---
title: "IA"
updated: "2026-11-16"
url: "https://www.etheon.com/es/services/ai"
---

# Servicios de desarrollo de IA

Desarrollo de IA, de la estrategia a MLOps. Construimos agentes, modelos y las integraciones que los ponen a trabajar en su empresa.

## Desarrollo de IA, de la estrategia a MLOps. Construimos agentes, modelos y las integraciones que los ponen a trabajar en su empresa.

### Consultoría.

Dónde rinde la IA en su empresa, qué necesita de sus datos y qué construir primero.

- Una lista priorizada de casos de uso
- Una evaluación de la preparación de los datos
- Un primer desarrollo con alcance definido

Clasificación de ejemplo · una ilustración del formato, no los casos de uso de un cliente

1. Respuestas de soporte redactadas desde su centro de ayuda: Documentos claros, gran volumen
2. Notas de llamadas de ventas escritas en su CRM: Trabajo repetitivo, fácil de comprobar
3. Una previsión de demanda para sus productos más vendidos: Los datos existen, el valor es claro

### IA generativa.

Asistentes sobre sus documentos y funciones de IA dentro de su producto.

- Un asistente sobre sus documentos
- Respuestas que citan sus fuentes
- Funciones de IA en su producto

### Agentes.

Agentes que trabajan en sus sistemas, dentro de los límites que usted fija y con una persona donde importa.

- Herramientas que el agente puede llamar, cada una con su propio permiso
- Límites aplicados fuera del modelo
- Cada paso registrado y reproducible
- Una persona aprueba lo que usted elija

En esta etapa: Llamadas a herramientas, Salvaguardas, Trazas

Ejecución de ejemplo · una ilustración del formato, no el sistema de un cliente

|  |  |  |  |
| --- | --- | --- | --- |
| 00\.00 | request | Refund order 1042 if the policy allows it |  |
| 00\.12 | retrieve | refund-policy.md, section 3.2 | fundamentada |
| 00\.31 | tool | orders.lookup(1042) | entregado hace 9 días |
| 00\.44 | check | inside the 14-day window | superada |
| 00\.52 | guard | amount under the agent's limit | superada |
| 00\.53 | person | approval not needed under the limit | omitido |
| 00\.71 | tool | payments.refund(1042) | hecho |
| 00\.72 | log | every step saved for review | guardado |

### IA documental y visual.

Lectura de documentos, imágenes y video con IA.

- Datos extraídos de formularios, facturas y contratos
- Páginas escaneadas convertidas en texto en el que se puede buscar
- Imágenes clasificadas y su contenido identificado
- Video en el que se buscan los momentos que usted indica

### Integración.

IA conectada a los sistemas y al inicio de sesión que ya usa.

- El modelo que encaja con la tarea
- Inicio de sesión único
- Costo y tiempo de respuesta medidos

### MLOps.

Cada versión registrada, cada lanzamiento reversible.

- Evaluación antes de cada lanzamiento
- Versiones numeradas con reversión
- Fichas de modelo

### Consultoría. Dónde rinde la IA en su empresa y qué construir primero.

#### Qué es

La consultoría de IA decide dónde vale la pena construir IA en su empresa antes de construir nada. Analizamos sus procesos y sus datos, clasificamos los casos de uso según lo que puede aportar cada uno y lo que necesita, y definimos el alcance de el primer desarrollo para que su resultado se pueda medir.

#### Qué hacemos

- Priorizar los casos de uso
- Comprobar qué necesitan de sus datos
- Definir el alcance de un primer desarrollo

#### Cómo lo hacemos

1. Entrevistar: Las personas que conocen el trabajo y los datos que lo respaldan.
2. Priorizar: Cada caso de uso según lo que puede aportar y lo que necesita.
3. Comprobar los datos: Si existen, están limpios y se pueden usar.
4. Definir el alcance: El primer desarrollo y cómo se medirá su resultado.

