Fligoo SharpAI

Nuestra plataforma de IA empresarial.

Fligoo SharpAI es la plataforma de IA empresarial que corre cargas predictivas, generativas y agénticas en producción — cubriendo arquitectura lógica, deploy físico, integraciones e interfaz de usuario, diseñada para llevar a grandes empresas del data lake a IA gobernada en producción.

Dentro de SharpAI

Cuatro herramientas, una plataforma.

AUTONOMY corre agentes autónomos sobre los modelos fundacionales. PracticeAI aplica inteligencia predictiva a wealth y asesores. AI Orchestrator opera la capa de ejecución omnichannel. DataMoveX mueve y prepara los datos por debajo. Las cuatro comparten la misma capa de gobernanza, auditoría y explicabilidad.

AUTONOMY

Agentes de IA especializados que toman acción real en la empresa.

Plataforma multi-agente que fusiona los modelos predictivos de Fligoo con ejecución autónoma. Los agentes toman acción sobre cada score — cobranza, retención, supply chain, fraude — con gobernanza, explicabilidad y auditoría completas.

30+ agentes especializados en cobranza, retención, supply chain, fraude
Orquestación multi-agente con política y auditoría
Loop cerrado Predecir → Decidir → Actuar
Integrada con los sistemas que ya operan el negocio

PracticeAI

IA empresarial para wealth management y asesores financieros.

Solución tecnológica que entrega a los asesores y sus gerentes recomendaciones inteligentes y personalizadas para retener y engagear inversores — ampliando wallet share, prediciendo atrición y protegiendo el AUM.

Predicción de atrición de inversores con meses de anticipación
Benchmarking de performance de asesores y brokers
Next best action y ofertas personalizadas
Scoring de fidelidad y satisfacción del cliente

AI Orchestrator

Campañas omnichannel disparadas por insight de IA.

Ejecuta campañas sofisticadas de comunicación multi-canal — sobre SMS, email, WhatsApp, RCS y call centers — con canal, secuencia y contenido elegidos por cliente para uplift de ventas, retención, cobranza y engagement.

Optimización de ventas con contenido personalizado
Reducción de atrición vía plays de retención targeted
Maximización de cobranza con estrategia de contacto cost-aware
Ruteo omnichannel ajustado al perfil de cada cliente

DataMoveX

Movimiento y preparación de datos para IA en producción.

Automatiza extracción, limpieza, normalización e integración de datos para que los modelos de Fligoo lleguen a producción más rápido — reemplazando pipelines manuales y propensos a error por un proceso controlado, seguro y escalable.

Extracción, limpieza y normalización automatizadas
Conectores pre-construidos para las principales plataformas de datos
Evaluación de calidad de datos y tracking de lineage
Gobernanza, integridad y reglas de descarte incorporadas

↳ AUTONOMY es el producto de agentes. Cada agente se aparea con un modelo fundacional SharpAI. Profundizá en AUTONOMY →

Concepto

La Decision Layer.

La mayoría de las IAs empresariales entregan un modelo y se detienen. Fligoo entrega el sistema que lo rodea — la capa que transforma datos empresariales crudos en decisiones operativas y explicables dentro de los canales que ya operan el negocio.

01 · Input
Datos
Perfil de cliente, cuenta, transacción, engagement, señales comportamentales — ingestados, gobernados, preparados.
02 · Embeddings
Modelos fundacionales
Pre-entrenados entre clientes e industrias. Adquisición, profitability, retención, cobranza.
03 · Inferencia
Modelos downstream
Fine-tuned al schema y lógica operativa del cliente. Tareas específicas, recomendaciones específicas.
04 · Acción
Orquestación
Recomendaciones ruteadas vía CRM, call center, sucursal, canales digitales — con chequeos de política, sesgo y auditoría.
05 · Resultado
Decisión
Una acción específica y explicable — medida contra la línea de negocio para la que fue construida.

↳ Cada recomendación lleva su justificación, sus principales drivers y su contrafactual — la explicabilidad es la capa, no un apéndice.

Cuatro capas, de punta a punta.

La plataforma separa responsabilidades de forma explícita para que cada capa pueda endurecerse, auditarse y evolucionar independientemente.

01
Layer
Arquitectura lógica
Ingesta, almacenamiento, experimentación, ejecución y modelos de output. El grafo de decisión que gobierna cómo el dato se vuelve recomendación.
- Ingesta
- Almacenamiento
- Experimentación
- Ejecución
- Output
02
Layer
Arquitectura física
Infraestructura cloud, seguridad y monitoreo — diseñada para cómputo elástico, almacenamiento cifrado y la telemetría operativa que un equipo de auditoría empresarial va a pedir.
- Cloud
- Seguridad
- Monitoreo
03
Layer
Integraciones
APIs de la plataforma, herramientas de deploy y los conectores que devuelven las predicciones a los sistemas que operan el negocio.
- API
- Deployment
- Conectores
04
Layer
Interfaz de usuario
Dashboards configurables, capa de customización, artefactos y data services — para que los usuarios de negocio puedan actuar directamente sobre el output del modelo.
- UI
- Configuración
- Artefactos
- Data services

Enfoque de modelado

Foundations basadas en transformer pre-entrenadas por vertical, cabezas fine-tuneadas por cliente.

