Volver a proyectos
CASO DE ESTUDIO

Agente de IA para la Zona de Bajas Emisiones

Diseñé y desarrollé el agente de IA que ayuda a los operadores del Área Metropolitana de Barcelona (AMB) a resolver las dudas de la ciudadanía sobre circular en la ZBE: acceso por matrícula, autorizaciones, normativa, matriculaciones y casos de ciudadanos extranjeros.

+300 FAQs oficiales
Multi-modelo OpenAI + Claude
Pre-deploy eval con LLM-as-judge

El punto de partida. En la Zona de Bajas Emisiones del Área Metropolitana de Barcelona, cualquier vehículo que no cumpla los requisitos ambientales se multa. Las dudas de la ciudadanía son muchas y muy diversas: si su coche puede entrar, qué autorización diaria le corresponde entre las 18 posibles, cómo afecta la normativa de la DGT a su caso, qué pasa al matricular un vehículo nuevo o qué opciones tiene un turista que llega de fuera y no conoce la regulación.

El problema de fondo. En este contexto, una respuesta imprecisa no es un simple error: puede acabar en una multa para el ciudadano. El reto no era responder rápido, sino responder bien, siempre con la normativa vigente.

Lo que construí. Un agente de IA que resuelve todo ese abanico de dudas apoyándose en más de 300 FAQs oficiales, que se actualizan solas gracias a la fuente de conocimiento centralizada. Su funcionalidad más específica es la consulta por matrícula: con solo ese dato, comprueba las condiciones ambientales del vehículo y determina si puede acceder a la zona. Y para las autorizaciones, activa flujos durante la conversación que guían al operador hasta la que encaja con cada caso. Está conectado directamente con el SAT, la plataforma de gestión de tíquets y quejas de la institución.

Autonomía para el equipo. El agente se gestiona desde un backoffice propio, sin depender de desarrollo. Basta con añadir una URL: una IA elige cuál de las más de seis estrategias de scraping usar, y el contenido queda disponible para el agente de inmediato. El equipo puede programar reindexaciones semanales, mensuales o anuales, ajustar reglas puntuales o el tono de las respuestas sin tocar el núcleo del sistema, y consultar los logs del agente conectados con AWS. Un panel de métricas muestra el volumen de consultas, el coste, los idiomas más frecuentes, las FAQs más utilizadas y el feedback de los operadores sobre la calidad de cada respuesta.

Calidad garantizada en cada cambio. Antes de subir cualquier modificación al agente, un sistema de evaluación automática con LLM-as-judge comprueba la calidad de las respuestas y detecta posibles regresiones. Ningún cambio llega a producción sin haber pasado por ese filtro.

Eficiente por diseño. Evalué modelos de OpenAI y Claude en cada punto del flujo para elegir el mejor rendimiento al mejor precio. También apliqué prompt caching para reducir significativamente el consumo de tokens.

El resultado. Un agente que responde siempre con información oficial y actualizada, integrado en la gestión de tíquets de la institución, y con un equipo que mantiene y mide el agente sin necesidad de programar.

¿Tienes un reto parecido?

Hablemos sobre tu proyecto