#### Qué obtiene

- Una lista priorizada de casos de uso
- Una nota sobre la preparación de los datos
- Un primer proyecto con alcance definido

#### Relacionado

- [IA generativa](https://www.etheon.com/es/services/ai?detail=generative-ai#generative-ai)
- [Cómo trabajamos](https://www.etheon.com/es/company/how-we-work)

### IA generativa. Asistentes y funciones de IA construidos sobre sus documentos y su producto.

#### Qué es

La IA generativa es software que redacta, responde y resume a partir de su propio material. Construimos asistentes sobre sus documentos que citan sus fuentes y funciones de IA dentro de su producto, cada una probada con ejemplos que usted aprueba antes de llegar a sus usuarios.

#### Qué hacemos

- Un asistente sobre sus documentos
- Respuestas que citan sus fuentes
- Funciones de IA en su producto

#### Cómo lo hacemos

1. Reunir las fuentes: Los documentos y los datos que el asistente puede leer.
2. Construir y fundamentar: Respuestas que citan el pasaje del que proceden.
3. Evaluar: Preguntas reales de su equipo, puntuadas antes del lanzamiento.
4. Lanzar por etapas: Primero a un grupo pequeño y después a todos.

#### Qué obtiene

- El asistente y su código en su repositorio
- Un conjunto de evaluación y sus puntuaciones
- Un runbook para su equipo

#### Stack y herramientas

- Model APIs
- Embeddings
- Vector search
- Evaluation sets

#### Relacionado

- [Kuest AI, un tutor de IA que enseña paso a paso](https://www.etheon.com/es/work/kuest-ai)
- [Evaluación](https://www.etheon.com/es/services/ai?detail=evaluation#evaluation)
- [Modelos alojados](https://www.etheon.com/es/services/ai?detail=hosted-models#hosted-models)

### Agentes. Software que ejecuta acciones en sus sistemas, dentro de los límites que usted fija.

#### Qué es

Un agente es software que ejecuta acciones en sus sistemas: lee una tarea, llama a las herramientas que puede llamar y registra cada paso. Construimos cada agente dentro de un arnés de permisos y límites que están fuera del modelo, con una persona que aprueba los pasos que usted elija, para que el agente solo pueda hacer lo que usted ha fijado.

#### Qué hacemos

- Mapear la tarea: sus pasos, los sistemas que toca y dónde aprueba una persona.
- Construir las herramientas que el agente puede llamar, cada una con su propio permiso.
- Fijar los límites de datos, gasto y alcance, aplicados fuera del modelo.
- Registrar cada paso, para que su equipo pueda reproducir lo que hizo el agente y por qué.

#### Cómo lo hacemos

1. Definir el alcance de la tarea: Los pasos, los sistemas y las decisiones que conserva una persona.
2. Construir las herramientas: Cada herramienta que el agente puede llamar, con su propio permiso.
3. Evaluar: Un conjunto de evaluación a partir de sus propios casos, puntuado antes del lanzamiento.
4. Lanzar por etapas: Primero una persona aprueba cada acción; después, solo las excepciones.
5. Vigilar y mejorar: Trazas, alertas y una revisión periódica de lo que hizo mal.

#### Qué obtiene

- El agente y sus herramientas en su repositorio
- Un mapa de permisos
- Un conjunto de evaluación y sus puntuaciones
- Una traza de cada ejecución
- Un runbook para su equipo

#### Stack y herramientas

- Model APIs
- Tool calling
- Sandboxes
- Tracing
- Evaluation sets

#### Relacionado

- [Jeriko, un equipo de agentes de IA personales](https://www.etheon.com/es/work/jeriko)
- [El arnés del agente](https://www.etheon.com/es/services/ai?detail=agent-harness#agent-harness)
- [Datos para ML](https://www.etheon.com/es/services/data?detail=ml-data#ml-data)

Agentes para su empresa. Cuéntenos la tarea y los sistemas que toca. Respondemos en un día laborable.

### IA documental y visual. Lectura de documentos, imágenes y video con IA.

#### Qué es

La IA documental y visual lee lo que su empresa recibe como archivos: formularios, facturas, contratos, páginas escaneadas, imágenes y video. Construimos sistemas que extraen los datos que necesita, convierten los escaneos en texto en el que se puede buscar, clasifican imágenes según su contenido y encuentran los momentos de un video que usted indica, cada uno comprobado con ejemplos que usted aprueba.

