanal que consumía el 60 % del tiempo de los data engineers.
Gobernanza, coste y sostenibilidad: la tríada invisible
En 2025 no se aprueba un caso de uso sin tres métricas no negociables:
Un proyecto reciente en seguros redujo el coste/inferencia de 0,12 € (GPT-4o directo) a 0,008 € (Llama 3.3 70B 4-bit + routing heurístico) manteniendo AUC 0,91 vs 0,93. El ahorro anual proyectado: 340 k€.