V.E.T. · Virtual Epistemic Tuning
Subes muchos PDFs. Pero tu IA todavía no habla tu idioma.
Todos los días ingestas datos — documentos, procesos, métricas, contratos. Y cada vez que sale un modelo mejor, vuelves a empezar.
El problema no es que tu IA no sepa. Es que no está en condiciones de saberlo.
Tu conocimiento queda enterrado en pesos, y cada versión nueva te exige pagar de nuevo — en tiempo, en costo, en capacidad de cómputo — solo para que el modelo vuelva a entender lo que ya sabía de tu contexto.
Cuando un sistema da respuestas malas con información de tu empresa, la reacción estándar es afinar el modelo. Y a veces funciona: el modelo aprende a compensar el desorden.
Pero el desorden sigue ahí. Lo pagas en cada reentrenamiento, en cada GPU, en cada migración de modelo, y en el día en que alguien pregunte de dónde salió un dato y la respuesta esté sepultada en unos pesos.
No hace falta cambiar el modelo. Hace falta cambiar lo que lee.
Conocimiento listo para producción, sin tocar el modelo.
Momento firma
La operación, dato a dato
Extracción → estructura → veredicto
- extracción
Todas las fuentes, un solo flujo
ERP, CRM, carpetas de contratos, correo, PDFs escaneados. Cada sistema guarda distinto, nombra distinto y se contradice con el de al lado.
- transformación · normalización
Una estructura común
Formatos, fechas, unidades y monedas convergen a una sola forma. «3/12/24», «dic-24» y «2024-12-03» eran la misma fecha; ahora lo saben.
- entity resolution · validación semántica
El sistema dice que no
Decide qué registros son la misma cosa — y rechaza lo imposible, no solo lo mal escrito. Un total negativo, una fecha futura, un cliente que se contradice: fuera del corpus, con registro de por qué.
- estructuración
Conocimiento navegable
Lo que queda no es un montón de archivos limpios: es una estructura que un agente puede recorrer, con cada dato rastreable hasta su origen.
Cifras ilustrativas de una corrida de ejemplo
El desorden tiene profundidad; lo limpio es plano. Lo que no valida, se rechaza y se explica. (cifras ilustrativas de una corrida de ejemplo)
Cada punto es un registro de tus fuentes. El desorden tiene profundidad; lo que está listo para producción es plano. Y lo que no supera la validación no entra: se rechaza, se cuenta y se explica.
Lo que no hace, y por qué importa más
Sin reentrenar. Sin tocar los pesos. Sin GPU.
No queda atado a una versión del modelo
Cuando salga uno mejor, cambias de modelo y tu conocimiento sigue sirviendo tal cual.
Es reversible
Un fine-tuning fallido se revierte reentrenando. Esto se revierte y ya.
No arriesga el comportamiento del modelo base
Porque no lo modifica. Lo que el modelo sabía hacer, lo sigue sabiendo hacer.
Cuesta una fracción
De un ciclo de fine-tuning — sin GPU, sin dataset de entrenamiento, sin evaluación de regresiones.
- GPT
- Claude
- Gemini
- el que venga
El fine-tuning cambia el modelo. V.E.T. arregla lo que el modelo lee. Uno de los dos sobrevive al próximo lanzamiento de OpenAI, Anthropic o quien venga.
Planes
| Característica | Foundationdesde COP 4 M | ProfessionalCOP 9 M | EnterpriseCOP 35 M |
|---|---|---|---|
| Fuentes conectadas | Hasta 3 | Hasta 10 | Ilimitadas |
| Volumen | Hasta 50 GB | Hasta 250 GB | Sin tope |
| Modo | Transformación única | Pipeline continuo | Continuo + gobierno |
Se cobra por fuentes, no por gigabytes.
Una fuente es un sistema del que extraemos conocimiento: tu ERP, tu CRM, tu carpeta de contratos, tu correo.
Es la unidad honesta: el trabajo lo determina la heterogeneidad, no el tamaño. 50 GB de exportes limpios de base de datos y 50 GB de PDFs escaneados no son el mismo problema — y tú sabes cuántos sistemas tienes, pero no cuántos gigabytes.
Lo que recibes
Cuatro entregables, ninguno etéreo.
Inventario de fuentes
Dónde vive realmente el conocimiento de tu empresa — sistema por sistema, base por base.
Informe de calidad
Qué porcentaje era utilizable antes y después, qué se encontró y qué se rechazó, con el porqué de cada rechazo.
Corpus de producción
Portable entre modelos. El activo que sobrevive a la próxima migración.
Reglas de gobernanza
Documentadas: qué gana cuando dos fuentes se contradicen, qué se normaliza y cómo.
Así se ve lo que te entregamos de tu muestra.
Informe de calidad
Muestra: 4 fuentes · 41.720 registros · 6 días de proceso
% de registros utilizables
| Fuente | Antes | Después |
|---|---|---|
| ERP | 71% | 96% |
| CRM | 58% | 93% |
| Contratos (PDF) | 34% | 88% |
| Correo | 22% | 79% |
Ejemplo ilustrativo · datos sintéticos
Ya está corriendo dentro de un producto
KAS usa V.E.T. por dentro.
Todo lo que KAS ingiere pasa por aquí antes de llegar al agente. No es un módulo que vendemos y no usamos: es el que hace que nuestro propio producto funcione.
Y de paso, cumples
El inventario que exige la SIC es una salida natural de V.E.T.
Si tu organización supera los 100.000 UVT en activos totales — o es una entidad pública —, el Decreto 090 de 2018 la obliga a inscribir sus bases de datos en el Registro Nacional de Bases de Datos y a mantenerlas actualizadas cada año. Ese registro empieza por saber qué bases de datos tienes y dónde viven: exactamente el inventario que V.E.T. produce de paso.
Y si no alcanzas el umbral, el inventario sigue siendo la primera pregunta de cualquier revisión de la Ley 1581: qué datos personales tratas y dónde.
Ley 1581 de 2012 · Decreto 090 de 2018 · RNBD (SIC)
Danos una fuente. Te mostramos qué había dentro.
Procesamos una de tus fuentes antes de que compres nada, y te entregamos el resultado: duplicados encontrados, contradicciones detectadas, porcentaje realmente utilizable.
Si sale limpia, te lo decimos y no necesitas esto.
Procesa una fuente, sin coste.
Micro-diagnóstico
¿Tu conocimiento está listo para IA?
Seis preguntas sobre dónde vive tu información — y qué revela cada respuesta.
V.E.T. · Licencias desde COP 4 M · resultado en una semana
Procesa una fuenteProcesa una fuente sin coste