Construir IA es fácil. Sostenerla no

Antes de la pandemia, las reuniones de proyecto eran algo manejable.
Se coordinaban con tiempo y dependían de la disponibilidad de salas físicas.

Con la virtualidad, todo cambió.

De pronto:

• tenías reuniones simultáneas
• saltabas de Teams a Google Meet
• y además debías documentar acuerdos

Al final del día, lo único que querías era desconectarte.
Pero aún te quedaba lo más pesado: resumir y dar seguimiento.

Ahí fue donde decidí construir algo.

---

El inicio: una automatización que parecía simple

Soy Project Manager, pero empecé como programadora.
Programo desde niña. Así que no me asustaba meterme a código.

La idea era simple:
👉 procesar audios de reuniones y generar resúmenes automáticamente

Pensé que me tomaría una o dos semanas.

No fue así.

---

Primer intento: APIs y resultados limitados

Usé:

• Node.js
• APIs de voice-to-text
• motor de Google en su versión gratuita

Procesé audios de 20 minutos.

Funcionaba… pero no era suficiente:

• errores en palabras
• problemas de interpretación
• resultados poco confiables

Ayudaba, pero no resolvía el problema.

---

El salto: Whisper y Python

A fines de 2022 descubrí Whisper.

Me impresionó su precisión…
pero había un detalle que no vi al inicio:

👉 las pruebas eran con audios cortos
👉 yo necesitaba procesar audios de 1 a 2 horas

Migré a Python.

Intenté procesar audios largos…
y el sistema colapsaba.

---

La solución técnica… y el inicio del problema real

Después de muchas pruebas encontré una solución:

👉 dividir el audio en segmentos y procesarlos

Funcionó.

Pero apareció otro problema:

👉 Whisper necesitaba GPU
👉 yo no tenía GPU

Ni en mi laptop ni en mi presupuesto.

---

Infraestructura real: donde todo cambia

Conseguí un servidor HP ProLiant Gen9.

Monté todo desde cero:

• Ubuntu
• Apache
• MySQL
• Python
• PHP

Después de meses de pruebas, errores y noches leyendo foros…

Logré procesar un audio de 1 hora.

Tiempo de procesamiento:
👉 45 minutos

No era perfecto… pero funcionaba.

Y eso, para alguien que construye, es un momento brutal.

---

El punto de quiebre

Luego armé un GPU server.

El tiempo bajó a:
👉 5 minutos por audio

Todo parecía ir bien.

Hasta que encontré el verdadero límite:

👉 no era multiusuario
👉 no corría procesos simultáneos
👉 solo funcionaba de forma secuencial

Para escalar, necesitaba:

• más infraestructura
• más capacidad de cómputo
• más inversión

Ahí entendí el problema real.

---

El aprendizaje (lo que nadie te dice sobre IA)

Crear una solución de IA no es lo difícil.

👉 Lo difícil es sostenerla.

Si trabajas on-premise:

• necesitas espacio físico
• mantenimiento
• energía
• operación

Si vas a la nube:

• pagas por consumo
• pagas por procesamiento
• pagas por almacenamiento

En mi caso, en 2022, el costo podía llegar a:

👉 $1500 a $2000 mensuales

Y eso sin siquiera escalar a nivel empresarial.

---

Lo que veo hoy en el mercado

Muchas empresas están invirtiendo en IA sin tener claro:

• dónde aplicarla
• cuánto cuesta sostenerla
• si realmente genera ROI

El problema no es técnico.

👉 Es de criterio.

---

Qué haría diferente hoy

ELISA no se convirtió en producto.

Se convirtió en algo más valioso:

👉 un framework propio

Hoy lo uso para:

• analizar soluciones
• evaluar viabilidad
• entender costos reales

Y sobre todo:

👉 tomar mejores decisiones

---

Cierre

La IA sí funciona.

Pero no es magia.

👉 Funciona cuando sabes dónde usarla, cuánto cuesta y cómo sostenerla.