Sistema de automatización de email con IA

Resumen de entrega

Rol: AI Engineer Sector: Turismo y hostelería Objetivo: Reducir el tiempo dedicado a revisar y priorizar un alto volumen de emails

Impacto medible

• Reducción del triaje diario de 100+ emails a 10-15 items accionables
• Clasificación y priorización automatizada en operaciones reales
• Sistema desplegado en producción y usado por usuarios
• Presentado públicamente en Datamecum Webinar 2025

Stack principal

PydanticAI FastAPI RAG Python Docker Hetzner

100+ → 15 emails diarios que requieren revisión humana

85% reducción en esfuerzo de triaje manual

Tiempo real clasificación en producción

Reto de negocio

El cliente estaba desbordado por un alto volumen de emails diarios que requerían revisión manual, clasificación y respuesta. El proceso era lento, propenso a errores y apartaba a perfiles cualificados de tareas de mayor valor. Necesitaban un sistema capaz de entender el contenido del email, clasificar la urgencia y sacar a la superficie solo los items que realmente requerían atención humana.

Resumen de la solución

Arquitectura de alto nivel cubriendo ingestión, retrieval, decisiones estructuradas y entrega vía API.

Diagrama de solución end-to-end de la presentación en Datamecum Webinar 2025.

Flujo de clasificación: cómo la IA procesa, clasifica y enruta cada email.

Diseñé la solución como un workflow de producción y no como un clasificador aislado:

• Contratos de salida estructurada con PydanticAI para que el sistema devuelva decisiones validadas y tipadas, no texto libre.
• Clasificación con RAG para apoyar las decisiones en políticas, ejemplos y contexto histórico del dominio.
• Capa de entrega con FastAPI para procesamiento en tiempo real e integración limpia con sistemas alrededor.
• Routing determinista para que la priorización sea consistente entre categorías y edge cases.

Decisiones clave de diseño

• El workflow separa ingestión, clasificación, formateo de decisiones y entrega para que cada límite se pueda testear y evolucionar de forma independiente.
• Las reglas de negocio y la gestión de confianza viven fuera de la capa de prompt, reduciendo el riesgo de regresiones accidentales.
• La arquitectura sigue principios hexagonales, lo que facilita cambiar estrategias de retrieval o proveedores de modelo sin reescribir el servicio.

Resultados en producción

• Triaje diario reducido de 100+ items a 10-15 accionables
• Mayor consistencia en clasificación y priorización
• Procesamiento en tiempo real suficientemente rápido para uso operativo
• Arquitectura preparada para futura expansión multi-tenant

Recorrido técnico

Capa de decisiónCapa API

from pydantic import BaseModel
from pydantic_ai import Agent

class TriageDecision(BaseModel):
    priority: str
    category: str
    requires_human_review: bool

agent = Agent(
    model="gpt-4o-mini",
    output_type=TriageDecision,
    system_prompt="Clasifica el email usando políticas y ejemplos de la compañía."
)

@app.post("/triage")
async def triage_email(payload: EmailPayload) -> TriageDecision:
    decision = await triage_service.classify(payload)
    return decision

Ver la charla técnica

El proyecto se presentó públicamente en Datamecum Webinar 2025, cubriendo arquitectura de producción, tradeoffs de implementación y resultados operativos.

¿Quieres reducir tareas manuales de triaje u operaciones intensivas en documentos?

Si tu equipo dedica demasiado tiempo a revisar comunicaciones entrantes o a priorizar trabajo repetitivo, este es el tipo de patrón de automatización que puedo ayudarte a implementar con seguridad.

Reserva una llamada gratuita Leer el post relacionado