Dónde conocemos el terreno — y qué hace allí la IA.

Agentes individuales con un rol claro, herramientas acotadas y límites firmes — y equipos de agentes que se delegan trabajo entre sí. Nosotros operamos uno.

• Agente coordinador que reparte el trabajo entre agentes especialistas; las piezas independientes se distribuyen en líneas de trabajo paralelas que devuelven resultados estructurados con evidencia citada.
• Enrutamiento por tarea — quién la gestiona, qué nivel de modelo, razonamiento activado o no — decidido por dos jueces independientes; ante cualquier duda, escala al modelo más potente.
• Un segundo modelo, distinto, revisa lo que se publica antes de que salga; si la revisión falla, no se publica nada.

Conjuntos de prueba fijos y controles de release, para que cualquier cambio en un agente o en un modelo sea un release con evidencia.

• Control de regresión para cada cambio de modelo: 43 casos deterministas, sin LLM como juez. Aprobado = puntuación de al menos la línea base menos 2, cero regresiones en tool calling, cero errores de petición.
• Benchmark de enrutamiento con 60 solicitudes realistas y etiquetas de referencia fijas, medido antes de añadir los casos de operaciones: 95% de gestor correcto, 90% de nivel de modelo correcto.
• Conjuntos de evaluación elaborados a partir de sus propios casos. Nuestro dataset abierto de 3.413 solicitudes de cambio sintéticas para agentes y un adaptador LoRA sobre Qwen3-4B son públicos en Hugging Face.

Modelos en su propio hardware cuando los datos no deben salir de la empresa: elegidos, cuantizados, servidos y probados. Nosotros operamos modelos locales.

• Versiones cuantizadas de modelos abiertos con perfiles de servicio medidos — un modelo mixture-of-experts de 125.000 millones de parámetros funciona en un solo Mac con unos 40 GB de memoria.
• Híbrido por diseño: las líneas de trabajo paralelas se ejecutan en un modelo local, las tareas más difíciles pasan a un modelo en la nube más potente; una decisión de enrutamiento tarda unos 1,5 s en hardware local.
• Datos clasificados desde el principio: qué puede ir a modelos en la nube y qué debe quedarse en local.

Asistentes que responden a partir de sus propios documentos, con fuentes — en los idiomas que usan sus equipos y clientes.

• Asistente multilingüe en nuestro propio sitio web: recuperación sobre todas las páginas en cinco idiomas, respuestas en streaming con enlaces numerados a las fuentes, en el idioma del visitante.
• Primero las salvaguardas: el asistente no recibe herramientas ni datos de clientes y rechaza las solicitudes fuera de tema y los intentos de prompt injection — 5 de 5 casos de prueba resistieron.
• Preguntas y respuestas sobre runbooks, políticas y documentos de proyecto con enlaces a las fuentes — con un modelo privado si los datos deben quedarse en la empresa.

Servidores MCP y APIs que dan a un agente exactamente las herramientas que necesita — y nada más.

• Nuestro propio sitio web es un servidor MCP y un agente A2A: otros agentes pueden leer la presentación del estudio o cualquier página como markdown y enviar una consulta.
• Herramientas acotadas por agente, con límites firmes y una vía de escalado a una persona.
• Conectamos agentes con ERP, CRM, documentos y APIs — o usamos un flujo de trabajo sencillo donde no hace falta un agente.

Coordinación de proyectos de IA desde el concepto detallado hasta el piloto: decisiones de arquitectura, dimensionamiento, protección de datos, dirección.

• Línea base de evaluación y plan de release para cada agente antes de empezar la construcción.
• Calificación de riesgo y clasificación según el EU AI Act para cada agente (conocimiento investigado), con supervisión humana (human-in-the-loop) desde el diseño y documentación que un comité de empresa alemán puede revisar.
• Control de cambio de modelo integrado en la gestión de cambios del proyecto.

Capacidades que hemos construido: un cockpit de planificación y releases sobre un LLM privado, y la lógica de producto de un SaaS de IA multiinquilino.

• Cockpit que contrasta los correos entrantes con el plan vigente y redacta respuestas — con un modelo privado.
• Lógica de un SaaS de IA multiinquilino: flujos de trabajo de casos, paquetes de evidencia, reglas de escalado, facturación por uso.

ChaRM, quality gates, transportes, CTS+ y cCTS.

• Agente que revisa transportes y solicitudes de cambio contra los quality gates y redacta el resumen para el CAB.
• Propuestas de secuenciación de transportes que aprueba un release manager.
• Los mismos controles para los propios agentes: versionados, probados contra una línea base, aprobados y reversibles antes de que un cambio de agente entre en producción.

Solution Manager, Focus Build, Focus RUN; SAP Cloud ALM como conocimiento investigado.

• Agente que convierte requisitos en historias de usuario para el backlog de ALM.
• Resúmenes de health checks para la próxima reunión del comité de dirección.
• Inventario de cada agente, modelo, skill y servidor MCP — con responsable y versión, en su propio pipeline de Git o, como conocimiento investigado, en SAP Cloud ALM.

SLA, monitoreo, recuperación ante desastres, análisis de causa raíz.

• Triaje de incidencias que correlaciona alertas de monitoreo y redacta el análisis de causa raíz.
• Preguntas y respuestas sobre runbooks con un modelo privado.
• Automatización de runbooks en la que el agente prepara los pasos y una persona los aprueba antes de que se ejecute nada.

De sistemas no SAP a ECC, de Oracle a HANA, traslados a la nube, consolidación de landscapes.

• Comprobación de mapeos de datos antes de cada ejecución de migración.
• Agente de runbook de cut-over con evidencia por paso.
• Evidencias de prueba de la migración, recopiladas por un agente; el go-live queda bloqueado hasta que estén completas.

Conceptos de seguridad, autorizaciones, coordinación de pruebas de penetración.

• Agente que asigna los hallazgos a planes de medidas y hace seguimiento de la evidencia hasta el cierre.
• Revisión previa de cambios de autorizaciones con aprobación de cuatro ojos.
• Seguridad para los propios agentes: acotación de herramientas y pruebas de prompt injection antes de cada release.

Sistemas de comercio y experiencia del cliente conectados al núcleo SAP.

• Triaje de excepciones de pedidos entre el comercio electrónico y el ERP.
• Respuestas de atención al cliente redactadas por un LLM, con aprobación humana.

Planificación de releases, coordinación entre desarrollo, pruebas y producción.

• Agente de notas de release y evidencias de prueba.
• Guardián del calendario de cambios frente a los periodos de congelación.
• Los cambios de modelo y de prompt pasan por el mismo control de release que el código.

Planificación, coordinación de partners, proveedores y equipos globales.

• Agente que contrasta los correos con el plan de proyecto vigente y redacta respuestas.
• Informes de estado elaborados a partir del plan, los tickets y el correo.