Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarHabr AI→ original

Una planta redujo de 4–8 horas a 2–3 minutos el cálculo del precio del laminado metálico al sacar la IA de la aritmética

Un pedido de laminado metálico se envía a 4–5 plantas, y gana la que primero manda la oferta comercial (KP), aunque el presupuestador tarda entre 4 y 8 horas en calcularla. El desarrollador Alexéi Samártsev dejó a la red neuronal la lectura de escaneos y jerga, mientras que la masa y el precio los calcula Python según GOST. GPT-4o subestimó en un 41% el peso de 300 m de perfil en U (126 720 ₽ de pérdida). Ahora el borrador está listo en 20–30 segundos y la revisión lleva unos 2 minutos.

Procesado por IA desde Habr AI; editado por Hamidun News
Una planta redujo de 4–8 horas a 2–3 minutos el cálculo del precio del laminado metálico al sacar la IA de la aritmética
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Dato clave #1GPT-4o dio 2,50 t en lugar de las 4,26 t que resultan de GOST 8240-97
Dato clave #2En 350 pedidos, la respuesta al cliente se aceleró hasta 10–15 minutos
Dato clave #3Un ingeniero confirma la KP antes de enviarla; no hay automatización total

Un pedido de laminado metálico vive apenas unas horas. El responsable de compras de una obra envía la lista a 4–5 plantas a la vez y encarga el material a la que primero mande la oferta comercial (KP): un documento con precios exactos, peso y plazos de envío. El presupuestador dedica de 4 a 8 horas a ese cálculo, y para entonces el contrato suele estar ya firmado con otro proveedor.

El desarrollador Alexéi Samártsev contó en Habr cómo bajó el tiempo a 2–3 minutos: 20–30 segundos para el borrador de la KP más unos 2 minutos de revisión por un ingeniero. La clave es que la IA quedó fuera de la aritmética: la red neuronal lee escaneos y jerga, y el peso y el dinero los calcula código convencional. Por qué no optaron por «darle todo de comer a ChatGPT» se ve en la prueba que sigue.

Por qué un pedido es un caos y no una tabla

Según el autor, cerca del 90% de los pedidos entrantes está muy lejos de ser un XML ordenado. Son escaneos borrosos de una lista con un sello azul sobre el texto, fotos de un plano hechas con el móvil, un Excel de un subcontratista sin códigos de artículo o un mensaje de mensajería del tipo «уголок на сотку, швеллер шестнашка П — 300 метров» (ángulo del cien, perfil en U del dieciséis P: 300 metros). El presupuestador debe traducir la jerga a la denominación normativa («Швеллер 16П ГОСТ 8240-97», es decir, perfil en U 16P GOST 8240-97), buscar en el catálogo la masa del metro lineal, multiplicar, añadir un 3–7% de merma por corte, cotejar existencias y precio en 1C, sumar corte, margen e impuestos, y después rellenar el formulario a mano.

Cuando llegan 15 especificaciones así al día, el departamento se ahoga en la rutina.

Qué mostró la prueba con GPT-4o

El autor preguntó a GPT-4o cuál es la masa teórica de 300 metros de perfil en U 16P. El modelo dio una explicación vistosa con fórmulas y una respuesta de 2,50 toneladas. Según GOST 8240-97, un metro de ese perfil pesa 14,20 kg, así que la respuesta correcta es 4,26 toneladas.

La subestimación fue del 41,3%. Con un precio de 72 000 ₽ por tonelada, la planta habría obtenido un cálculo de 180 000 ₽ en lugar de 306 720 ₽, es decir, habría perdido 126 720 ₽ en una sola partida. La explicación del autor: el modelo predice números verosímiles y pudo haber tomado el peso de una medida vecina, por ejemplo el 10P, con una masa de unos 8,59 kg/m.

Es una sola prueba, no una estadística sobre muchas consultas, pero el ejemplo ilustra con claridad el riesgo.

Tres capas: quién se encarga de qué

La solución se basa en repartir responsabilidades.

