Opiniones sobre nuestros servicios de Artificial Intelligence

Lo que dicen las empresas que ya trabajan con nosotros. Casos reales, cifras verificables y lecciones aprendidas en cada proyecto.

83
Proyectos completados
41
Empresas clientes
72%
Tasa de repetición
4.8
Valoración media (de 5)

Estas cifras reflejan nuestro trabajo desde 2019 hasta diciembre de 2024. La valoración media se calcula a partir de encuestas de satisfacción enviadas al finalizar cada proyecto.

Lo que dicen nuestros clientes

★★★★★
Teníamos un problema serio con la clasificación de incidencias de soporte técnico. Llegaban 400 tickets al día y el equipo tardaba una media de 7 minutos en asignar cada uno al departamento correcto. El modelo que entrenó AI Value Exponent clasifica el 91% de los tickets de forma automática, y los que requieren revisión humana ya llegan con una sugerencia de categoría. El tiempo medio de asignación bajó a 40 segundos.
Retrato de Marta Uriarte
Marta Uriarte Directora de operaciones, Logística Nervión S.L.
★★★★★
Nos propusieron un piloto de cuatro semanas para probar un modelo de predicción de demanda antes de comprometernos con el proyecto completo. En esas cuatro semanas el modelo ya acertaba la demanda semanal con un error inferior al 8%. Decidimos continuar y ahora gestionamos el inventario de nuestras tres tiendas con las previsiones del modelo. El sobrestock se redujo un 23% en seis meses.
Retrato de Iñigo Zabala
Iñigo Zabala Gerente, Distribuciones Artean
★★★★☆
Lo que más valoro es que fueron honestos sobre las limitaciones. Nuestro conjunto de datos era pequeño, unos 3.200 registros, y nos dijeron desde el principio que necesitaríamos enriquecer la base antes de entrenar un modelo fiable. Nos ayudaron a diseñar un proceso de captura de datos durante tres meses y luego construyeron el modelo. Esa honestidad inicial nos ahorró dinero y frustración.
Retrato de Elena Goikoetxea
Elena Goikoetxea Responsable de calidad, Clínica Deusto Salud
★★★★★
Implementaron un chatbot para nuestra web de reservas que responde preguntas sobre disponibilidad, precios y condiciones de cancelación. Antes recibíamos unas 60 llamadas diarias con esas consultas. Ahora el bot resuelve el 78% sin intervención humana y las llamadas bajaron a 15 al día. El equipo de recepción puede dedicar ese tiempo a atender mejor a los huéspedes que ya están en el hotel.
Retrato de Koldo Arana
Koldo Arana Director, Hotel Arriaga Bilbao

Casos de estudio

Dos proyectos representativos que muestran cómo trabajamos, qué entregamos y qué resultados obtuvieron los clientes.

Almacén logístico automatizado

Automatización de albaranes en Logística Nervión

Logística Nervión procesa 1.200 albaranes diarios de proveedores distintos, cada uno con un formato diferente. El equipo de administración dedicaba 6 personas a jornada completa a introducir los datos en el ERP.

Entrenamos un modelo de extracción de documentos (OCR + NLP) con 8.000 albaranes históricos etiquetados. El sistema identifica automáticamente el proveedor, los artículos, las cantidades y las fechas, y vuelca los datos en el ERP con una precisión del 96,3%.

Los albaranes con confianza inferior al 85% se derivan a un operador humano que revisa y corrige. Esas correcciones alimentan el modelo, que mejora cada semana.

96,3%
Precisión de extracción
45s
Tiempo por albarán
4
Puestos reasignados a tareas de mayor valor
Tienda con sistema de análisis de inventario

Predicción de demanda en Distribuciones Artean

Artean gestiona tres tiendas de productos de alimentación especializada en Bizkaia. Su problema principal era el desperdicio: productos perecederos que caducaban antes de venderse porque los pedidos se hacían por intuición del encargado de cada tienda.

Construimos un modelo de series temporales que combina el historial de ventas (18 meses), el calendario de festivos locales, la previsión meteorológica a 7 días y las promociones planificadas. El modelo genera cada lunes una propuesta de pedido para la semana siguiente, desglosada por tienda y por categoría de producto.

En los primeros seis meses, el desperdicio de productos perecederos bajó un 31% y el sobrestock general un 23%. El margen bruto subió 2,4 puntos porcentuales sin cambiar precios ni proveedores.

-31%
Desperdicio perecederos
-23%
Sobrestock
+2,4pp
Margen bruto

¿Quieres resultados parecidos?

Cada proyecto empieza con una conversación de 30 minutos donde entendemos tu problema, evaluamos tus datos y te decimos con honestidad si la IA puede ayudarte. Sin coste y sin compromiso.

Solicita tu consulta gratuita