Una nota de voz puede contener suficiente información para preparar un presupuesto.
El problema es que una nota de voz no es un dato estructurado.
Primero hay que entenderla.
Tomemos un ejemplo:
«En casa de Dupont, cambiar el termo de 200 litros, prever dos horas de mano de obra y volver a llamar al cliente para confirmar el acceso al local.»
Para un humano, la información es bastante clara.
Para un software de gestión, hay que transformarla.
Paso 1: transcribir
El primer paso consiste en convertir la voz en texto.
Audio
↓
Speech-to-text
↓
TextoEste paso puede realizarse con un modelo de reconocimiento de voz.
Pero la transcripción por sí sola no basta.
Paso 2: extraer la información
A continuación hay que analizar el texto.
Buscamos, por ejemplo:
{
"customer": "Dupont",
"product": "Termo 200L",
"quantity": 1,
"labor_hours": 2,
"follow_up": "Confirmar el acceso al local"
}Aquí es donde un LLM resulta interesante.
Puede transformar un texto libre en una estructura aprovechable.
Paso 3: aplicar la lógica de negocio
Es un paso que a menudo se olvida en las demostraciones de IA.
El LLM no debería calcular él solo el precio final.
El sistema debe aplicar sus propias reglas.
Por ejemplo:
Producto identificado
↓
Búsqueda en el catálogo
↓
Precio de catálogo
↓
Reglas comerciales
↓
Mano de obra
↓
Impuestos
↓
TotalLa IA entiende.
El motor de negocio calcula.
Esta separación es esencial.
Paso 4: generar el presupuesto
Una vez validados los datos, el sistema puede preparar el presupuesto.
Pero yo mantendría una validación humana:
Nota de voz
↓
IA
↓
Datos estructurados
↓
Motor de negocio
↓
Borrador de presupuesto
↓
Validación
↓
EnvíoEsta arquitectura es mucho más robusta que un sistema en el que la IA genera directamente un documento final.
Por qué este enfoque es interesante
La ganancia no viene únicamente de la rapidez.
Viene de eliminar la doble introducción de datos.
El artesano puede hablar con naturalidad.
Después, el software transforma esa información en datos estructurados.
Pasamos así de:
interfaz → formulario → campos → introducción de datos
a:
conversación → comprensión → datos → acción
Es una evolución importante de la interacción persona-máquina.
El papel del desarrollador
Construir este tipo de sistema no consiste simplemente en conectar una API de LLM.
Hay que diseñar:
- los esquemas de datos;
- las validaciones;
- las reglas de negocio;
- los permisos;
- los mecanismos de recuperación;
- los logs;
- las confirmaciones humanas;
- las llamadas a herramientas;
- los controles antes de cada acción.
La IA es una pieza.
La arquitectura hace el resto.
Un workflow sencillo ya puede aportar mucho valor
No es necesario construir un agente totalmente autónomo.
Un primer workflow puede hacer simplemente:
🎙️ Nota de voz
↓
📝 Transcripción
↓
🧠 Extracción
↓
🔎 Búsqueda del cliente
↓
📦 Búsqueda de productos
↓
🧮 Cálculo de negocio
↓
📄 Borrador de presupuesto
↓
👤 Validación humanaYa es una automatización concreta.
Y, sobre todo, responde a un problema real.
El objetivo no es poner IA en todas partes
Es probablemente la lección más importante.
No hay que empezar por:
«¿Dónde podemos poner un LLM?»
Hay que empezar por:
«¿Qué tarea le hace perder tiempo al usuario?»
Y luego ver si la IA puede reducir realmente esa fricción.
En un software de gestión, suele ser ahí donde aparecen los mejores casos de uso.
Para profundizar :
