Este repositorio contiene la arquitectura de un sistema Multi-Agente de Inteligencia Artificial diseñado para automatizar el Control de Gestión y la Consultoría Estratégica.
Diseñado bajo los principios de los Sistemas de Información modernos, el sistema supera la analítica descriptiva tradicional. A través de un escuadrón de IA local, lee datos transaccionales crudos, diagnostica ineficiencias de margen, proyecta estados financieros y redacta un plan de acción ejecutivo en Microsoft Word.
Para evitar el colapso de memoria (Context Window Overflow) típico en modelos locales, la carga cognitiva se dividió en 4 agentes especializados, orquestados mediante Generation Chunking:
- 🔍 Analista Cuantitativo: Extrae KPIs (Margen, Ticket Promedio) ejecutando código Python (
pandas) sobre archivos.csv. - 🧠 Consultor Estratégico: Interpreta la rentabilidad y audita la viabilidad de las proyecciones.
- ✍️ Redactor de Estado Actual: Ensambla la primera mitad del informe (Diagnóstico).
- 🎯 Redactor de Estrategia: Ensambla la segunda mitad, estableciendo prioridades a 30, 45 y 60 días.
Ejecución secuencial de agentes utilizando herramientas personalizadas y "Scratchpads" para forzar el formato de salida estricto.
El pipeline se ejecuta 100% en local, garantizando privacidad absoluta de los datos financieros. Se utilizó el modelo qwen3.5:9b a través de Ollama.
El uso de LLMs de 9 billones de parámetros requiere una gestión de hardware precisa. A continuación se documenta el comportamiento de la VRAM (8GB) de la GPU dedicada durante el proceso de inferencia:
Izquierda: GPU en reposo (2% uso). Derecha: Saturación controlada de CUDA cores (100% uso) durante la generación paralela de tokens, logrando ensamblar el reporte en tiempo récord sin bloqueos de memoria.
Para asegurar la estabilidad en la entrega de datos, se implementó un bypass de enrutamiento API (base_url="http://localhost:11434/v1"). Esto obliga al modelo local a utilizar los protocolos de validación estrictos de OpenAI, eliminando alucinaciones de formato y respuestas vacías (None).
El sistema procesó de forma autónoma un dataset transaccional. Logró detectar que, a pesar de proyectar un crecimiento en ventas del 15.7%, la categoría de mobiliario representaba un riesgo estructural con un margen crítico del 2.49% debido a descuentos agresivos (17.39%). Las mitades del documento fueron ensambladas dinámicamente mediante python-docx en el documento final strategic_predictive_report.docx.
- Clonar este repositorio.
- Instalar dependencias:
pip install -r requirements.txt - Iniciar el servidor local de Ollama:
ollama run qwen3.5:9b - Ejecutar el orquestador principal:
python src/main.py
StrategAI - Transformando datos en dirección estratégica. Copyright © 2026.