El mismo patrón arquitectónico que volvió a los foundation models el default en lenguaje se aplica acá a datos comportamentales y temporales empresariales — pre-entrenar un backbone auto-supervisado entre muchos clientes y attach de cabezas task-específicas sobre el embedding congelado.

Foundation models

Encoders transformer pre-entrenados auto-supervisados entre muchos clientes e industrias. Dos familias de backbone — un transformer sobre secuencias de eventos (cliente / asegurado / suscriptor) y un transformer sobre tensores temporales multi-SKU multi-canal. Ambos emiten embeddings reutilizables que las cabezas downstream consumen.

Familia de backbone: Transformers de eventos + de tensor temporal
Pre-training: Auto-supervisado (masked event modeling, next-event, contrastive)
Corpus de entrenamiento: Multi-cliente, anonimizado, federado donde la residencia lo exige
Outputs: Embeddings, representaciones de secuencia, probabilidades calibradas de cabeza
Trazabilidad: MLflow + Bitbucket + model registry · pesos, corpora y hashes versionados

Category
Adquisición
Embeddings de etapa de conversión que alimentan cabezas de lead scoring y adquisición.
Category
Profitability
Embeddings de comportamiento multi-producto para cabezas de share-of-wallet y crecimiento.
Category
Retención
Embeddings pre-churn / pre-atrición para cabezas de survival y retención.
Category
Cobranza
Embeddings de payment-stress para cabezas de recovery, priorización y riesgo crediticio.

Cabezas downstream

Cabezas task-específicas attachadas al embedding congelado de la foundation y fine-tuneadas al schema, taxonomía y lógica operativa del cliente. La mayoría fine-tunea una fracción pequeña de parámetros — lo que entrenar from scratch necesitaría órdenes de magnitud más datos para igualar.

Task	Model	Note
Atrición de asesores	Cabeza de survival sobre embedding ALT	Multi-horizonte (90 / 180 día) con riesgo calibrado.
Recomendación de producto	Two-tower retrieval sobre embedding CBT	Torres user × product con entrenamiento contrastive.
Profitability	Cabeza de regresión + corrección uplift	Counterfactual, acotada por política.
Cobranza	Cabeza de ranking cost-sensitive	Ranking por monto recuperable × costo de canal.

Arquitectura en producción desde 2022

El patrón fundacional que escala la IA empresarial.

La plataforma de Fligoo está construida sobre un único principio arquitectónico: entrenar una capa de modelos fundacionales sobre el schema canónico de una industria, fine-tunear cabezas downstream por cliente, y después orquestar el rollout dentro de los sistemas que ya operan el negocio. El patrón ya se desplegó en diez verticales y sumando — mucho antes de que el resto del mercado convergiera ahí.

Principle 01
Capa fundacional
Modelos pre-entrenados entre muchos clientes de un vertical — aprendiendo la señal común en comportamiento del cliente, transacciones, engagement y riesgo. La señal que una sola institución nunca alcanzaría solo con sus propios datos.
Principle 02
Especialización downstream
Cabezas task-específicas fine-tuned por cliente al schema, taxonomía y lógica operativa de ese cliente — típicamente ajustando solo una fracción pequeña de parámetros para igualar lo que el entrenamiento desde cero entregaría.
Principle 03
Federated learning
Donde la residencia de datos o las fronteras de partnership prohíben la centralización, los modelos fundacionales entrenan federadamente — solo los aprendizajes cruzan la frontera, nunca los datos crudos, nunca las features.
Principle 04
Modelado network-aware
Los problemas de compliance, fraude y riesgo requieren señal relacional cross-record que el procesamiento aislado de registros no captura. La arquitectura trata las features de nivel red como un primitivo, no un retrofit — abriendo programas de AML y riesgo que los enfoques single-record difícilmente abordan.

Why it wins 01

Multi-tenant por diseño

La capa fundacional se entrena entre muchos clientes en un vertical, no sobre datos de una sola institución. La diversidad cross-industry es una ventaja estructural que el entrenamiento single-tenant no puede replicar, por grande que sea la institución.

Why it wins 02

Generalización vertical

El mismo patrón arquitectónico se desplegó en banking, wealth management, seguros, previsión, retail, telecomunicaciones, FMCG, química, fast food y mass media. Reusar la capa fundacional comprime drásticamente el time-to-production para cada nuevo cliente.

Why it wins 03

Compliance vía señal cross-record

AML, detección de fraude y monitoreo de riesgo necesitan features de nivel red — relaciones, timing y contexto que abarcan múltiples registros. La arquitectura soporta modelado relacional cross-record nativamente, abriendo programas de compliance que los enfoques record-isolated difícilmente abordan.

Superficie de producción

Lo que el sistema realmente hace, en producción.

