← Volver al índice | Arquitectura IA | Análisis Tecnológico | Bancos de Datos Animales

Análisis de Modelos de IA por Departamento

Tipo: Investigación — Análisis Monotemático de IA
Audiencia: Equipo de desarrollo IA/ML, dirección técnica, responsables de departamento
Fecha: 20 de marzo de 2026
Relacionado con: Arquitectura IA | Fases de Integración | Bancos de Datos Animales

---

1. Diagnóstico: Estado Actual vs. Estado Objetivo

1.1 Cobertura Actual

La documentación existente define un stack genérico de IA:

Modelo	Función	Limitación Actual
LLaVA 13B	Visión + lenguaje	Modelo generalista, sin especialización marina
Llama 3.1 8B	Generación de texto	Sin conocimiento taxonómico profundo
CLIP ViT-L/14	Embeddings multimodales	No optimizado para fauna atlántica
TFLite	Edge AI básica	Sin modelos de detección de especies

[!WARNING] El stack actual trata la IA como un componente monolítico e indiferenciado. Cada departamento del IEO tiene necesidades radicalmente distintas que requieren modelos y datasets especializados.

1.2 Gap Identificado

flowchart LR
    subgraph Actual ["Estado Actual"]
        A1["1 modelo genérico"]
        A2["Sin datasets del dominio"]
        A3["Sin benchmarks"]
    end

    subgraph Objetivo ["Estado Objetivo"]
        O1["Modelos por departamento"]
        O2["Datasets públicos integrados"]
        O3["Tests de validación"]
    end

    Actual -->|"este documento"| Objetivo

    style Actual fill:#e74c3c,color:#fff
    style Objetivo fill:#2ecc71,color:#fff

---

2. Panorama de Modelos Multimodales Desplegables Localmente

Todos los modelos deben ejecutarse localmente via Ollama para cumplir con la soberanía de datos (ENS). Estos son los modelos de referencia disponibles en 2026:

2.1 Modelos VLM (Visión + Lenguaje) — Candidatos Generales

Modelo	Parámetros	VRAM	MMMU	MathVista	DocVQA	Ollama	Fortaleza Clave
Qwen2.5-VL	7B / 72B	5 / 40 GB	70,2 (72B)	74,8	93,9	✅ Nativo	Extracción de datos estructurados, detalle fino
Llama 3.2 Vision	11B / 90B	8 / 55 GB	60,3 (90B)	57,3	90,1	✅ Nativo	Contexto 128K, análisis contextual
InternVL2.5	8B / 78B	5 / 45 GB	70,0+ (78B)	66,3	90,4+	✅ Nativo	Rendimiento comparable a GPT-4o, OCR
Gemma 3	4B / 12B / 27B	3 / 8 / 18 GB	—	—	—	✅ Nativo	Eficiencia, multilingüe, licencia abierta
LLaVA-OneVision	7B / 72B	5 / 40 GB	—	—	—	✅ Nativo	Preguntas sobre imagen, razonamiento visual

[!TIP] Stack actual: Se migró de LLaVA 13B a Qwen2.5-VL 7B como modelo general. Ofrece rendimiento superior con menor consumo de VRAM y soporte nativo en Ollama. Para el servidor con GPU dedicada, desplegar InternVL2.5-78B como modelo premium.

2.2 Modelos de Detección de Objetos (Computer Vision)

Modelo	Función	Velocidad	Precisión	Ejecución
YOLOv11	Detección y clasificación en tiempo real	~5ms por frame	mAP 95%+ (tras fine-tune)	TFLite (edge) / ONNX (server)
ConvNeXt-Base	Clasificación taxonómica jerárquica	~20ms	Top-1: 85%+	PyTorch / Ollama
Mask R-CNN	Segmentación de instancias (otolitos)	~100ms	Segmentación de anillos	PyTorch
U-Net	Segmentación semántica (estructuras biológicas)	~50ms	Contaje de annuli	PyTorch / TFLite
ViT + MCEAM	Clasificación con atención ambiental	~30ms	1er puesto FathomNet 2025	PyTorch