Capa 1: comprensión del lenguaje. Los escaneos se enderezan previamente con OpenCV y se atenúa el canal azul de los sellos. Después, un modelo multimodal extrae las tablas y devuelve, con un esquema JSON estricto, la familia de laminado, el tamaño del perfil, el grado de acero, la cantidad y las unidades de cada partida. La frase «швеллер шестнашка П — 300 метров» (perfil en U dieciséis P: 300 metros) se convierte en un objeto con el campo cut_length: null, porque no se indica la longitud de corte. El modelo no inventa el número de GOST: lo inserta el código a partir del par «familia + tamaño».

Capa 2: cálculo sin redes neuronales. Un módulo de Python con tipo Decimal toma la masa del metro de una base local de catálogos, convierte kilogramos en toneladas, obtiene existencias y precio de 1C:ERP mediante API REST y aplica el margen. Si el grado de acero necesario no está en almacén, la partida recibe la marca requires_procurement. Si el tamaño no figura en el catálogo, el código devuelve un error en lugar de inventarse un número.

Capa 3: una persona en el circuito. El sistema genera el borrador de la KP en 15–20 segundos. Las partidas reconocidas con seguridad y con coincidencia total en almacén se marcan en verde. Las dudosas, en las que una cifra del escaneo es ilegible o el corte no es estándar, se marcan en amarillo, y el presupuestador dedica unos 30 segundos a revisar cada una. Tras la confirmación, el motor genera un PDF sobre el formulario de la planta, lo adjunta al trato en Bitrix24 o AmoCRM y lo envía al cliente.

Cifras y salvedades

El autor comparó el trabajo del departamento en una muestra de 350 especificaciones. Preparar la KP llevó 20–30 segundos de generación y unos 2 minutos de revisión, frente a 4–8 horas. La respuesta al cliente llega ahora en 10–15 minutos, y no al día laborable siguiente.

Estima los errores de tonelaje en el cálculo manual en un 8–12%, y en el automático en un 0%, pero es una afirmación del propio autor, sin verificación independiente. Es más correcto decirlo así: la aritmética es determinista, y los riesgos se han desplazado al reconocimiento de escaneos y a la completitud de los catálogos. La carga pasó de 8–10 cálculos complejos al día a 200 especificaciones por turno sin ampliar la plantilla.

Para que se pueda comprobar, el autor publicó una demo en samartsev.tech/kp.

Qué llevarse de todo esto

La lección va más allá del laminado metálico. Un modelo de lenguaje convierte bien texto descuidado y escaneos en estructura, pero el dinero, la masa y las unidades de medida debe calcularlos el código. Si construye un agente para compras, logística o contabilidad, mantenga el LLM a la entrada, separe catálogos y fórmulas, y muestre a una persona los indicadores de incertidumbre. Así no acabará con un número bonito pero erróneo en un documento con sello.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Por qué un pedido es un caos y no una tabla?

Según el autor, cerca del 90% de los pedidos entrantes está muy lejos de ser un XML ordenado. Son escaneos borrosos de una lista con un sello azul sobre el texto, fotos de un plano hechas con el móvil, un Excel de un subcontratista sin códigos de artículo o un mensaje de mensajería del tipo «уголок на сотку, швеллер шестнашка П — 300 метров» (ángulo del cien, perfil en U del dieciséis P: 300 metros).

¿Qué se sabe sobre Qué mostró la prueba con GPT-4o?

El autor preguntó a GPT-4o cuál es la masa teórica de 300 metros de perfil en U 16P. El modelo dio una explicación vistosa con fórmulas y una respuesta de 2,50 toneladas. Según GOST 8240-97, un metro de ese perfil pesa 14,20 kg, así que la respuesta correcta es 4,26 toneladas. La subestimación fue del 41,3%. Con un precio de 72 000 ₽ por tonelada, la planta habría obtenido un cálculo de 180 000 ₽ en lugar de 306 720 ₽, es decir, habría perdido 126 720 ₽ en una sola partida.

¿Qué se sabe sobre Tres capas: quién se encarga de qué?

La solución se basa en repartir responsabilidades. Capa 1: comprensión del lenguaje. Los escaneos se enderezan previamente con OpenCV y se atenúa el canal azul de los sellos. Después, un modelo multimodal extrae las tablas y devuelve, con un esquema JSON estricto, la familia de laminado, el tamaño del perfil, el grado de acero, la cantidad y las unidades de cada partida.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
¿Qué te parece?
Cargando comentarios…