La IA genérica no sabe lo que sabe tu sector

La mayoría de los desarrolladores se acercan a la integración de IA como si fuera un problema de selección de modelo. ¿Qué modelo es mejor? ¿GPT-4 o Claude? ¿Qué temperatura? ¿Qué ventana de contexto?

Ese no es el problema. Después de construir asistentes de IA para dos sectores muy regulados — seguros Medicare y compliance de flotas DOT/FMCSA — puedo decir con confianza: el modelo es la parte fácil. El dominio es lo difícil.

Qué significa realmente “específico de dominio”

Cuando construí el chatbot de Medicare para Trranu, empecé con lo que parecía un prompt simple: “Eres un asistente de seguros Medicare. Responde con precisión.”

Primera prueba: “¿Puede mi cliente cambiar de plan durante el OEP si está en un D-SNP?” El modelo dio una respuesta segura, coherente y errónea. No sabía que los miembros de D-SNP tienen un Special Election Period mensual que tiene prioridad sobre las reglas del OEP. Ese hecho no está en la mayoría de los datos de entrenamiento. Está en un memo de CMS de 2021.

Para el asistente de compliance de GoExpirely, el mismo patrón. “¿Puede un conductor operar mientras está pendiente la renovación de su CDL?” La respuesta correcta varía según el estado, el tipo de endorsement y si el carrier es interstate o intrastate. Una respuesta genérica provoca órdenes fuera de servicio.

El conocimiento del dominio va primero

Antes de escribir una sola línea de código relacionada con IA para cualquiera de los dos productos, pasé semanas leyendo:

• Documentación de planes Medicare Advantage de CMS y plantillas de ANOC
• FMCSA 49 CFR Part 391 y el Medical Examiner’s Handbook
• Materiales de formación para agentes y guiones de llamadas reales

Los system prompts codifican ese conocimiento. No de forma superficial — de forma estructurada, probada y cubriendo los casos extremos. Cada regla de elegibilidad tiene un escenario concreto. Cada pregunta de compliance tiene una respuesta verificada con fuente.

La consecuencia práctica

Si estás construyendo una herramienta de IA para un dominio específico, el cálculo de retorno no es “qué tan rápido podemos lanzar el feature de IA”. Es “cuánto tiempo nos llevará convertirnos en expertos en el dominio que vamos a automatizar”.

Para Medicare: 3-4 semanas de estudio serio antes de que el chatbot fuera lo suficientemente fiable para usarse en llamadas reales.
Para compliance FMCSA: 2 semanas leyendo regulaciones y hablando con un fleet manager.

El modelo hace el trabajo de comprensión del lenguaje natural. Tú aportas el conocimiento del dominio. No hay atajo en la segunda parte.

Y eso, precisamente, es la parte que la mayoría de proveedores de “IA para tu sector” no han hecho.