Oportunidades de IA en CIABER

Lectura de la reunión de inicio con Marcelo Garzón y Diego Vitale (14/10/2026): dónde es viable incorporar IA, con qué herramientas, y cuándo conviene una suscripción de escritorio o una solución a medida. Arquitectura objetivo: exponer las fuentes de datos vía MCP y gobernar todo el tráfico con WSO2 AI Gateway sobre modelos de proveedores externos.

Resumen ejecutivo

La empresa ya usa IA de forma dispersa y sin gobernanza: distintos sectores pagan sus propias suscripciones (ChatGPT, Anthropic) y cada persona dedica un esfuerzo enorme a "poner en contexto" al modelo una y otra vez. El objetivo acordado no es sumar herramientas sueltas, sino una plataforma transversal, agnóstica de proveedor y con gobernanza sobre una base de conocimiento común.

El requisito que domina la conversación es concreto: poder acceder a información documental —y al resto de las fuentes— a través de herramientas de IA, exponiendo los datos vía MCP. Alrededor de ese eje aparecen automatizaciones de alto valor y baja complejidad, un canal de atención externa con jerga sectorial, y asistencia para el equipo de desarrollo que migra el sistema de producción.

La conclusión práctica de esta lectura: el valor no está en elegir un modelo ni en construir agentes, sino en gobernar el tráfico —WSO2 AI Gateway para los LLM de proveedores externos y para el acceso MCP a las fuentes de datos—. Cada tarea usa el formato adecuado: suscripción de escritorio para trabajo humano ad-hoc, API y pipelines para procesos repetibles, y agentes de desarrollo como opencode o Claude Code para el código, todos apuntando al mismo conjunto de datos.

La empresa · CIABER (Compañía Bernal S.A.)

CIABER es la marca operativa de Compañía Bernal S.A., establecimiento frigorífico N.º 2062 en Bernal Oeste, provincia de Buenos Aires. Con más de seis décadas de trayectoria en carne vacuna, emplea alrededor de 800 personas y faena del orden de 1.000 cabezas por día, con exportaciones de 2.800 a 3.000 toneladas mensuales a China, Israel, Unión Europea, Estados Unidos, Brasil, Perú y Rusia, entre otros destinos.

Su cartera combina consumo interno y exportación: carne con y sin hueso, menudencias, hamburguesas y medallones, además de líneas Kosher y Halal y programas como Argentine Angus Beef. Opera bajo certificaciones HACCP, BRCGS, Halal, Kosher y Gluten Free, con foco explícito en inocuidad y trazabilidad.

Ese perfil explica por qué la IA es sensible acá: hay normativa, procedimientos, registros de calidad y documentación técnica que hoy viven en cabezas y archivos, y que se vuelven un cuello de botella en el día a día. La empresa busca que ese conocimiento deje de depender de "expertos puntuales" y se consolide en un compañero disponible 24/7, con visibilidad de todo el proceso.

Participantes

El requisito central: datos y documentos vía MCP

Diego reúne y comparte la documentación de procesos existente (incluida la generada con Snoop) y la jerga sectorial. Marcelo pide que esa documentación —y el resto de las fuentes de datos— esté disponible para herramientas de IA como Claude sin que cada persona vuelva a explicar el contexto ni se construyan agentes a medida.

La forma acordada es MCP (Model Context Protocol): cada fuente de datos se expone como un servidor MCP que publica sus herramientas y recursos. Ya estén los datos vectorizados o no, quedan accesibles a través de una o varias puertas MCP, y un cliente como Claude Desktop o Claude Code los consume directamente. Así se evita el agente custom y la interfaz ad hoc: el "agente" es la propia herramienta de IA, y la empresa sólo mantiene los datos y las políticas.

Cuando la fuente es documental, el servidor MCP envuelve un RAG (retrieval-augmented generation): se indexan los documentos en un repositorio de vectores y el cliente de IA recupera los fragmentos relevantes —con cita a la fuente— antes de redactar. El mismo patrón sirve para una base SQL o un ERP: el servidor MCP publica herramientas tipadas en lugar de dejar que el modelo adivine el esquema.

La base no es sólo de lectura: funciona como memoria compartida de la organización. Si alguien detecta una novedad —por ejemplo, una normativa legal nueva— la aporta y queda como conocimiento disponible para todos, sujeto a validación y a los permisos de cada perfil. El intercambio convierte el conocimiento disperso en un activo común que deja de vivir en cabezas puntuales.

Del lado del costo, el patrón es el ruteo por complejidad y el failover que ofrece el gateway: una consulta simple va a un modelo económico; las tareas difíciles —o cuando el modelo primario falla— se derivan a un modelo de frontera. Todo entre proveedores externos, sin atarse a uno solo, con semantic caching para no pagar dos veces la misma pregunta.

