shardana.ai se dedica al desarrollo de inteligencia artificial para empresas, startups y pymes: diseña y construye software de IA a medida que entra en los procesos reales, en lugar de quedarse en una demo. El estudio tiene su sede en Cabras (Oristano), en Cerdeña, y trabaja con un equipo internacional, presencialmente y en remoto.
Muchas empresas ya han probado la inteligencia artificial: una suscripción a un asistente genérico, algunos prompts, una demo que convenció a todos en una reunión. Después el proyecto se detiene. El asistente no conoce los procedimientos internos, no puede leer el sistema de gestión, responde con seguridad incluso cuando se equivoca y nadie sabe decir qué hizo ayer. Nuestro trabajo empieza aquí.
¿Qué significa desarrollar inteligencia artificial para una empresa?
Desarrollar inteligencia artificial para una empresa significa construir un sistema que usa modelos lingüísticos o predictivos dentro de un proceso concreto, con los datos y las reglas de esa empresa. No se trata de activar un asistente genérico y esperar que entienda el contexto. El trabajo incluye elegir las fuentes que la IA puede leer, las acciones que puede realizar y los puntos en los que debe detenerse y consultar a una persona. Incluye también todo lo que rodea al modelo: API, bases de datos, autenticación, interfaces, pruebas, monitorización y mantenimiento. El resultado puede ser un chatbot en la web, un asistente interno que responde sobre los procedimientos, un agente que clasifica las solicitudes o un componente de IA integrado en una aplicación existente. En todos los casos es software a medida, y se evalúa por el proceso que mejora, no por la calidad de una sola respuesta en una demo.
¿Cuándo compensa un proyecto de inteligencia artificial?
Un proyecto de IA compensa cuando hay un trabajo recurrente que depende de información escrita, de texto que interpretar o de traspasos entre herramientas distintas, y cuando el coste de ese trabajo está claro para quien lo realiza. Ocurre cuando las mismas preguntas llegan cada día al soporte, cuando el conocimiento de la empresa está disperso entre PDF, correos y carpetas compartidas, o cuando solicitudes y documentos deben leerse y clasificarse a mano antes de que alguien pueda trabajar con ellos. Compensa también cuando ya tienes un prototipo que funciona en demo pero no aguanta usuarios, permisos y volúmenes reales. Si, en cambio, el problema se resuelve con reglas explícitas y previsibles, te lo decimos: una automatización determinista suele costar menos, se mantiene mejor y no requiere un modelo lingüístico. Usar IA es una decisión de proyecto, no un punto de partida, y la evaluamos contigo.
¿Qué procesos empresariales puede mejorar la inteligencia artificial?
La inteligencia artificial es útil sobre todo allí donde las personas dedican mucho tiempo a buscar, leer, resumir o clasificar información. Cada departamento tiene casos típicos: el área comercial necesita respuestas rápidas sobre productos y condiciones, el servicio de atención al cliente recibe preguntas repetitivas, la administración trabaja con documentos de los que hay que extraer y comprobar campos. También la dirección y los recursos humanos tienen tareas en las que la IA puede aligerar el trabajo diario. No todos los casos merecen la misma inversión. Para elegirlos miramos tres elementos: con qué frecuencia se repite la actividad, cuánto cuesta un error y cuán fiables son los datos de partida. La tabla recoge ejemplos típicos de aplicación por departamento, útiles como base para la primera conversación. No son resultados prometidos ni casos de clientes: cada proceso debe analizarse antes de decidir si la IA es la opción adecuada y qué nivel de autonomía puede tener.
| Departamento | Ejemplos típicos de uso de la IA |
|---|---|
| Comercial | Respuestas sobre productos, tarifas y condiciones; borradores de oferta; cualificación de los contactos entrantes |
| Atención al cliente | Chatbot de atención al cliente en la web y en el área de clientes, estado de las solicitudes, traspaso a una persona |
| Administración | Extracción de datos de facturas, pedidos y documentos; controles de coherencia antes del registro |
| Operaciones y back office | Clasificación de correos y tickets; actualización de sistemas de gestión y CRM; preparación de informes |
| Recursos humanos | Asistente interno sobre normativas y procedimientos; apoyo a la incorporación de nuevas personas |
| Dirección | Búsqueda y síntesis en documentos internos; previsiones y scoring con modelos de machine learning |
¿Qué soluciones de inteligencia artificial desarrollamos?