#### Qué hacemos

- Extraer datos de formularios, facturas y contratos
- Convertir páginas escaneadas en texto en el que se puede buscar
- Clasificar imágenes e identificar su contenido
- Buscar en videos los momentos que usted indica

#### Cómo lo hacemos

1. Reunir ejemplos: Documentos, imágenes o videos reales de su trabajo.
2. Construir el lector: Un modelo que los lee, comprobado con sus ejemplos.
3. Revisar lo dudoso: Una persona comprueba aquello de lo que el modelo no está seguro.
4. Conectar: Los resultados llegan al sistema que los necesita.

#### Preguntas

**¿Puede una persona comprobar los resultados?**

Sí. Todo aquello de lo que el modelo no está seguro va a una cola de revisión, y una persona decide antes de que siga adelante.

**¿Qué tipos de documentos pueden leer?**

Formularios, facturas, contratos, páginas escaneadas, imágenes y video. Hacemos pruebas con ejemplos suyos antes de construir.

#### Qué obtiene

- El pipeline de extracción en su repositorio
- Un conjunto de evaluación y sus puntuaciones
- Una cola de revisión para su equipo

#### Stack y herramientas

- Document parsing
- Optical character recognition
- Vision models
- Evaluation sets

#### Relacionado

- [IA generativa](https://www.etheon.com/es/services/ai?detail=generative-ai#generative-ai)
- [Evaluación](https://www.etheon.com/es/services/ai?detail=evaluation#evaluation)

### Integración. IA conectada a los sistemas que ya opera.

#### Qué es

La integración pone la IA a trabajar dentro de los sistemas que ya opera. Conectamos un modelo a sus aplicaciones, sus datos y su inicio de sesión único, elegimos el modelo que encaja con cada tarea y medimos su costo y su tiempo de respuesta para que la función siga siendo asequible a medida que crece su uso.

#### Qué hacemos

- El modelo que encaja con la tarea
- Inicio de sesión único
- Costo y tiempo de respuesta medidos

#### Cómo lo hacemos

1. Mapear los sistemas: Dónde vive la función y qué lee y escribe.
2. Elegir el modelo: Puntuado en su tarea por calidad, costo y tiempo de respuesta.
3. Conectar: A través de sus API y su inicio de sesión único.
4. Medir: Costo y tiempo de respuesta vigilados una vez en producción.

#### Qué obtiene

- El código de integración en su repositorio
- Un informe de costo y tiempo de respuesta
- Un runbook para su equipo

#### Stack y herramientas

- Model APIs
- API gateways
- Single sign-on
- Monitoring

#### Relacionado

- [Software a medida](https://www.etheon.com/es/services/software?detail=custom-software#custom-software)
- [Apps web](https://www.etheon.com/es/services/web?detail=web-apps#web-apps)

### MLOps. Modelos lanzados, medidos y en funcionamiento.

#### Qué es

MLOps mantiene los modelos en funcionamiento después del lanzamiento. Construimos los pipelines que entrenan, evalúan y lanzan un modelo, un registro que versiona cada uno, una supervisión que lo vigila en producción y un reentrenamiento cuando cambian los datos, con cada lanzamiento reversible.

#### Qué hacemos

- Pipelines
- Un registro de modelos
- Supervisión
- Reentrenamiento
- Versiones numeradas con reversión
- Fichas de modelo

#### Cómo lo hacemos

1. Construir el pipeline: Entrenamiento, evaluación y lanzamiento, escritos como código.
2. Registrar cada modelo: Cada versión guardada con sus datos y sus puntuaciones.
3. Lanzar con reversión: Una nueva versión sustituye a la anterior solo cuando supera las pruebas.
4. Supervisar: Calidad y deriva vigiladas en producción.
5. Reentrenar: Cuando cambian los datos, con los mismos controles que antes.