2.3 Modelos Especializados por Dominio

Modelo	Dominio	Creador	Tipo	Disponibilidad
OceanGPT	Ciencias oceánicas generales	Zhejiang University	LLM de texto	Open-source
SpeciesNet	Identificación de especies (+2.000)	Google DeepMind	Clasificador visual	Open-source (marzo 2025)
MariNeXt	Detección de contaminación marina	NVIDIA Research	Detección satelital	Open-source
FathomNet Models	Fauna marina profunda	MBARI / FathomNet	Clasificador jerárquico	Pesos públicos (Kaggle)
MYDAS	Foto-ID de tortugas marinas	ARCHELON	Red neuronal	Publicado en paper

---

3. Análisis por Departamento

3.1 Pesquerías — Departamento Piloto (Fase 1)

flowchart TB
    subgraph Entrada ["Entrada de Datos"]
        OTO["Microfotografías de otolitos"]
        BIO["Biometrías - talla, peso"]
        CAM["Cámaras de lonja"]
    end

    subgraph Modelos ["Stack IA Pesquerías"]
        YOLO["YOLOv11 - Detección de especie"]
        UNET["U-Net - Segmentación de otolitos"]
        VLM["Qwen2.5-VL - Informe contextual"]
    end

    subgraph Salida ["Salida"]
        ESP["Especie identificada"]
        EDAD["Edad estimada"]
        INF["Informe estructurado"]
    end

    OTO --> UNET --> EDAD
    CAM --> YOLO --> ESP
    BIO --> VLM
    ESP --> VLM
    EDAD --> VLM --> INF

    style YOLO fill:#e74c3c,color:#fff
    style UNET fill:#9b59b6,color:#fff
    style VLM fill:#2ecc71,color:#fff

Modelos Recomendados

Tarea	Modelo	Justificación
Detección de especie	YOLOv11 fine-tuned con FathomNet	Tiempo real en lonja, mAP elevado
Estimación de edad	U-Net + Mask R-CNN (ensemble)	Segmentación de annuli en otolitos, compatible con SmartDots del ICES
Informe contextualizado	Qwen2.5-VL 7B	Genera informes en español combinando imagen + datos biométricos
Embeddings de otolitos	CLIP ViT-L/14 (actual) → fine-tuned	Búsqueda por similitud visual de otolitos

Sinergias con Organismos Públicos

Organismo	Recurso	Sinergia
ICES (Consejo Internacional para la Exploración del Mar)	SmartDots: plataforma de intercambio de lecturas de otolitos	Datos de calibración inter-lector para validar el modelo U-Net
ICES	Exchanges de otolitos (espadín, merluza, bacaladilla)	Datasets de entrenamiento con edades consensuadas por expertos
NOAA	FishBase, publicaciones de edad y crecimiento	Referencia cruzada de parámetros de crecimiento por especie
IEO (propio)	Campañas ECOMED, datos SIRENO	Datos propietarios de alta calidad para fine-tuning
FishAge.org	Base de datos pública de peces con edad conocida	Ground truth para validación del modelo de edad

Tests Específicos de Reconocimiento de Imagen

Test	Entrada	Salida Esperada	Métrica	Umbral MVP
TEST-PES-001: Identificación de especie por foto	Imagen de espécimen completo	Especie + score de confianza	Precisión top-1	≥ 80%
TEST-PES-002: Identificación top-5 de especie	Imagen de espécimen completo	5 candidatos ordenados	Precisión top-5	≥ 95%
TEST-PES-003: Contaje de annuli en otolito	Microfotografía de otolito	Número de anillos + segmentación	Error absoluto medio	≤ 1 año
TEST-PES-004: Detección en vídeo (lonja)	Stream de vídeo 30 FPS	Bounding box + especie por frame	mAP@0.5	≥ 75%
TEST-PES-005: Detección multi-espécimen	Imagen con múltiples peces	Conteo + clasificación individual	Recall	≥ 85%
TEST-PES-006: Consistencia inter-lector	Mismo otolito, N repeticiones	Misma edad estimada	Coeficiente de variación	≤ 10%

---

3.2 Acuicultura (Fase 2)

flowchart TB
    subgraph Entrada ["Entrada de Datos"]
        IMG["Imágenes de peces en tanque"]
        SEN["Sensores IoT - temp, O2, pH"]
        REG["Registros de alimentación"]
    end

    subgraph Modelos ["Stack IA Acuicultura"]
        RES["ResNet-50 + ViT - Patología"]
        YOLO2["YOLOv11 - Comportamiento"]
        VLM2["Qwen2.5-VL - Diagnóstico"]
    end

    subgraph Salida ["Salida"]
        PAT["Patología detectada"]
        COMP["Anomalía de comportamiento"]
        DIAG["Informe diagnóstico"]
    end