Mapa de oportunidades

Puntos mencionados en la reunión donde la IA es viable, ordenados de mayor a menor relación valor/esfuerzo. La columna Modo anticipa la recomendación que se desarrolla en la sección siguiente.

Detalle por oportunidad

1 · Base de conocimiento común expuesta vía MCP

Es la piedra angular. Se ingesta la documentación de procesos, normativa, registros de calidad y material sectorial; se chunkifica y se embebe en un vector store; un servidor MCP publica la búsqueda como herramienta y el cliente (Claude) recupera y responde con citas a la fuente. La base opera como memoria compartida: una novedad que aporta un usuario —una normativa nueva, por ejemplo— pasa a ser conocimiento de toda la organización, con validación y permisos por perfil. Ese ida y vuelta acelera el onboarding y la continuidad operativa.

Herramientas: Qdrant o pgvector para el almacenamiento; un modelo de embeddings de proveedor; un servidor MCP que expone search, fetch y list_documents; WSO2 AI Gateway como control plane del tráfico. Interfaz de uso: la propia herramienta de IA (Claude Desktop / Claude Code), sin obligar a cada área a aprender otra aplicación.

2 · Ruteo multi-proveedor y arbitraje de costos (WSO2 AI Gateway)

La plataforma no debe atarse a un proveedor. El punto clave que planteó Nicolás es evitar el vendor lock-in: si la gobernanza vive dentro del dashboard de OpenAI o Anthropic, migrar después es caro. WSO2 AI Gateway resuelve esto en un único control plane: registra cada proveedor externo (OpenAI, Anthropic, Azure, Gemini, Bedrock, Mistral) y permite hot-swap, ruteo por failover, balanceo y semantic caching para comprar capacidad cuando aparezca una oportunidad de costo.

3 · Anonimización y censura de PII en el gateway

Antes de salir hacia un proveedor externo —y muy especialmente hacia modelos sobre infraestructura china— se deben censurar nombres, teléfonos y datos personales. En lugar de montar un componente aparte, esto se resuelve como guardrail del propio WSO2 AI Gateway (PII masking / redaction), que actúa igual sobre llamadas a LLM y sobre tráfico MCP. Microsoft Presidio queda como opción si se necesita detección más fina en español.

4 · Automatizaciones de alto valor y baja complejidad

Marcelo describió las "papitas": tareas manuales, repetibles y bien acotadas. Dos casos concretos:

• Facturas PDF → ERP: llega un mail del proveedor con la factura; un pipeline extrae los campos, valida y carga en el ERP. Sin interacción humana continua, va por API. Queda anotado como fase posterior, después de la base de conocimiento.
• Informe mensual a socios: la infraestructura arma un preview con la información más reciente y la persona hace la "última milla" (reforzar u ocultar algo antes de enviar).

Herramientas: n8n para orquestar flujos simples; Airflow o Prefect cuando haga falta robustez y trazabilidad; Unstructured o LlamaParse para documentos; el endpoint del gateway para la parte generativa. Control de Gestión lidera el relevamiento y la priorización.

5 · Atención externa por WhatsApp con jerga sectorial

Integración en la atención rápida a clientes y proveedores por WhatsApp Business, moldeada a la idiosincrasia de la organización. La clave es el tono: cuando escribe un productor de hacienda, la respuesta debe usar su diccionario y su jerga para no sonar genérica. Es la única pieza que sí exige un conector propio (WhatsApp Cloud API), pero reutiliza el mismo servidor MCP de conocimiento y el mismo gateway: no duplica datos ni lógica.

6 · Asistencia al desarrollo (migración del sistema de producción)

El equipo de desarrollo necesita "tuneo" para acelerar tareas diarias y encarar la migración del sistema de producción. Acá conviene una herramienta enfocada al desarrollo, consciente del repositorio, capaz de editar múltiples archivos y ejecutar comandos en forma autónoma —opencode, Claude Code o Cursor— consumida por API (cobro por tokens), no por suscripción nominada. Son, además, clientes MCP: acceden a los datos internos por los mismos servidores, sin integraciones a medida.

Desktop, MCP y gateway: cómo decidir

La pregunta de fondo no es "¿Claude o un agente propio?", sino qué formato corresponde a cada tarea y cómo se exponen los datos. La herramienta de IA (Claude Desktop, Claude Code) se mantiene; lo que se construye es la capa de acceso —servidores MCP detrás de WSO2 AI Gateway— para que ninguna área necesite una interfaz propia.

Sobre el modelo de consumo, la conclusión de la reunión fue separar los caminos: el uso personal puede seguir por suscripción, mientras que automatizaciones y procesos cross van por API con cobro por tokens. WSO2 AI Gateway aplica cuotas y límites de tokens por área sobre ese tráfico, de modo que la gobernanza no depende de la suscripción —que hoy está subvencionada, pero sin garantía de que siga siéndolo.

