Lab as a Service · I+D externo sin humo
Cada herramienta promete un 10x y la demo siempre funciona. Nosotros la desmontamos pieza a pieza, la medimos a tu escala y te devolvemos un veredicto: sí, no, o depende de esto.
scroll para desintegrar el humo
El método
Ejemplo ilustrativo
Nos traes una pregunta con dinero detrás. «¿Aguanta este agente 50.000 ejecuciones al mes?» «¿Airtable o Postgres?» «¿Ese SaaS de 40.000 € al año hace algo que no haga un flujo de n8n?»
Desmontamos la tecnología en sus piezas reales: la demo, las integraciones, el coste a tu volumen, la seguridad, lo que cuesta mantenerla. Sin diapositivas del fabricante.
Cada pieza se mide con tus datos y a tu escala: latencia, coste por ejecución, tasa de fallo, dónde se filtran las credenciales. Lo que cruje se marca en rojo.
Una página. Sí, no o depende de esto, con los números, el banco de pruebas para que lo repitas tú y un plan B si la respuesta es no.
Cuaderno de experimentos
Pasa el ratón por encima: cada experimento se despieza en lo que de verdad importa.
Si tu agente de IA carga todas sus herramientas en cada consulta, pagas texto que no usa. Qué es code execution con MCP, qué ahorro publica Anthropic, qué pegas tiene y qué preguntar a tu proveedor.
Sin medición propia todavía • Anthropic: 150.000 → 2.000 tokens (−98,7 %) en su ejemplo • Tool Search: −85 %
10 nov 2026 · 6 min
Qwen3 4B leyó bien 26 de 27 facturas españolas en local, a 3,0 s cada una. Las reglas fallaron todas las de un formato nuevo y Gemma 3 4B quitó la letra del NIF en 8.
Qwen3 4B: 96,3 % de facturas perfectas • reglas: 0 % con un formato nuevo • 3,0 s por factura en un portátil • 3 comprobaciones automáticas avisan del 100 % de los errores de Llama 3.2 y Qwen3 1.7B
8 nov 2026 · 8 min
Ningún detector local de datos personales bajó del 10 % de fugas solo. Reglas para DNI, IBAN y teléfonos más GLiNER dejaron escapar el 0,6 % de 1.878 datos en 500 documentos.
Reglas + GLiNER: escapa el 0,6 % de los datos • mejor modelo solo: 10,6 % • Presidio por defecto: 32,6 % • GLiNER: 76,7 ms por documento en CPU
7 nov 2026 · 8 min
Análisis técnico del alcance de Urda con datos públicos y el texto literal del reglamento: seis capas de protección, cuatro agujeros, 17 minutos entre la orden y el impacto y dos telefonemas casi iguales.
6 capas de protección: 1 caída, 3 con fallo, 1 activa y 1 sin datos • 17 minutos entre la orden y el impacto (hora oficial) • velocidad media implícita de 83,3 a 125 km/h • 2 telefonemas distintos con el mismo código 5ET3.3
29 oct 2026 · 14 min
La fusión RRF suma 3,91 puntos de nDCG@10 en MLQA y resta 4,69 en MIRACL. Lo que gana en los dos es el reranker sobre el híbrido: +10,78 y +9,91 puntos, a 765–988 ms por consulta.
RRF frente al denso: +3,91 puntos de nDCG@10 en MLQA y -4,69 en MIRACL • híbrido + reranker frente al denso: +9,91 y +10,78 • reranker: 765–988 ms por consulta
28 oct 2026 · 9 min
La IA pasa del 21,1 % al 33,6 % de las empresas en un año, pero 10.800 la esperan y el 79,6 % de ellas no sabe cómo implantarla. Qué productos y servicios ofrecer, con los datos del INE y un cuaderno Jupyter.
Uso de IA del 21,1 % al 33,6 % en un año • 10.800 empresas la esperan • 79,6 % frenadas por falta de conocimientos • 43,3 % compra a un proveedor externo
26 oct 2026 · 10 min
0 resultados. El laboratorio aún no ha probado eso.
Encárganos ese experimentoLab as a Service
Comprar tecnología a ciegas es caro: la demo dura veinte minutos, el contrato tres años y el piloto interno se come un trimestre. Un experimento sale más barato que equivocarse.
Sin laboratorio
Con Yeswelab
Duelo
Dos herramientas, o la de pago contra la alternativa open source. Mismo caso, mismo volumen, mismas trampas. Gana la que aguanta, no la que mejor se vende.
Estrés
Funciona con 10 registros en la demo. Lo llevamos a 10.000, a 100.000 y al día de la campaña. Te decimos dónde cruje, cuánto cuesta y qué cambiar antes de que pase.
Autopsia
El agente alucina, el flujo se cae los lunes o la factura de tokens se ha triplicado. Abrimos, encontramos la pieza que falla y te damos el arreglo medido.
Sí, no o depende de esto. Lo lee tu dirección en dos minutos y lo defiende tu equipo técnico.
Coste por ejecución, latencia, tasa de fallo y mantenimiento. Medidos, no estimados por el fabricante.
Repositorio con datos, scripts y resultados. Lo vuelves a lanzar cuando salga la versión 2.
Si la respuesta es no, te decimos qué sí funciona, con la misma vara de medir.
Se acuerda antes de empezar, por escrito. Pagas un veredicto, no horas.
Si no llegamos a una conclusión respaldada por datos, no cobramos.
Nos mandas la hipótesis por escrito y te devolvemos una propuesta cerrada por escrito.
Tu experimento no se publica. Solo si tú quieres, y anonimizado.
La prueba
Todo lo del cuaderno lo publicamos gratis. Imagina lo que sale con tus datos.
Encargar experimento
Escribe la hipótesis como se la contarías a tu socio. Te devolvemos por escrito una propuesta cerrada: qué mediremos, cómo y cuánto cuesta. Sin llamadas, sin compromiso.
Para quien construye
Si has hecho una herramienta, una API, un modelo o un proyecto open source, mándalo. Lo probamos en serio, sin guion, y publicamos el experimento en el cuaderno, en X, en TikTok y en YouTube.
El veredicto sale tal cual, bueno o malo. Por eso la gente se lo cree.
Hipótesis, despiece, medición y veredicto. Igual que con cualquier herramienta del cuaderno.
Te pasamos el banco de pruebas antes de publicar. Para corregir datos, no opiniones.