    IMG --> RES --> PAT
    IMG --> YOLO2 --> COMP
    SEN --> VLM2
    REG --> VLM2
    PAT --> VLM2 --> DIAG

    style RES fill:#e74c3c,color:#fff
    style YOLO2 fill:#9b59b6,color:#fff
    style VLM2 fill:#2ecc71,color:#fff

Modelos Recomendados

Tarea	Modelo	Justificación
Detección de patologías	ResNet-50 + Vision Transformer (híbrido)	99,14% precisión en papers recientes, detecta lesiones y decoloración
Monitorización de comportamiento	YOLOv11 + rastreo (ByteTrack)	Detecta patrones anómalos de nado indicativos de enfermedad
Diagnóstico integrado	Qwen2.5-VL 7B	Fusiona imagen + datos IoT para diagnóstico contextualizado
Seguimiento de crecimiento	CNN regresión (custom)	Estimación de talla/peso a partir de imagen

Sinergias con Organismos Públicos

Organismo	Recurso	Sinergia
JACUMAR (Junta Nacional Asesora de Cultivos Marinos)	Planes nacionales de acuicultura, datos de producción	Benchmarks de crecimiento por especie cultivada
ICES WGAQUA	Working Group on Aquaculture	Protocolos estandarizados de detección de patologías
FAO	FIRMS, datos globales de acuicultura	Datasets de referencia de patologías en piscicultura
OIE (Organización Mundial de Sanidad Animal)	Manual de diagnóstico de enfermedades acuáticas	Ground truth para clasificación de patologías

Tests Específicos de Reconocimiento de Imagen

Test	Entrada	Salida Esperada	Métrica	Umbral MVP
TEST-ACU-001: Detección de lesiones	Imagen de pez en tanque	Lesiones marcadas + clasificación	Precisión	≥ 90%
TEST-ACU-002: Clasificación de enfermedad	Imagen de pez enfermo	Tipo de patología (bacteriana, fúngica, parasitaria)	Precisión multiclase	≥ 85%
TEST-ACU-003: Detección temprana pre-sintomática	Vídeo de comportamiento	Alerta de anomalía conductual	Sensibilidad	≥ 70%
TEST-ACU-004: Estimación de talla por imagen	Fotografía en tanque con referencia	Talla estimada en cm	Error relativo	≤ 5%

---

3.3 Medio Marino y Protección Ambiental (Fase 2)

flowchart TB
    subgraph Entrada ["Entrada de Datos"]
        SAT["Imágenes satelitales"]
        CTD["Perfiles CTD"]
        SER["Series temporales ambientales"]
    end

    subgraph Modelos ["Stack IA Medio Marino"]
        GEO["MariNeXt - Contaminación"]
        OCE["OceanGPT - Análisis textual"]
        VLM3["InternVL2.5 - Análisis visual"]
    end

    subgraph Salida ["Salida"]
        CONT["Mapa de contaminación"]
        TEND["Tendencias ambientales"]
        INF2["Informe ambiental"]
    end

    SAT --> GEO --> CONT
    CTD --> OCE
    SER --> OCE --> TEND
    CONT --> VLM3
    TEND --> VLM3 --> INF2

    style GEO fill:#e74c3c,color:#fff
    style OCE fill:#9b59b6,color:#fff
    style VLM3 fill:#2ecc71,color:#fff

Modelos Recomendados

Tarea	Modelo	Justificación
Detección de contaminación	MariNeXt	89,1% precisión en detección de vertidos y plásticos desde satélite
Análisis oceanográfico	OceanGPT	Primer LLM especializado en ciencias oceánicas, benchmark OceanBench
Cartografía de hábitats	GeoAI (U-Net + CNN geoespacial)	Segmentación automatizada de corales y fondos
Análisis visual integrado	InternVL2.5 8B	Superior en gráficos, tablas y datos científicos complejos
Detección de plásticos	ADOPT (EPFL)	Combina detección satelital + predicción de derivas