#### Preguntas

**¿Podemos revertir un modelo?**

Sí. Cada lanzamiento está versionado, así que el modelo anterior puede volver cuando uno nuevo no da la talla.

**¿Cómo saben que un modelo sufre deriva?**

La supervisión compara las entradas y los resultados reales con el conjunto de prueba, y avisa a su equipo cuando se separan.

#### Qué obtiene

- Los pipelines en su repositorio
- Un registro de modelos
- Supervisión y alertas
- Una ficha de modelo para cada lanzamiento

#### Stack y herramientas

- Pipeline orchestration
- Model registries
- Experiment tracking
- Monitoring
- Evaluation sets

#### Relacionado

- [Evaluación](https://www.etheon.com/es/services/ai?detail=evaluation#evaluation)
- [Datos para ML](https://www.etheon.com/es/services/data?detail=ml-data#ml-data)

## Dentro de un agente: el arnés.

El modelo es una parte; el arnés que lo rodea decide qué puede hacer el agente.

- Modelo: Lee la tarea y decide el siguiente paso.
- Herramientas: Las acciones que el agente puede llamar, cada una con nombre y limitada.
- Permisos: Lo que puede tocar cada herramienta, aplicado fuera del modelo.
- Contexto: Los documentos y datos que el agente puede leer para esta tarea.
- Sandbox: Dónde se ejecuta el agente, separado de los sistemas a los que no debe llegar.
- Aprobación: Los pasos que una persona aprueba antes de que ocurran.
- Traza: Cada paso escrito en un registro que su equipo puede reproducir.

### El arnés del agente. Todo lo que rodea al modelo y decide qué puede hacer un agente.

#### Qué es

Un arnés de agente es el software que rodea a un modelo y decide qué puede hacer el agente: las herramientas que puede llamar, los permisos de cada una, el contexto que puede leer, dónde se ejecuta, los pasos que aprueba una persona y el registro de cada paso. Construimos primero el arnés y después el agente dentro de él, para que sus límites se mantengan responda lo que responda el modelo.

#### Qué hacemos

- Nombrar cada herramienta que el agente puede llamar
- Fijar los permisos de cada herramienta fuera del modelo
- Ejecutar el agente en un sandbox, separado de sus sistemas
- Poner a una persona antes de los pasos que usted elija
- Escribir cada paso en un registro que su equipo puede reproducir

#### Qué obtiene

- El arnés y sus herramientas en su repositorio
- Un mapa de permisos
- Una traza reproducible de cada ejecución

#### Stack y herramientas

- Tool calling
- Sandboxes
- Policy enforcement
- Tracing

#### Relacionado

- [Agentes](https://www.etheon.com/es/services/ai?detail=agents#agents)
- [Evaluación](https://www.etheon.com/es/services/ai?detail=evaluation#evaluation)

## Modelos.

Cuatro formas de poner un modelo a trabajar, y lo que cada una le pide.

### Usar un modelo alojado

El modelo de un proveedor, usado a través de su API.

- Lo que necesita: Una cuenta con el proveedor y condiciones adecuadas para sus datos.
- Lo que es suyo: Sus prompts, su conjunto de evaluación y el código que rodea al modelo.
- Cuándo encaja: Cuando un modelo general ya hace la tarea suficientemente bien.

### Operar un modelo abierto

Pesos abiertos en una infraestructura que usted controla.

- Lo que necesita: Servidores o una cuenta cloud con el hardware adecuado.
- Lo que es suyo: El despliegue, y adónde van sus datos.
- Cuándo encaja: Cuando sus datos deben permanecer en su propio entorno.

### Ajustar un modelo

Un modelo base con entrenamiento adicional sobre sus ejemplos.

- Lo que necesita: Buenos ejemplos de la tarea y una forma de puntuarlos.
- Lo que es suyo: Los pesos ajustados, donde la licencia del modelo base lo permita.
- Cuándo encaja: Cuando los prompts por sí solos no alcanzan su nivel de calidad.

### Entrenar uno propio

Un modelo entrenado con sus datos para una tarea, como una previsión o un clasificador.

