- Experimentación / Desarrollo: VS Code + Dev Containers + MLflow 3.0 (tracking + projects + models + recipes) +
Análisis Predictivo 2025: Agentes IA, RAG y Casos Reales BAOSS
En octubre de 2017 publicábamos en este mismo blog una introducción al predictive analytics: árboles de decisión, regresiones y las incipientes redes neuronales. Ocho años después, el término «análisis predictivo» se ha quedado corto. En 2025-2026 no basta con predecir; la expectativa del mercado —y la nuestra como consultora— es prescribir, automatizar y ejecutar decisiones en milisegundos.
Según el Gartner Hype Cycle 2024 para Data Science y ML, las capacidades de AI Agents y Composite AI (combinación de ML clásico, GenAI, grafos y optimización) han alcanzado la «Meseta de Productividad» en sectores como banca, retail y manufactura. IDC estima que el gasto mundial en plataformas de IA generativa y predictiva superará los 300.000 M$ en 2026, con una CAGR del 29% desde 2023.
El problema real 2025-2026: Datos abundantes, decisiones lentas
Los clientes que llegan a BAOSS hoy no preguntan «qué es el análisis predictivo». Preguntan:
- «Tenemos 15 modelos en producción, pero el time-to-insight sigue siendo de semanas. ¿Cómo lo reducimos a horas?»
- «Nuestro churn model tiene 0.82 AUC, pero el equipo de retención no confía en los scores. ¿Cómo explicamos y accionamos?»
- «Queremos pasar de batch scoring nocturno a inferencia en tiempo real sobre streams de eventos Kafka con latencia <50 ms.»
- «Necesitamos governanza unificada para modelos clásicos, LLMs y agentes autónomos bajo EU AI Act.»
La brecha ya no es algorítmica —GPT-4o, Claude 4 y modelos abiertos tipo Llama 3.1 405B en Ollama democratizan la capacidad predictiva—. La brecha es arquitectónica, operativa y de confianza.
De modelos estáticos a sistemas compuestos: El stack BAOSS 2025
En nuestros proyectos actuales, el «modelo predictivo» es solo un componente dentro de un sistema compuesto (Composite AI) que orquesta:
- Feature Store centralizada (Feast / Hopsworks) con feature freshness < 5 min.
- RAG (Retrieval-Augmented Generation) sobre grafos de conocimiento (Neo4j + LangGraph) para contextualizar predicciones con documentación, tickets, normativa.
- Agentes autónomos (CrewAI, AutoGen, LangGraph) que: (1) consultan el modelo predictivo, (2) recuperan evidencia vía RAG, (3) redactan la recomendación en lenguaje natural, (4) disparan la acción en ERP/CRM vía MCP (Model Context Protocol).
- Observabilidad unificada: Prometheus + Grafana + Evidently AI para data drift, concept drift, latencia, coste por inferencia y fairness metrics.
- Serving híbrido: vLLM / TGI para LLMs en GPU (A100/H100), ONNX Runtime / Triton para modelos clásicos (XGBoost, LightGBM, TabPFN) en CPU —todo detrás de un API Gateway con canary releases y shadow mode.
Casos reales BAOSS (anonimizados, métricas auditadas)
Caso 1: Banca minorista — Retención proactiva con agentes IA
Reto: Modelo de churn mensual en batch (AUC 0.81) ignorado por gestores por falta de explicabilidad y acción tardía.
Solución BAOSS: Migración a scoring diario + agente CrewAI (3 agentes: Scorer, Explainer con SHAP + LLM, ActionPlanner) que genera next-best-action personalizada en CRM. RAG sobre histórico de interacciones y normativa MiFID II.
Resultados a 6 meses:
- Reducción 42% tiempo despliegue de nuevos features (Feature Store + CI/CD MLflow + GitOps ArgoCD).
- ROI 3.2x: 1,8 M€ ahorrados en campañas de retención mal dirigidas.
- Adopción gestores: 78% (vs 12% anterior) gracias a explicaciones en lenguaje natural + evidencia trazable.