Sinergias con Organismos Públicos

Organismo	Recurso	Sinergia
Copernicus (EU)	Datos satelitales Sentinel, Marine Service	Imágenes de resolución media/alta para entrenar MariNeXt
AEMET	Series meteorológicas costeras	Correlación clima-datos ambientales marinos
MARINA (Marine AI Research Alliance)	LLMs especializados para ciencias marinas	Modelos pre-entrenados y colaboración en OceanGPT
NOAA / IOC-UNESCO	Argo (perfiles oceánicos), OBIS (biodiversidad)	Datasets masivos de variables oceanográficas
IHM (Instituto Hidrográfico de la Marina)	Cartografía de fondos española	Ground truth para modelos de segmentación batimétrica

Tests Específicos

Test	Entrada	Salida Esperada	Métrica	Umbral MVP
TEST-MAR-001: Detección de vertido	Imagen satelital Sentinel-2	Máscara de contaminación	Precisión	≥ 85%
TEST-MAR-002: Clasificación de hábitat bentónico	Imagen sonar/subacuática	Tipo de hábitat (coral, arena, roca, posidonia)	mIoU	≥ 70%
TEST-MAR-003: Análisis de serie temporal	Serie CTD de 10 años	Tendencia + anomalías detectadas	Correlación con experto	≥ 0,85

---

3.4 Tortugas Marinas y Cetáceos (Fase 3)

Modelos Recomendados

Tarea	Modelo	Justificación
Foto-ID de tortugas	MYDAS (red neuronal)	>95% éxito en identificación por escamas post-oculares
Foto-ID de cetáceos	Happywhale / Flukebook (Pose Invariant Embeddings)	97-99% precisión, >100.000 individuos identificados
Detección en vídeo aéreo	YOLOv11 + LSTM	Detección de cetáceos en imágenes UAV, tracking temporal
Detección en imagen satelital	NOAA GAIA (CNN)	Detección de ballenas en imágenes de alta resolución
Identificación de especies	SpeciesNet (Google DeepMind)	+2.000 especies de fauna, open-source

Sinergias con Organismos Públicos

Organismo	Recurso	Sinergia
Happywhale	Base de datos global de foto-ID de cetáceos	+1M fotos con individuos identificados como training data
Flukebook (Wild Me)	Plataforma open-source de foto-ID	Algoritmos de matching reutilizables
ACCOBAMS	Acuerdo de conservación de cetáceos del Mediterráneo	Protocolos de monitorización estandarizados
ARCHELON	Programa de conservación de tortugas marinas	Algoritmo MYDAS y datasets anotados

Tests Específicos

Test	Entrada	Salida Esperada	Métrica	Umbral MVP
TEST-CET-001: Re-identificación de individuo	2 fotos del mismo cetáceo	Match positivo	Recall@1	≥ 90%
TEST-CET-002: Detección en vídeo aéreo (UAV)	Vídeo de vuelo sobre agua	Bounding boxes de cetáceos	mAP@0.5	≥ 80%
TEST-CET-003: Foto-ID de tortuga	Foto de escamas faciales	ID del individuo o «nuevo individuo»	Precisión	≥ 90%

---

3.5 Oceanografía Física y Geología Marina (Fase 3)

Modelos Recomendados

Tarea	Modelo	Justificación
Predicción oceanográfica	Modelos data-driven (CNN-LSTM)	Igualan modelos numéricos en SST y nivel del mar
Análisis de datos CTD	OceanGPT	Comprensión de patrones oceanográficos en lenguaje natural
Cartografía de fondos	GeoAI (CNN + datos multihaz)	Segmentación automatizada de tipos de fondo
Análisis de riesgos geológicos	U-Net geoespacial	Detección de fallas y deslizamientos submarinos

---

4. Datasets Públicos y Fuentes de Datos para Entrenamiento

4.1 Catálogo de Datasets

Dataset	Descripción	Volumen	Acceso	Departamento Objetivo
FathomNet	Imágenes anotadas de fauna marina profunda	+200K imágenes	API pública + Kaggle	Pesquerías, todos
iNaturalist	Observaciones de biodiversidad con imágenes	+100M observaciones	API REST pública	Todos
GBIF	Registros globales de biodiversidad	+2.600M registros	API REST pública	Todos
FishBase	Base de datos de peces: taxonomía, biología, distribución	+35.000 especies, tablas Parquet	S3 / API	Pesquerías
FishAge.org	Base de referencia de peces con edad conocida	En crecimiento	Web pública	Pesquerías
ICES SmartDots	Imágenes de otolitos con lecturas de edad consensuadas	Miles por especie	Plataforma ICES	Pesquerías
OBIS	Sistema de información de biodiversidad oceánica	+150M registros	API pública	Medio Marino
Copernicus Marine	Datos satelitales y oceanográficos	PB de datos	API registrada	Medio Marino, Oceanografía
Happywhale	Fotos de cetáceos identificados individualmente	+1M fotos	API/acuerdo	Tortugas y Cetáceos