- Lo que necesita: Suficientes datos etiquetados para la tarea.
- Lo que es suyo: El modelo y su código de entrenamiento.
- Cuándo encaja: Cuando la tarea es concreta y los datos son suyos.

### Modelos alojados. El modelo de un proveedor, usado a través de su API, con las condiciones para sus datos comprobadas.

#### Qué es

Un modelo alojado es el modelo de un proveedor que usa a través de su API, sin servidores propios que operar. Elegimos entre proveedores puntuándolos con su propio conjunto de evaluación, comprobamos las condiciones de cada proveedor frente a sus datos y medimos el costo y el tiempo de respuesta de cada llamada.

#### Qué hacemos

- Elegir según su conjunto de evaluación
- Comprobar las condiciones del proveedor
- Medir el costo y el tiempo de respuesta

#### Cómo lo hacemos

1. Construir el conjunto de evaluación: Ejemplos reales de la tarea, puntuados de la misma forma.
2. Comparar proveedores: Cada modelo puntuado con su conjunto.
3. Comprobar las condiciones: Adónde van sus datos y si pueden conservarse.
4. Medir: Costo y tiempo de respuesta a su volumen.

#### Qué obtiene

- Una comparación de proveedores con su conjunto de evaluación
- El código de integración en su repositorio

#### Stack y herramientas

- Model APIs
- Evaluation sets
- Prompt management
- Usage monitoring

#### Relacionado

- [Modelos abiertos](https://www.etheon.com/es/services/ai?detail=open-models#open-models)
- [Evaluación](https://www.etheon.com/es/services/ai?detail=evaluation#evaluation)

### Modelos abiertos. Pesos abiertos, ejecutados donde ya residen sus datos.

#### Qué es

Un modelo abierto es un modelo cuyos pesos ejecuta usted mismo, en servidores o en una cuenta cloud que controla. Encaja con trabajos cuyos datos deben permanecer en su entorno. Elegimos el modelo según su conjunto de evaluación, lo desplegamos en su infraestructura y medimos su calidad, su costo y su velocidad.

#### Qué hacemos

- Elegir un modelo abierto según su conjunto de evaluación
- Desplegarlo en una infraestructura que usted controla
- Medir su calidad, su costo y su velocidad

#### Cómo lo hacemos

1. Preseleccionar: Modelos abiertos cuya licencia encaja con su uso.
2. Puntuar: Cada uno con su conjunto de evaluación.
3. Desplegar: En sus servidores o en su cuenta cloud.
4. Medir: Calidad, costo y tiempo de respuesta bajo carga.

#### Qué obtiene

- El despliegue como código en su repositorio
- Una evaluación de los modelos que se consideraron

#### Stack y herramientas

- Model serving
- GPU infrastructure
- Evaluation sets
- Monitoring

#### Relacionado

- [Modelos alojados](https://www.etheon.com/es/services/ai?detail=hosted-models#hosted-models)
- [Ajuste fino](https://www.etheon.com/es/services/ai?detail=fine-tuning#fine-tuning)

### Ajuste fino. Un modelo base con entrenamiento adicional sobre ejemplos de su tarea.

#### Qué es

El ajuste fino entrena un modelo base con ejemplos de su tarea, para que responda en su formato y en su dominio. Vale la pena cuando los prompts por sí solos no alcanzan su nivel de calidad. Preparamos los ejemplos, entrenamos y puntuamos el modelo ajustado frente al modelo base con su conjunto de evaluación.

#### Qué hacemos

- Preparar ejemplos de su tarea
- Seguir entrenando el modelo base
- Puntuarlo frente al modelo base

#### Cómo lo hacemos

1. Reunir ejemplos: Buenos ejemplos de la tarea, comprobados por su equipo.
2. Entrenar: El modelo base, entrenado además con ellos.
3. Puntuar: El modelo ajustado y el modelo base, comparados con su conjunto de evaluación.
4. Desplegar: Solo si el modelo ajustado lo hace mejor.