Logs de inferencia en vivo y la configuración que los dirige — abreviados para claridad, pero con la misma forma de lo que la plataforma emite e ingesta en runtime.

fligoo-sharp-ai · inference.log · live

heads/advisor_attrition.yaml

prod

name: advisor_attrition_v3
backbone:
  family: advisor_lifecycle_transformer
  ref: alt.v2.1
  frozen: true
  embedding_dim: 192
inputs:
  sequence:
    - window: 24mo
      tokens: [production, manager_touch, book_drift, role_event]
  static:
    - tenure_months
    - region_band
head:
  type: multi_horizon_survival
  horizons: [90d, 180d]
  calibration: isotonic
training:
  regime: linear_probe + head_finetune
  lr_backbone: 0
  lr_head: 1e-4
explainability:
  - shap.head
  - attention_rollout
  - counterfactual
evaluation:
  c_index: 0.81
  auc_180d: 0.92
  lift_at_10pct: 4.2
  p95_latency_ms: 47

Federated learning

Entrená entre fuentes sin que los datos privados salgan del cliente.

Cuando la residencia de datos, regulación o fronteras de partnership prohíben el movimiento de datos, los modelos fundacionales pueden entrenarse federadamente — solo los aprendizajes, nunca los datos crudos, cruzan la frontera.

01
Entrenamiento local
Cada ambiente entrena sobre sus propios datos dentro de su propio perímetro.
02
Intercambio que preserva la privacidad
Solo updates del modelo y aprendizajes cruzan la frontera — nunca registros ni features.
03
Modelo fundacional agregado
Un único modelo fundacional se beneficia de la amplitud sin que ninguna parte exponga datos crudos.

Explicabilidad

Cada recomendación viene con una razón.

La explicabilidad no es una capa pegada al final — está embebida en el ciclo de vida para que compliance, auditoría y el negocio puedan responder al "¿por qué?".

SHAP

Atribuciones Shapley globales y locales para importancia ranqueada de features y desgloses por instancia.

LIME

Modelos surrogate locales para explicaciones de predicciones individuales.

Búsqueda contrafactual

Cambios mínimos factibles de features que cambiarían el resultado — útil para playbooks de next-best-action.

Integrated gradients

Atribución para componentes de deep learning cuando los modelos fundacionales incorporan capas neuronales.

Guardrails

Confiabilidad, compliance y safety de dominio enforced a lo largo del ciclo de vida.

Los guardrails operan en cuatro niveles — datos, modelo, output y sistema — con compliance de política, auditoría de sesgo y lineage completo incorporados.

01
Datos
Validación de schema, detección de drift, filtrado de PII y chequeos de atributos sensibles antes de que los datos entren a entrenamiento o inferencia.
02
Modelo
Ajustes de fairness, ruido de privacidad diferencial donde aplica y chequeos de estabilidad que flaggean inestabilidad antes de llegar a producción.
03
Output
Chequeos de toxicidad y compliance de política sobre cada predicción, con metadata de explicabilidad adjunta a cada score.
04
Sistema
Engine de política, log de auditoría, SLA de retraining y readiness para rollback — cuando algo parece estar mal, la recuperación es un procedimiento conocido.

Framework de evaluación

Cinco ejes — porque el poder predictivo solo no alcanza.

Los modelos se puntean en cinco dimensiones con métricas explícitas para cada una. Un modelo que rankea alto en AUC pero bajo en robustez operativa o confianza no pasa a producción.

Poder predictivo

AUC / ROC
F1 / Precision-Recall
Lift @ 10% / KS
Δ vs baseline

Generalización

Validación temporal
Test cross-domain
Inyección de ruido en features
Índice de drift en retraining

Confianza

Consistencia SHAP
Cobertura de explicabilidad
Score de auditoría de sesgo
Alineación con reglas

Impacto de negocio

Uplift de retención
Uplift de ingresos
Reducción de costo
ROI predictivo

Robustez operativa

Latencia @ P95
Disponibilidad / uptime
Tasa de detección de drift
SLA de retraining
Readiness para rollback

Stack

Herramientas estándar de la industria, desplegadas para la empresa.

Modelado

XGBoost
LightGBM
Random Forest
ElasticNet
Isolation Forest
LambdaMART

Datos y features

Pandas
Polars
PyArrow
Dask
scikit-learn
category_encoders

Pipelines y deployment

AWS S3
AWS Glue
Airflow
Kubernetes
Docker
MLflow
Bitbucket

Explicabilidad y validación

SHAP
LIME
ELI5
scipy.stats

¿Listos para volver la IA una línea medible en tu P&L?

Diseñamos, desplegamos y operamos IA empresarial junto a tu equipo.

Empezar la conversación

Nuestra plataforma de IA empresarial.

Cuatro herramientas, una plataforma.

AUTONOMY

PracticeAI

AI Orchestrator

DataMoveX

La Decision Layer.

Datos

Modelos fundacionales

Modelos downstream

Orquestación

Decisión

Cuatro capas, de punta a punta.

Arquitectura lógica

Arquitectura física

Integraciones

Interfaz de usuario

Foundations basadas en transformer pre-entrenadas por vertical, cabezas fine-tuneadas por cliente.

Foundation models

Adquisición

Profitability

Retención

Cobranza