Construyo sistemas de IA que llegan a producción — y se quedan ahí.
Una década de ingeniería en producción — Salesforce, dLocal, The Sandbox. Hoy, IA que gestiona más de 15.000 conversaciones al mes con 90%+ de precisión.
Actualmente Ingeniero de IA en SignalCore AI, construyendo sistemas autónomos de decisión para empresas.
Un ingeniero de backend que se movió a la capa de IA — y la lleva a producción.
Soy Ramiro González, ingeniero de software con una década construyendo sistemas de backend para empresas como Salesforce, dLocal y The Sandbox. En los últimos años me dediqué por completo a la IA — sacando los modelos de lenguaje del demo y llevándolos a producción, donde son las personas reales y la carga real las que los rompen.
No vendo servicios empaquetados. Tomo un proyecto y voy con todo: mapeo cómo funciona el trabajo hoy, pongo algo en marcha en semanas y te entrego un código que es totalmente tuyo. Con base en Florianópolis, Brasil, trabajo en horarios que cubren EE. UU. y la mayor parte de Europa.
Cinco capacidades — cada una con algo entregado detrás.
Soy un ingeniero, no una agencia — así que voy a fondo, no a lo ancho. Este es el terreno que cubro cuando tomo un proyecto.
Arquitectura RAG
90%+ de relevancia en las respuestas, con citas; 65% menos alucinaciones vía chunking semántico y búsqueda híbrida.
Orquestación de agentes
10+ agentes en producción, coordinando herramientas, memoria y handoff humano.
Sistemas LLM a escala
15.000+ conversaciones al mes, manteniendo la precisión bajo carga real de producción.
Evaluación & guardrails
Todo sistema ya viene con evaluaciones LLM-as-judge, monitoreo de costo y latencia y escalamiento integrado.
Backend a escala
120 mil usuarios activos por mes en The Sandbox; infraestructura de pagos transfronterizos en dLocal.
Cómo es, en la práctica, trabajar conmigo.
Empezamos con una llamada de 15 minutos. Gratis. Si no encaja, te lo digo ahí mismo.
Mapeo el proceso antes de escribir código. La mayoría de los proyectos de IA fracasan por automatizar más rápido un proceso roto. Primero quiero ver cómo sucede el trabajo hoy.
Algo funciona para la tercera o cuarta semana, aunque sea acotado. Un sistema que puedes usar mal le gana a uno que solo se puede discutir.
Te voy a decir qué NO debe hacer la IA. Todo proyecto tiene una línea donde la máquina se detiene y empieza una persona. Trazarla temprano es la mayor diferencia entre un sistema en producción y un demo.
El código es tuyo. Repositorio, infraestructura, prompts — todo, desde el primer día.
Con base en Florianópolis (UTC−3) · horario que se superpone con EE. UU. y la mayor parte de Europa · English · Português · Español
Nichos en los que ya entregué.
Si tu mundo está en esta lista, ya construí para él — como el primer fichaje de IA de un fundador, o como el ingeniero detrás del producto.
Un SDR de IA siempre activo para clínicas estéticas.
Convierte leads de WhatsApp en consultas agendadas — y le pasa al closer solo los que están listos para comprar.
El trabajo del agente es llevar veinticinco personas calificadas a un closer humano. No cerrarlas.
La clínica — que aquí llamaré Concierge Doctor — funcionaba enteramente por WhatsApp. Cuando llegaban diez leads a la vez, el décimo esperaba dos horas. Los leads de estética son por impulso — una respuesta a las dos horas es un lead muerto.
La clínica respondía cerca de un cuarto de lo que podía generar, así que no podía invertir en tráfico — más anuncios solo alargaban la fila. Las reservas se quedaban en cinco al mes.
Un concierge de WhatsApp que califica, nutre y hace seguimiento 24/7. Detrás, un panel de operaciones que puntúa cada lead, escribe un resumen para el closer humano y agenda la consulta.
- —500 leads atendidos
- —Primera respuesta en menos de 30 segundos, sin importar el volumen
- —Consultas agendadas 5 → 25 por mes
Con el ticket promedio de R$5.000 de la clínica, veinte consultas extra representan cerca de R$100.000/mes en nuevo pipeline de consultas.
El agente pasa a un humano en exactamente tres disparadores: no logra resolver una objeción tras tres intentos, el lead pide una persona, o detecta que le falta la información para responder correctamente.
El tercero es el que más importa. La mayoría de los bots de clínica fallan improvisando ante un vacío de conocimiento — un precio inventado, un resultado prometido. Eso cuesta confianza y puede costar un tratamiento. Así que el sistema reconoce el límite de su propio conocimiento y se detiene ahí.
El mismo sistema, corriendo con un lead ficticio.