- Latencia P99 inferencia + explicación: 340 ms (vLLM en A100 40GB, batch size 32).
Caso 2: Manufactura discreta — Mantenimiento predictivo multimodal
Reto: Paradas no planificadas en línea de ensamblaje (coste 18k€/h). Sensores vibración, temperatura, corriente + logs MES + manuales mantenimiento (PDF).
Solución BAOSS: Pipeline multimodal: (1) TabPFN (Tabular Prior-Data Fitted Networks) para series temporales tabulares, (2) CNN 1D para vibración raw, (3) RAG sobre manuales técnicos (Llama 3.1 70B cuantizado 4-bit en Ollama) para generar root-cause hypothesis. Orquestación con LangGraph + MCP para crear OT en SAP PM automáticamente.
Resultados a 9 meses:
- Reducción 37% paradas no planificadas (de 22 a 14/año).
- MTTR (Mean Time To Repair) -28% por diagnóstico asistido por RAG.
- Coste inferencia/día: 12€ (vLLM + ONNX en 2x T4, spot instances).
- Cumplimiento EU AI Act: High-risk AI system documentado, human-in-the-loop obligatorio antes de parada automática.
Caso 3: E-commerce omnicanal — Demand forecasting con incertidumbre calibrada
Reto: Forecast semanal por SKU/tienda (120k combinaciones) con MAPE 18%. Sobre-stock en 23% referencias, roturas en 15%.
Solución BAOSS: Ensemble: Temporal Fusion Transformer (PyTorch Forecasting) + LightGBM + conformal prediction para intervalos de predicción calibrados (cobertura 90% real). Agente AutoGen para simular what-if (promos, festivos, roturas proveedor) y recomendar replenishment óptimo.
Resultados a 4 meses:
- MAPE 11.2% (vs 18% baseline).
- Stock medio -19% manteniendo nivel de servicio 98.5%.
- Tiempo simulación what-if (100 escenarios): 2.3 seg (paralelización AutoGen + vLLM).
Técnicas 2025: Qué usamos realmente en producción
Categoría Técnicas / Modelos Cuándo aplicar (regla BAOSS) Tabular clásico XGBoost, LightGBM, CatBoost, TabPFN (zero-shot), ModernNCA Datos estructurados, features ingenieradas, necesidad de explicabilidad nativa (SHAP). Baseline obligatorio. Series temporales Temporal Fusion Transformer, N-BEATS, TimesNet, Chronos (Amazon, zero-shot), Moirai (Salesforce) Forecasting multivariado con covariadas conocidas (promos, festivos). Chronos/Moirai para cold-start sin histórico. Grafos + ML GraphSAGE, GAT, GraphGPS, NeuralPlexer (proteínas), GraphRAG (Microsoft) Fraude en redes, recomendación, supply chain multi-nivel, resolución de entidades. GraphRAG para RAG estructurado. Multimodal / Documentos LayoutXLM, Donut, GPT-4o Vision, Claude 4 Vision, Llama 3.2 Vision Extracción de features de PDFs, planos, etiquetas, tickets adjuntos. Fine-tuning LoRA si dominio muy específico. Agentes / Composite AI LangGraph (stateful, ciclos), CrewAI (role-based), AutoGen (conversación multi-agente), MCP (tool calling estandarizado) Workflows de decisión > 3 pasos, necesidad de human-in-the-loop, trazabilidad completa, integración ERP/CRM/APIs. Uncertainty Quantification Conformal Prediction, Quantile Regression, MC Dropout, Deep Ensembles, NGBoost, Laplace Approximation Obligatorio en decisiones de alto riesgo (crédito, salud, seguridad). Reguladores exigen intervalos, no point estimates. Herramientas 2025: Nuestro verdict tras 50+ proyectos
- Experimentación / Desarrollo: VS Code + Dev Containers + MLflow 3.0 (tracking + projects + models + recipes) +
Análisis predictivo, qué es y para qué sirve
