Agentes en producción
Agentes para tareas específicas, conectados a sus herramientas actuales, con control de acceso, registros y una ruta definida para los casos que no deben resolver solos.
Inteligencia artificial aplicada, São Paulo
NASCIA AI diseña, construye y opera agentes, bancos de evaluación e integraciones dentro de los procesos que su organización ya usa a diario. No es una demostración: es un sistema que su propio equipo puede operar, auditar y ampliar.
Los mismos cuatro pasos, en el mismo orden, en cada proyecto.
Qué construimos
Un agente es fácil de presentar en una demostración y difícil de mantener en funcionamiento. La diferencia no está en el modelo, sino en todo lo que lo rodea: los datos a los que puede acceder, la evaluación que avisa cuando empeora, la ruta alternativa cuando falla y la persona responsable del resultado.
Agentes para tareas específicas, conectados a sus herramientas actuales, con control de acceso, registros y una ruta definida para los casos que no deben resolver solos.
Un banco de pruebas que distingue una mejora real de un golpe de suerte, para que ningún cambio de modelo o de prompt llegue a producción por intuición.
Ilustración con datos simulados
Las conexiones entre el modelo y sus sistemas de gestión: ERP, CRM, sistemas de tickets, finanzas y documentos. Construidas para ser auditadas.
Programas prácticos para empresas, escuelas y fundaciones, impartidos por quien construye estos sistemas y también escribe sobre ellos.
En producción
Cuatro de nuestros proyectos en línea, cada uno con una cifra, su fuente y su fecha, y un sistema empresarial confidencial.
Educación
Más de 15.000 educadores al mes.
Fuente: ai-teachers.pro y mrnascimento.com, consulta del 24 de septiembre de 2026.
Leer el caso de estudio: AI Teachers
Finanzas
415 pruebas superadas en una ejecución adversarial contra la frontera de salida, 11 archivos.
Fuente: registro de afirmaciones de Portfolio Horizon, ejecución del 31 de julio de 2026.
Leer el caso de estudio: Portfolio Horizon
Educación
12 etapas en la orquestación de IA que vincula cada tema con carreras del Reino Unido.
Fuente: página de inicio de Careers Studio, consulta del 24 de septiembre de 2026.
Leer el caso de estudio: Careers Studio
Educación
480 PDF de exámenes anteriores del IGCSE en un archivo protegido.
Fuente: página de inicio de mrnascimento.academy, consulta del 24 de septiembre de 2026.
Leer el caso de estudio: Mr Nascimento Academy
Finanzas
Para un grupo de capital cerrado: la primera línea del estado de resultados mensual (DRE), generada automáticamente a partir de datos sin procesar del ERP, validada con seis meses de historial y aceptada por escrito por el patrocinador ejecutivo.
Leer el caso de estudio: Agentes de IA para finanzas corporativasCliente confidencial
Se entregó en más de diez versiones sucesivas, con más de 60 páginas de documentación.
Evaluación
Dos versiones de un modelo se evalúan con el mismo conjunto de ejemplos. Mueva el control deslizante y observe cómo el tamaño de la muestra cambia la respuesta.
Ilustración con datos simulados
Exactitud, en un eje del 50% al 100%
Con 100 ejemplos, los dos intervalos se superponen, así que esta imagen por sí sola no permite distinguir una mejora de la suerte. La superposición no demuestra que las versiones rindan igual.
Diferencia: 4,0 puntos porcentuales
| Versión A | Versión B | |
|---|---|---|
| Exactitud | 82,0% (82/ | 86,0% (86/ |
| Intervalo de confianza del 95% (Wilson) | 73,3% a 88,3% | 77,9% a 91,5% |
| Amplitud del intervalo (puntos porcentuales) | 15,0 | 13,6 |
Cada puntuación lleva un intervalo de confianza de Wilson del 95%. El gráfico muestra la incertidumbre; no es una prueba de significancia. Una comparación real de dos modelos con los mismos ejemplos requiere un análisis pareado de sus resultados, que estos totales simulados no incluyen.
Las puntuaciones se generaron para esta demostración y no proceden del sistema de ningún cliente.
Cómo trabajamos
El orden es el método. Nada se construye antes de definirse, nada entra en producción antes de medirse y nada se transfiere sin las personas capaces de mantenerlo en funcionamiento.
Establecer la tarea, el responsable y la medida de éxito antes de elegir un modelo.
Lo que recibe
La definición por escrito, con el alcance del acceso a los datos y la decisión de construir o no.
Construir primero el banco de evaluación, para distinguir una mejora de la suerte.
Lo que recibe
El banco de evaluación: casos reales de prueba, métricas, líneas de base y un informe que se ejecuta con cada cambio.
Llevar el sistema al flujo de trabajo existente, con rutas alternativas (fallbacks), registros y control de acceso.
Lo que recibe
El sistema integrado en producción, con sus rutas de derivación, su monitoreo y su registro de auditoría.
Entregar el runbook (manual de operación), las pruebas y un equipo capaz de operar el sistema sin nosotros.
Lo que recibe
El runbook, las pruebas con su historial de evaluación y la documentación en su repositorio, y un equipo de operación formado.
La medida del trabajo no es la demostración. Es que el sistema siga funcionando, siga midiéndose y siga a cargo de su equipo cuando ya no estemos.
Formación
Programas para empresas, escuelas y fundaciones, en portugués e inglés, desde sesiones ejecutivas hasta talleres prácticos para equipos de ingeniería y formación docente.
Equipos directivos y de ingeniería que deben decidir qué construir, qué comprar y cómo medirlo.
Docentes y directivos escolares que necesitan una política de IA aplicable y prácticas sólidas en el aula.
Equipos que financian o gestionan programas educativos y servicios públicos, y que necesitan evaluar propuestas de IA con evidencia.
Fundador

Fundador, NASCIA AI
Autor, matemático, desarrollador de soluciones de IA, investigador de IA aplicada, conferencista y profesor.
Autor de Generative AI for Teachers: A Practical Guide to Educational Technology (2025) y de Inteligência Artificial Generativa para Professores (Editora Dialética, 2026).
Matemático. Doctorando en Matemática Pura en el IME-USP, Universidade de São Paulo, con el examen de calificación aprobado en 2026.
Desarrollador de soluciones de IA que construye sistemas inteligentes para grandes organizaciones y dirige su implementación de IA desde la definición inicial hasta la transferencia.
Investigación y textos
Un estudio forense sobre filtración de respuestas en la reparación de código por agentes, y columnas de opinión sobre evaluación de IA, educación y políticas públicas en la prensa brasileña e internacional.
Estudio
Zenodo, preprint del autor, sin revisión por pares. DOI 10.5281/zenodo.21286873 ·
Un preprint del fundador audita tres experimentos propios, muestra la salida esperada filtrándose por el feedback de ejecución y define los controles de un resultado fiable.
Leer el caso de estudioThe AI Journal · · Inglés
GovInsider · · Inglés
EUobserver · · Inglés
Preguntas
Respuestas directas sobre cómo funciona un proyecto, cómo tratamos los datos y la confidencialidad, y qué queda fuera del alcance.
Una conversación suele bastar para saber si un agente encaja, con qué criterio medirlo y qué haría falta para mantenerlo en funcionamiento.