4.2 Estrategia de Alimentación del Sistema

flowchart TB
    subgraph Publicos ["Datasets Públicos"]
        D1["FathomNet"]
        D2["iNaturalist"]
        D3["ICES SmartDots"]
        D4["Copernicus"]
    end

    subgraph Propios ["Datos Propios IEO"]
        D5["Colecciones históricas"]
        D6["Campañas ECOMED"]
        D7["Datos SIRENO"]
    end

    subgraph Pipeline ["Pipeline de Entrenamiento"]
        MERGE["Fusión + Normalización"]
        TRAIN["Fine-tuning LoRA/QLoRA"]
        EVAL["Evaluación con benchmarks"]
    end

    D1 --> MERGE
    D2 --> MERGE
    D3 --> MERGE
    D4 --> MERGE
    D5 --> MERGE
    D6 --> MERGE
    D7 --> MERGE
    MERGE --> TRAIN --> EVAL

    style Publicos fill:#3498db,color:#fff
    style Propios fill:#f39c12,color:#fff
    style Pipeline fill:#2ecc71,color:#fff

[!IMPORTANT] Los datasets públicos se utilizan para pre-entrenamiento y transfer learning. Los datos propios del IEO (otolitos, biometrías, colecciones) son el diferenciador competitivo que permite alcanzar precisiones superiores al 90% en especies mediterráneas y atlánticas. Ver el Deep Research de Bancos de Datos Animales para un análisis exhaustivo de APIs, volúmenes y estrategias de datos sintéticos.

---

5. Hoja de Ruta de Tests de Reconocimiento de Imagen y Vídeo

5.1 Entorno de Testing

Componente	Tecnología
Framework de test	pytest + pytest-benchmark
Datasets de validación	Subconjunto curado del IEO (100-500 imágenes anotadas por departamento)
Métricas automatizadas	scikit-learn (precision, recall, F1, mAP), torchmetrics
Infraestructura	Ollama API local, GPU NVIDIA (16 GB VRAM mínimo)

5.2 Suite Completa de Tests

Bloque A — Tests de Modelo Base (Sin Fine-tuning)

Estos tests validan la capacidad out-of-the-box de cada modelo candidato antes de cualquier adaptación:

ID	Test	Modelo	Entrada	Resultado Esperado
BASE-001	Descripción de espécimen marino	Qwen2.5-VL 7B	Foto de pez común	Descripción coherente con características visibles
BASE-002	Descripción de espécimen marino	InternVL2.5 8B	Misma foto	Comparar calidad descriptiva vs BASE-001
BASE-003	Descripción de espécimen marino	Llama 3.2 Vision 11B	Misma foto	Comparar calidad descriptiva vs BASE-001/002
BASE-004	Interpretación de otolito	Qwen2.5-VL 7B	Microfotografía de otolito	¿Reconoce anillos de crecimiento?
BASE-005	Lectura de tabla biométrica	InternVL2.5 8B	Captura de Excel con biometrías	Extracción precisa de datos tabulares
BASE-006	Detección multi-objeto	YOLOv11 (pre-trained COCO)	Foto de bandeja con varios peces	Detección de objetos (sin clasificación de especie)

Bloque B — Tests de Rendimiento en Vídeo

ID	Test	Modelo	Configuración	Métrica
VID-001	Latencia de inferencia por frame	YOLOv11	Vídeo 1080p, 30 FPS	ms/frame (objetivo: ≤ 33ms)
VID-002	Latencia de inferencia VLM	Qwen2.5-VL 7B	Frame individual extraído de vídeo	ms/inferencia (objetivo: ≤ 500ms)
VID-003	Uso de VRAM bajo carga	YOLOv11 + Qwen2.5-VL	Vídeo continuo 5 minutos	Peak VRAM (objetivo: ≤ 16 GB total)
VID-004	Throughput sostenido	Pipeline completo	Vídeo continuo 10 minutos	Frames procesados/segundo
VID-005	Detección en condiciones difíciles	YOLOv11	Vídeo con agua turbia, reflejos, poca luz	mAP degradación vs condiciones ideales

