Cliente: consultora. Stack: Python · FastAPI · Docker · IA generativa (RAG) · scraping + validación de datos

El contexto

El equipo de la consultora dedicaba gran parte de su tiempo a una rutina que no escalaba: buscar información en registros públicos, copiarla a mano, ordenarla y armar reportes. Lento, repetitivo y propenso a errores — y, lo peor, el costo crecía con cada cliente nuevo, porque más trabajo significaba más horas-persona, no mejor tecnología.

El encargo fue romper esa relación: que atender más casos no significara más horas manuales.

El enfoque

Dividí el problema en dos frentes que se suelen confundir:

  • Conseguir los datos de forma confiable. No basta con scrapear: si el dato llega mal, el reporte sale mal y la IA “alucina” sobre basura. Por eso el foco estuvo tanto en la extracción como en la validación de cada dato antes de usarlo.
  • Hacer la información consultable. En vez de entregar otro PDF estático, monté una plataforma con IA generativa (RAG) para preguntarle a la información en lenguaje natural y obtener respuestas apoyadas en los datos reales del negocio.

La clave técnica: la IA no inventa: responde sobre la base de datos ya validada. Eso es lo que la hace usable en un contexto profesional donde un error tiene costo.

Lo que hice

  • Plataforma de consulta con IA generativa en producción, construida con Python, FastAPI y Docker.
  • Automatización de reportes desde registros públicos: scraping de las fuentes + una capa de validación que descarta o marca los datos dudosos antes de que lleguen al reporte.
  • Despliegue en contenedores (Docker) para una operación estable, reproducible y fácil de mover entre entornos.

El resultado

−98% de horas manuales en la generación de reportes. Lo que antes tomaba días de trabajo repetitivo pasó a resolverse de forma automática, con los datos validados y un asistente de IA para consultarlos. El costo dejó de crecer con cada cliente: la tecnología hace el trabajo pesado y el equipo se concentra en el análisis.