WhatsApp es solo el transporte. La lógica de calificación, puntuación y resumen para el closer es el producto — corre igual en un chat, un formulario o la transcripción de una llamada.
Pantallas del sistema en producción — la interfaz real detrás de la demo de arriba.
Soporte que responde desde la documentación — y sabe cuándo no puede.
Un agente de recuperación a medida integrado en un producto ed-tech. Respuestas instantáneas y con citas — y un escalamiento limpio en cuanto duda.
* Cifras ilustrativas — números finales de producción pendientes.
El agente responde lo que la documentación ya sabe — y deriva todo lo demás a una persona, rápido.
Una empresa ed-tech en crecimiento — equipo pequeño, miles de docentes y estudiantes. El soporte eran pocas personas respondiendo las mismas preguntas por correo y chat. El centro de ayuda estaba disperso, así que la respuesta dependía de quién contestaba.
Con el crecimiento de los registros, los tiempos de respuesta empeoraron. Contratar más agentes escala costo, no consistencia — y la fila que más crecía eran las mismas cincuenta preguntas hechas de cien formas.
Un agente con RAG a medida, integrado en el producto como un widget. Responde solo desde una base de conocimiento curada y estandarizada, siempre con citas, y escala en cuanto la confianza de la recuperación baja o la pregunta sale del alcance.
- —71% de las conversaciones resueltas de punta a punta sin humano
- —90%+ de precisión contra un set golden Q&A
- —Primera respuesta 4h → <5s
- —El soporte escaló con los registros, sin nuevas contrataciones
Cada respuesta está fundamentada en una fuente aprobada y muestra sus citas. Cuando el puntaje de recuperación cae por debajo del umbral — o la pregunta sale del alcance, como precios o algo específico de la cuenta — el agente no improvisa. Escala con la conversación entera adjunta.
Una respuesta de soporte segura pero equivocada es peor que una lenta: le enseña algo falso al usuario y erosiona en silencio la confianza en el producto.
Una pregunta, rastreada de punta a punta.
El widget es lo que ve el usuario. El rastro al lado es el pipeline de recuperación que produjo la respuesta — y el guardrail que escala en vez de adivinar.
Memoria de decisiones para estudios de arquitectura.
Convierte las reuniones que ya suceden en un registro buscable de cada decisión — quién la tomó, por qué y qué cambió.
Prelanzamiento · en piloto con souBIM, un estudio de arquitectura en Florianópolis
souBIM lleva tres o más proyectos a la vez. Cada cambio de material, revisión estructural y decisión de presupuesto sucedía en un Google Meet — y vivía solo en la cabeza de Gabriela, la directora. Nada quedaba registrado.
Entonces Gabriela programó dos o tres meses de licencia por maternidad. Cerca de cincuenta decisiones por proyecto se tomarían sin ella. No era un problema de licencia — era de escala: el estudio no podía crecer más allá de la memoria de una persona.
Cada decisión, filtrable y atribuida — mostrada como una línea de tiempo del proyecto y un resumen “mientras no estuviste”.
- —150–200 decisiones al mes capturadas sin fricción en las reuniones
- —Termina la reunión → decisión registrada en menos de 4 horas
El sistema extrae y estructura decisiones — nunca las toma ni las aprueba. Registra consenso y disidencia en vez de suavizarlos en una respuesta prolija, y puntúa su propia confianza en cada extracción.
Cuando una decisión tiene bajo consenso o contradice una anterior, la marca para la directora en vez de afirmar un registro ordenado. Un registro de decisiones seguro pero equivocado es peor que uno marcado como incierto — en un edificio, la confianza es estructural.
El trabajo del sistema es devolverle a una directora su memoria. No tomar sus decisiones.
Otros proyectos, en otros mundos.
Algunos más, en distintas etapas — dos en marcha ahora y uno que ganó una competencia y luego llegó a clientes que pagan.
AI Librarian para una plataforma de educación financiera
Un agente dentro del producto que responde a partir de los videos y las clases de la plataforma, guiando a los miembros en su recorrido de aprendizaje hacia resultados reales.
Las llamadas del proyecto, convertidas en una base de conocimiento buscable
Convertí las grabaciones de reuniones de un estudio de arquitectura en una plataforma de contenido buscable. Entregado en Upwork con reseña de cinco estrellas del cliente.
“Quedé profundamente impresionado con su conocimiento de sistemas RAG, la comunicación clara y la profundidad del entendimiento arquitectónico.”
Clones digitales de cómo una persona decide y habla
Sistemas con chain-of-thought y few-shot y voz de ElevenLabs, replicando las decisiones y el estilo de una persona. Primero de 200 en Academia Lendária y, después, entregado a tres clientes que pagan.
Una década de ingeniería en producción.
Trabajo independiente, por contrato — desde CRM en la nube y pagos transfronterizos hasta los sistemas de IA de arriba.