Desarrollamos soluciones de IA distintas según el problema, y a menudo varios componentes trabajan juntos en el mismo proyecto. Un chatbot empresarial responde a clientes o compañeros a partir de contenidos aprobados. Un agente de IA da un paso más: realiza acciones en tus sistemas, como abrir un ticket o actualizar un registro, dentro de límites definidos. Un servidor MCP es la capa que conecta agentes y asistentes con los datos y las herramientas de la empresa de forma controlada. La búsqueda en el conocimiento empresarial, basada en RAG, encuentra respuestas en los documentos internos y puede citar la fuente. Además, la IA puede entrar en las aplicaciones que ya usas, para resumir, clasificar o extraer datos, o integrarse en automatizaciones que conectan varias herramientas. A continuación encontrarás las soluciones principales, cada una con una página de detalle cuando está disponible, para que puedas empezar por la más cercana a tu problema.
Chatbots empresariales
Chatbots para atención al cliente, web y uso interno, que responden a partir de contenidos aprobados: catálogos, normativas, procedimientos, FAQ. El chatbot sigue tus reglas de escalado, declara cuándo no tiene información suficiente y pasa la conversación a una persona. → Chatbots empresariales para atención al cliente
Servidores MCP para agentes de IA
El Model Context Protocol conecta agentes y asistentes de IA con herramientas, API y datos de la empresa a través de una capa dedicada. Diseñamos servidores MCP con herramientas pequeñas y verificables, permisos definidos y un registro de cada llamada. → Desarrollo de servidores MCP
Agentes de IA
Agentes que leen una solicitud, reúnen la información necesaria y preparan o ejecutan una acción en tus sistemas. Cada acción tiene permisos definidos, queda registrada y, cuando afecta a datos o decisiones sensibles, espera una aprobación.
Búsqueda en los documentos de la empresa (RAG)
Sistemas de retrieval-augmented generation que indexan documentos y bases de datos internas, recuperan los pasajes pertinentes y construyen respuestas que pueden citar la fuente. Son la base de muchos asistentes internos, de incorporación y de soporte técnico.
IA en las aplicaciones que ya usas
Integramos modelos lingüísticos en plataformas web, portales y software a medida: resúmenes, extracción de datos de documentos, clasificación, generación de borradores.
Automatizaciones de procesos con IA
Cuando el objetivo es automatizar un flujo entre varias herramientas, el trabajo se desplaza a las automatizaciones: CRM, sistemas de gestión, correo y documentos conectados en procesos con reglas claras y pasos de aprobación. → Automatizaciones con IA para empresas
Machine learning y deep learning: ¿cuándo hacen falta de verdad?
Machine learning y deep learning hacen falta cuando el problema no es responder a una pregunta, sino leer datos para prever, clasificar o reconocer algo. Un modelo de machine learning puede estimar la probabilidad de que un cliente abandone un servicio, asignar una puntuación a los contactos comerciales o prever la demanda de un producto a partir del histórico. El deep learning entra en juego con datos más complejos, como imágenes, audio o texto no estructurado, donde se necesitan redes neuronales y mayores cantidades de datos. En ambos casos la calidad depende de los datos disponibles más que del algoritmo: antes de proponer un modelo comprobamos cuántos datos hay, cuán limpios están y cómo se actualizarán con el tiempo. A menudo un modelo sencillo y bien monitorizado es más útil que una arquitectura compleja, y además es más fácil de explicar a quien debe usar sus resultados cada día.
¿Cómo hacemos que un sistema de IA sea controlable y seguro?
Un sistema de IA en la empresa debe ser útil, pero también explicable ante quien responde de él. Por eso partimos de los permisos: el asistente lee solo las fuentes autorizadas y realiza solo las acciones previstas, y si un usuario no puede ver un documento no debe poder obtenerlo pidiéndoselo a la IA. Las decisiones sensibles quedan en manos de las personas, con umbrales, aprobaciones y reglas de escalado allí donde la automatización afecta a datos personales, pagos, contratos o relaciones con los clientes. Todo sistema es observable: registramos preguntas, respuestas, herramientas llamadas y casos sin resolver, para que puedas entender qué ha ocurrido y mejorar con el tiempo. Valoramos contigo también qué datos pueden enviarse a un modelo externo y cuáles deben filtrarse o excluirse. Por último, no prometemos autonomía total ni ahorros garantizados: definimos juntos qué medir y lo verificamos tras el lanzamiento.
¿Cómo se desarrolla un proyecto de IA, paso a paso?