Arquitectura de referencia

Un control plane único —WSO2 AI Gateway— cubre las dos direcciones del tráfico: las llamadas salientes a los LLM de proveedores externos y el acceso entrante a las herramientas MCP sobre las fuentes de datos. Los datos vectorizados (Qdrant / pgvector) y los no vectorizados (SQL, ERP, archivos) se publican cada uno como servidor MCP; las herramientas de IA como Claude son los clientes. No hay agente propio ni interfaz ad hoc entre medio.

# WSO2 AI Gateway (control plane self-hosted) + gateway runtime
docker compose -p ai-gateway up -d
curl http://localhost:9094/health

# Almacén de vectores para la base de conocimiento (RAG)
docker run -d -p 6333:6333 \
  -v "$PWD/ciaber-data:/qdrant/storage" qdrant/qdrant

Cada fuente se registra una vez y queda gobernada: autenticación, límites de uso, guardrails y observabilidad se aplican en el gateway, no dentro de cada proyecto. Cuando la fuente no es un documento sino una API REST —el ERP, por ejemplo—, WSO2 puede auto-generar un servidor MCP a partir de su especificación, sin escribir código de integración.

# 1) Publicar la base de conocimiento como servidor MCP
kind: Mcp
metadata: { name: ciaber-kb-v1.0 }
spec:
  context: /ciaber-kb
  upstream: { url: http://mcp-kb:3001 }   # Qdrant + embeddings
  tools: [search, fetch, list_documents]

# 2) Proveedores externos detrás del mismo endpoint
kind: LlmProvider
spec:
  providers: [azure-openai, anthropic, bedrock]
  policies:
    routing: failover          # + semantic caching, round-robin
    guardrails: [pii-masking, json-schema]
    rate_limits: { tokens: per-consumer }

Con esto, la herramienta de IA apunta siempre al mismo gateway: la política de ruteo, la anonimización y el registro de uso quedan centralizados. Cambiar de proveedor, sumar una fuente o ajustar una regla de PII es una operación de control plane —no toca a los consumidores ni obliga a reescribir un agente. Los servidores MCP quedan descubribles desde un catálogo (MCP Hub), con permisos a nivel de herramienta.

Roadmap · versión 0.1

El compromiso de la reunión fue avanzar hacia una "versión 0.1": base mínima con gobernanza, ruteo y capa de acceso a datos. Los primeros beneficiarios son el equipo de Snoop que migra el sistema de producción, Dirección, Control de Gestión y Comercio Exterior.

1. Backlog y arquitectura 0.1Definir WSO2 AI Gateway, los servidores MCP por fuente, la anonimización y el almacenamiento de conocimiento (Guillermo).
2. Gobernanza y clasificación de datosPolíticas de ruteo multi-proveedor, guardrails y lineamientos de uso (Héctor).
3. Infraestructura y serviciosDespliegue del gateway, proveedores API, almacenamiento y seguridad; alternativas a Huawei (Nicolás).
4. Ingesta documentalReunión y carga de la documentación de procesos y jerga sectorial, y publicación como servidor MCP (Diego).
5. Pilotos de adopciónReemplazar cuentas individuales por el acceso vía MCP/gateway en las áreas priorizadas.
6. AutomatizacionesRelevar y priorizar por valor/esfuerzo (Control de Gestión) y ejecutar las "papitas".

Olas de adopción

La priorización de la reunión se ordena en tres olas, de menor a mayor alcance:

Gobernanza y riesgos

La gobernanza se separa en dos capas: la de acceso a los datos (los servidores MCP como punto común homologado para todas las herramientas) y la de modelos y tráfico (ruteo, permisos por herramienta, cuotas y auditoría, todo en WSO2 AI Gateway). El objetivo es que nadie "suba cosas a cualquier lado" y que las respuestas se nutran siempre de fuentes controladas. El gateway entrega además métricas de uso por usuario y por área —consultas, tokens y costo—: sirven para medir adopción real, detectar abuso y facturar internamente por consumo.

Además de la decisión pendiente, conviene dejar explícitos desde el diseño —y no cuando el sistema ya está en uso— los riesgos de operación:

• Base de conocimiento desactualizada. Un agente que responde sobre normativa, procedimientos o trazabilidad sólo responde bien si los documentos detrás están vigentes. Se mitiga con un pipeline de ingesta programado, control de versiones y un dueño por dominio que firme cada actualización; el servidor MCP devuelve la versión y la fecha de la fuente, y advierte cuando un documento quedó viejo.
• Permisos y listas de acceso por nivel. No todos deben ver todo (costos, legajos, precios de exportación). Se resuelve aplicando autenticación, permisos por herramienta MCP y ACL en el gateway, con roles por área y jerarquía, y registro de quién consultó qué.
• Vendor lock-in. Se resuelve con el gateway multi-proveedor.
• Exposición de PII. Guardrails de anonimización en el gateway.
• Dependencia de personas. El problema de fondo que motiva todo el proyecto.

Indicadores iniciales