#### Qué obtiene

- Los pesos ajustados, a su nombre donde la licencia del modelo base lo permita

#### Stack y herramientas

- Training frameworks
- GPU infrastructure
- Evaluation sets
- Model registries

#### Relacionado

- [Evaluación](https://www.etheon.com/es/services/ai?detail=evaluation#evaluation)
- [Datos para ML](https://www.etheon.com/es/services/data?detail=ml-data#ml-data)

### Aprendizaje automático. Un modelo entrenado con sus datos para una tarea: una previsión, un ranking, un clasificador.

#### Qué es

Aquí, el aprendizaje automático significa un modelo entrenado con sus datos para una tarea concreta: una previsión, un ranking o un clasificador. Preparamos los datos, entrenamos y evaluamos el modelo, y lo desplegamos con los pipelines que lo mantienen al día a medida que cambian sus datos.

#### Qué hacemos

- Preparar sus datos para una tarea
- Entrenar y evaluar el modelo
- Desplegarlo con pipelines que lo mantienen al día

#### Cómo lo hacemos

1. Plantear la tarea: Qué predice el modelo y cómo se juzgará.
2. Preparar los datos: Etiquetados, limpios y divididos para entrenamiento y pruebas.
3. Entrenar y evaluar: Candidatos comparados con datos que no han visto.
4. Desplegar: Con el pipeline que lo reentrena a medida que cambian sus datos.

#### Qué obtiene

- El modelo y su código de entrenamiento
- Un informe de evaluación
- Un pipeline de reentrenamiento

#### Stack y herramientas

- Training frameworks
- Feature stores
- Experiment tracking
- Model registries

#### Relacionado

- [Datos para ML](https://www.etheon.com/es/services/data?detail=ml-data#ml-data)
- [MLOps](https://www.etheon.com/es/services/ai?detail=mlops#mlops)

## Evaluación: controles de lanzamiento.

Cada modelo pasa las mismas comprobaciones antes de llegar a sus usuarios.

| Control | Qué medimos | Cómo | Umbral | Se ejecuta |
| --- | --- | --- | --- | --- |
| Calidad de la tarea | Respuestas correctas en su conjunto de prueba | Puntuadas frente a un conjunto etiquetado que usted aprueba | Fijado con usted | Cada build |
| Fundamentación | Cada respuesta cita sus fuentes | Cada frase rastreada hasta un pasaje recuperado | Fijado con usted | Cada build |
| Seguridad | Solicitudes dañinas o contrarias a la política, rechazadas | Prompts de red team y baterías de jailbreak | Fijado con usted | Antes del lanzamiento |
| Privacidad | Ningún dato personal sale de su perímetro | Anonimización probada con registros ficticios | Fijado con usted | Cada build |
| Latencia | Lo bastante rápido para la tarea | Tiempo de respuesta medido bajo carga | Fijado con usted | Antes del lanzamiento |
| Costo | Asequible a su volumen | Costo modelado a su volumen previsto | Fijado con usted | Antes del lanzamiento |
| Deriva | Sigue siendo correcto el mes que viene | Entradas reales comparadas con el conjunto de prueba | Nivel de alerta fijado con usted | En producción |

### Método: Seguridad

Un conjunto fijo de prompts adversarios, más otros nuevos escritos para su dominio, se ejecuta contra la versión candidata. Cualquier respuesta insegura bloquea el lanzamiento y figura en el informe que usted recibe.

### Evaluación. Cada modelo pasa los mismos controles antes de llegar a sus usuarios.

#### Qué es

La evaluación es la forma en que un modelo se gana su lanzamiento. Cada modelo pasa los mismos controles: calidad de la tarea en un conjunto de prueba que usted aprueba, fundamentación en sus fuentes, seguridad frente a prompts adversarios, privacidad con registros ficticios, latencia bajo carga, costo a su volumen y deriva una vez en producción. El método de cada control está escrito y se ejecuta igual cada vez.