Un proyecto de IA avanza por pasos cortos y verificables, de modo que las hipótesis se ponen a prueba antes de que el sistema crezca. Se parte de una conversación sobre el proceso y las herramientas en uso, sin necesidad de que ya haya una solución técnica definida. Sigue un análisis que mapea actividades, excepciones, datos y responsabilidades, y fija un primer alcance con criterios de éxito compartidos. Después construimos un prototipo sobre un caso real y acotado, para probarlo con usuarios reales. Si funciona, lo desarrollamos y lo integramos con las fuentes y las herramientas de la empresa mediante lanzamientos incrementales, revisiones de código y pipelines de CI/CD. Por último, el sistema pasa a producción y se monitoriza: los casos sin resolver y las preguntas nuevas indican dónde mejorar contenidos, reglas e integraciones. La tabla resume las fases y las duraciones orientativas, que confirmamos en cada proyecto tras el análisis.
| Fase | Qué ocurre | Duración orientativa |
|---|---|---|
| Primera conversación | Proceso actual, objetivos, herramientas en uso | Una reunión |
| Análisis y alcance | Mapa de actividades, datos, riesgos y criterios de éxito | Aproximadamente una semana |
| Prototipo | Primera versión funcional sobre un caso real con interfaz gráfica. | 2-3 semanas |
| Desarrollo e integración | Conexión con fuentes y herramientas, y optimización. | 2-4 semanas |
| Lanzamiento y mejora | Puesta en producción, monitorización, actualizaciones | Continuo |
¿Cuánto cuesta desarrollar una solución de inteligencia artificial?
El coste de un proyecto de IA depende del alcance acordado, por eso no publicamos una tarifa válida para todos. Pesan sobre todo cinco factores: el número y la calidad de las fuentes que conectar, las integraciones con el software existente, las acciones que puede realizar la IA, los requisitos de seguridad y privacidad y los volúmenes de uso. A ellos se suman los costes recurrentes de modelos e infraestructura, que crecen con el uso y conviene estimar desde el principio para evitar sorpresas. Un prototipo sobre un caso acotado es a menudo la forma más rápida de llegar a una estimación realista del proyecto completo, porque muestra cuánto trabajo requieren de verdad los datos y las integraciones. Tras la primera conversación recibes una propuesta por escrito con fases, entregables y costes, y puedes empezar con un primer paso acotado antes de comprometerte con todo el proyecto.
| Factor | Proyecto más sencillo | Proyecto más complejo |
|---|---|---|
| Fuentes de datos | Pocos documentos ya ordenados | Muchas fuentes y formatos, datos que limpiar |
| Integraciones | Ninguna o una API documentada | Sistemas de gestión, CRM y ERP sin API listas |
| Acciones de la IA | Solo respuestas | Acciones en los sistemas con aprobaciones |
| Seguridad y privacidad | Contenidos públicos | Datos personales o reservados, permisos por rol |
| Volúmenes | Uso interno de un equipo | Usuarios externos y picos de tráfico |
¿Qué recibes al final del proyecto?
Al final de cada fase recibes algo que puedes verificar, no solo una presentación. Del análisis sale un documento con el alcance del proyecto, los riesgos identificados y los criterios de éxito acordados. El prototipo es una versión funcional sobre un caso real, que tu equipo puede probar y comentar. El sistema final está integrado con tus fuentes y tus herramientas, con permisos definidos por rol y por acción. Recibes también registros y herramientas de monitorización para ver preguntas, respuestas, acciones y errores, junto con una documentación técnica y operativa pensada tanto para quien usa el sistema como para quien deberá mantenerlo. Tras el lanzamiento, los casos reales recogidos se convierten en un plan de mejora con prioridades claras. La propiedad del código, los accesos y las modalidades de soporte se definen en la propuesta, antes de empezar.
¿Con qué tecnologías y con qué experiencia trabajamos?
shardana.ai nació en 2026, pero su trabajo se apoya en más de 25 años de experiencia del fundador, Maurizio Brioschi, en ingeniería de software, desarrollo backend, arquitectura de sistemas y dirección de equipos técnicos. Es una experiencia anterior al estudio, y la mantenemos distinta de la edad de la marca. En los proyectos de IA esta base cuenta más de lo que parece, porque el modelo lingüístico es solo una parte del sistema: el resto son API, bases de datos, autenticación, colas de trabajo, pruebas, despliegue y mantenimiento. El stack de referencia incluye PHP, Laravel, MySQL, Node.js, TypeScript, React y Vue.js, con arquitecturas basadas en API. En el lado de la IA, el estudio trabaja en integraciones de modelos lingüísticos, RAG, flujos agénticos y servidores MCP. No publicamos casos de clientes que no podamos documentar: en la primera conversación entramos en las decisiones técnicas para tu caso.