Bloque C — Tests Específicos de Dominio (Post Fine-tuning)

Resumen consolidado de los tests departamentales descritos en la sección 3:

Departamento	Tests	IDs
Pesquerías	Identificación de especie, contaje de annuli, detección en vídeo, multi-espécimen, consistencia	TEST-PES-001 a 006
Acuicultura	Detección de lesiones, clasificación de enfermedad, detección temprana, estimación de talla	TEST-ACU-001 a 004
Medio Marino	Detección de vertido, clasificación de hábitat, análisis de serie temporal	TEST-MAR-001 a 003
Tortugas y Cetáceos	Re-identificación, detección aérea, foto-ID de tortuga	TEST-CET-001 a 003

5.3 Criterios de Aceptación Globales

Criterio	Umbral MVP	Umbral Fase 3
Precisión top-1 de especie	≥ 80%	≥ 92%
Precisión top-5 de especie	≥ 95%	≥ 99%
Latencia de inferencia (foto)	≤ 3s	≤ 1s
Latencia de inferencia (vídeo)	≤ 500ms/frame	≤ 100ms/frame
Error de estimación de edad	≤ 1 año	≤ 0,5 años
VRAM total del stack	≤ 16 GB	≤ 24 GB
Disponibilidad del servicio	≥ 95%	≥ 99,5%

---

6. Recomendaciones Estratégicas

6.1 Stack de IA Recomendado (Actualizado)

Capa	Modelo Actual	Modelo Recomendado	Mejora
VLM General	LLaVA 13B	Qwen2.5-VL 7B	+40% precisión, -40% VRAM
VLM Premium	—	InternVL2.5 78B (server)	Nivel GPT-4o en benchmarks
Texto	Llama 3.1 8B	OceanGPT + Llama 3.1	Conocimiento oceánico nativo
Detección	— (no existía)	YOLOv11 fine-tuned	Tiempo real en vídeo
Segmentación	— (no existía)	U-Net + Mask R-CNN	Otolitos y patologías
Embeddings	CLIP ViT-L/14	CLIP ViT-L/14 fine-tuned	Especializado en fauna marina
Edge AI	TFLite genérico	YOLOv11 TFLite	Detección de especies on-device
Foto-ID	— (no existía)	Happywhale / MYDAS	Cetáceos y tortugas
Geoespacial	— (no existía)	MariNeXt	Contaminación marina

6.2 Prioridad de Implementación

gantt
    title Despliegue de Modelos de IA
    dateFormat YYYY-MM-DD
    axisFormat %B %Y

    section Fase 1
    Migración a Qwen2.5-VL 7B        :m1, 2026-04-01, 2w
    Despliegue YOLOv11 base           :m2, after m1, 2w
    Fine-tune con FathomNet           :m3, after m2, 3w
    Tests BASE y VID                  :m4, after m3, 2w
    Fine-tune U-Net con otolitos ICES :m5, after m4, 3w
    Tests PES                         :m6, after m5, 2w

    section Fase 2
    ResNet-ViT para patologías        :a1, after m6, 3w
    Tests ACU                         :a2, after a1, 2w
    OceanGPT + MariNeXt               :a3, after a1, 3w
    Tests MAR                         :a4, after a3, 2w

    section Fase 3
    Integración Happywhale-MYDAS      :c1, after a4, 3w
    Tests CET                         :c2, after c1, 2w
    InternVL2.5 78B como premium      :c3, after c2, 2w

---

Documentos Relacionados

Nivel	Documento	Descripción
Investigación	Análisis Tecnológico Integral	Fundamentos: datos, ENS, M365, CAG+RAG, Dapr
Investigación	Bancos de Datos Animales	Fuentes internacionales, APIs, datasets de imágenes, almacenamiento
Arquitectura	MLOps y Workflows Agénticos	MLOps, Dapr Workflow, LangChain4j, ciclo de vida de modelos
Arquitectura	Arquitectura IA	Pipeline CAG+RAG, modelos, métricas
Arquitectura	Arquitectura del Sistema	Stack completo, backend, frontend
Negocio	Fases de Integración	Integración departamental progresiva
Negocio	Catálogo de Servicios	Servicios ofrecidos a cada departamento