#### Cómo lo hacemos

1. Construir el conjunto de prueba: Ejemplos etiquetados de su tarea, aprobados por usted.
2. Fijar los umbrales: Uno para cada control, acordado con usted antes de empezar el trabajo.
3. Ejecutar en cada build: Calidad de la tarea, fundamentación y privacidad, a medida que cambia el código.
4. Ejecutar antes del lanzamiento: Seguridad, latencia y costo, sobre la versión candidata.
5. Vigilar en producción: Entradas reales comparadas con el conjunto de prueba, para detectar la deriva.

#### Preguntas

**¿Cómo evalúan un modelo antes del lanzamiento?**

Con los controles de lanzamiento de esta página: calidad de la tarea, fundamentación, seguridad, privacidad, latencia, costo y deriva. Acordamos cada umbral con usted antes de empezar el trabajo, y una versión candidata que no alcanza uno espera hasta superarlo.

#### Qué obtiene

- Un informe del resultado de cada control para cada versión candidata

#### Relacionado

- [Cómo trabajamos](https://www.etheon.com/es/company/how-we-work)
- [QA](https://www.etheon.com/es/services/software?detail=qa#qa)

## Construido y en funcionamiento.

Un producto de nuestro propio Lab y agentes que creamos para clientes.

### Etheon Delta

Nuestro Lab

Un producto del Etheon Lab.

[Explorar Delta](https://www.etheon.com/es/research#delta)

### Jeriko

Trabajo para clientes

Un equipo de agentes de IA personales.

Lo que demuestra: Agentes que actúan dentro de los permisos que usted fija.

[Explorar Jeriko](https://www.etheon.com/es/work/jeriko)

### Kuest AI

Trabajo para clientes

Un tutor que enseña paso a paso.

Lo que demuestra: Respuestas fundamentadas en su propio material.

[Explorar Kuest AI](https://www.etheon.com/es/work/kuest-ai)

## Desde el Lab. La investigación detrás de nuestra forma de construir IA.

[Ver toda la investigación](https://www.etheon.com/es/research/index)

- [En qué trabaja el Etheon Lab](https://www.etheon.com/es/research/index/what-the-etheon-lab-works-on): El Etheon Lab estudia qué hace que el software de IA sea seguro de lanzar: evaluación, salvaguardas, observabilidad, lanzamientos seguros y gobernanza.
- [Cómo probamos un modelo antes del lanzamiento](https://www.etheon.com/es/research/index/how-we-test-a-model-before-release): Cada modelo que construimos pasa los mismos controles de lanzamiento antes de llegar a los usuarios: calidad de la tarea, fundamentación, seguridad, privacidad, latencia, costo y deriva.
- [Primero, el arnés](https://www.etheon.com/es/research/index/the-harness-comes-first): Un arnés de agente es el software que rodea a un modelo y decide qué puede hacer el agente. Construimos primero el arnés y después el agente dentro de él.

## Preguntas.

Lo que preguntan los compradores antes de un proyecto de IA.

### ¿Cómo evalúan un modelo antes del lanzamiento?

Con los controles de lanzamiento de esta página: calidad de la tarea, fundamentación, seguridad, privacidad, latencia, costo y deriva. Acordamos cada umbral con usted antes de empezar el trabajo, y una versión candidata que no alcanza uno espera hasta superarlo.

### ¿Entrenan modelos con nuestros datos?

Nunca entrenamos modelos con sus datos sin su consentimiento expreso. Sus datos permanecen aislados de los de otros clientes.

### ¿De quién son el código y los modelos?

Suyos. El código, los modelos y las cuentas están a su nombre, y el repositorio es suyo desde el primer commit.

### ¿Cómo fijan el precio de un proyecto?

Según el modelo de colaboración. No publicamos precios.

### ¿Qué modelo deberíamos usar?

El que mejor hace su tarea a un costo que pueda asumir. Puntuamos los modelos candidatos con su propio conjunto de evaluación y elegimos por calidad, costo y tiempo de respuesta; las cuatro vías de Modelos comparan las opciones.

- [Datos](https://www.etheon.com/es/services/data): Pipelines, plataformas y BI
- [Cloud](https://www.etheon.com/es/services/cloud): Cloud, DevOps y SRE