«Si piensas que la buena arquitectura es cara, ¡prueba la mala arquitectura! Esto decían Brian Foote y Joseph Yoder. Todo es cuestión de diseño y arquitectura del software: un bug que te bloquea una aplicación durante dos días en fin de semana, entre mil maldiciones, no se debe a un programador que se equivocó en una línea de código, sino a un ingeniero de software que no unió bien los casos de uso con los casos límite o subestimó un problema.» — Maurizio Brioschi, fundador de shardana.ai
¿Dónde opera shardana.ai?
shardana.ai trabaja con empresas, startups y pymes de toda Italia, y gran parte del trabajo se realiza en remoto: análisis, desarrollo, lanzamientos y revisiones se hacen online, con reuniones presenciales cuando hacen falta. La sede está en Cabras, en la provincia de Oristano, en el Sinis, y Cerdeña es el territorio en el que el estudio tiene sus raíces y en el que sigue con especial atención a empresas, entidades y startups locales. Estar en Cerdeña no cambia el método ni las herramientas: un proyecto de IA requiere sobre todo acceso a los datos, personas dispuestas a probarlo y decisiones claras, y todo esto funciona bien también a distancia. Para los proyectos en Cerdeña, y en particular en la provincia de Oristano, es posible acordar reuniones presenciales. Junto al estudio, shardana.ai desarrolla DOMOS Network, un proyecto de red tecnológica en Cerdeña que hoy se encuentra en fase de validación.
Preguntas frecuentes
- ¿Por dónde se empieza si en la empresa nunca hemos usado IA?
- Por un proceso concreto y acotado: las solicitudes más frecuentes al soporte, la búsqueda en los documentos internos, la clasificación de correos. Un primer caso pequeño y medible es más útil que un proyecto que intenta cambiarlo todo a la vez.
- ¿Hace falta tener ya los datos y los documentos ordenados?
- No. Se puede partir de documentos, FAQ, tickets y procedimientos existentes. Durante el análisis vemos qué hay que ordenar y lo mejoramos a medida que surgen las preguntas reales de los usuarios.
- ¿Se usan nuestros datos para entrenar los modelos?
- Depende del proveedor del modelo y del tipo de contrato. Durante el proyecto valoramos contigo las opciones disponibles, dónde se tratan los datos y qué información puede enviarse al modelo. Los datos sensibles pueden excluirse o filtrarse antes del envío.
- ¿Qué diferencia hay entre un chatbot y un agente de IA?
- Un chatbot responde a preguntas a partir de contenidos definidos. Un agente también puede realizar acciones: abrir un ticket, actualizar un registro, consultar una API. Por eso un agente requiere permisos, registros y puntos de aprobación más rigurosos.
- ¿Qué es un servidor MCP y cuándo hace falta?
- Es un componente que expone a un agente de IA herramientas y datos de la empresa de forma controlada, mediante el Model Context Protocol. Hace falta cuando la IA debe trabajar con sistemas reales y quieres una única capa en la que gestionar permisos, registros y mantenimiento.
- ¿Puede equivocarse la IA?
- Sí. Por eso diseñamos el sistema para que trabaje con fuentes aprobadas, declare cuándo no tiene información suficiente y pase a una persona los casos inciertos o sensibles. Los registros ayudan a detectar los errores y a corregir contenidos y reglas.
- ¿Podemos integrar la IA en el software que ya usamos?
- A menudo sí, si el software expone API, acceso a la base de datos o exportaciones utilizables. Lo comprobamos en la fase de análisis, antes de comprometernos con plazos y costes.
Servicios relacionados
- Chatbots empresariales: atención al cliente y asistentes internos basados en tus contenidos.
- Servidores MCP: la capa que conecta los agentes de IA con los datos y las herramientas de la empresa.
- Automatizaciones con IA para empresas: procesos entre CRM, sistemas de gestión, correo y documentos.
- Desarrollo de MVP para startups y pymes: de la primera idea a un producto funcional, también con IA integrada.
- Sobre nosotros: el estudio, el método y el fundador.
Cuéntanos el proceso que quieres mejorar
Describe cómo funciona hoy, qué te gustaría conseguir y qué herramientas usas. Te responderemos con una primera valoración y, si tiene sentido, con una propuesta para un primer caso concreto.