Saltar al contenido

Investigación · TUM Spin-off

demi Research: una IA que sabe lo suficiente para ser útil y se mantiene dentro de sus permisos.

demi reúne todos los datos de una empresa en un único grafo tipado, siempre actualizado, con matemáticas que ponderan en qué valor confiar y con permisos que siguen a la empresa, también para lo que calcula la IA. Encima, la IA encuentra lo que preguntas y calcula la respuesta en lugar de adivinarla. Esta página expone la investigación que hay detrás: dos núcleos de investigación, cinco áreas de investigación y doce estudios.

  • Sistemas distribuidos
  • Inteligencia artificial
  • Sistemas de información
  • Teoría de la información

El problema

La IA sabe demasiado poco para ser útil, o puede demasiado para ser segura.

Ambos extremos están medidos en investigación reciente. Ambos son el punto donde hoy se rompe la IA empresarial.

  • 5.1%

    Demasiado poco para ser útil

    En un benchmark de 2025 sobre búsqueda amplia de información, el mejor sistema acertó la tabla completa en el 5.1% de las tareas. Contar sobre hojas de cálculo alcanzó de media un 41.7% de acierto, frente al 89.1% de las consultas simples. Las preguntas sobre conjuntos exigen cada miembro, una sola vez, en la unidad correcta y actualizado.

  • 88.6%

    Demasiado para ser seguro

    Cuando los agentes de IA combinan los resultados de varias herramientas, la tasa media de filtración de seis agentes fue del 88.6%, con un 98.0% de tareas completadas. La IA también puede juntar hechos permitidos hasta formar un hecho que una persona no debe ver: el efecto mosaico. La protección completa frente a lo que revelan las sumas y los recuentos está fuera del alcance computacional, y cada rechazo equivocado bloquea trabajo real.

Núcleos de investigación

Dos preguntas de investigación en el corazón de demi.

El núcleo A pregunta si la IA puede responder desde el gemelo digital de una empresa de forma más completa, correcta y eficiente. El núcleo B pregunta si los permisos sobre los resultados de la IA, y la aprobación según el impacto, mantienen bajas las filtraciones sin bloquear el trabajo. Cada núcleo tiene hipótesis que pueden resultar falsas.

Núcleo A · Data Layer

Respuestas acotadas y verificables

Pregunta de investigación

¿Hace un paso estructurado previo a la recuperación que las respuestas sobre los sistemas de una empresa sean más completas, correctas y eficientes?

Por qué es difícil

Una pregunta como «¿qué pedidos abiertos de más de 10 kW hay, por cliente?» exige cada miembro, una sola vez, en la unidad correcta y actualizado. La búsqueda encuentra pasajes, no conjuntos completos, y los modelos de lenguaje cuentan de forma poco fiable. Además, la recuperación se debilita a medida que crece el índice.

Hipótesis

Comprobamos si la ruta combinada:

  • H1responde las preguntas sobre conjuntos de forma más completa y correcta;
  • H2reduce el costo y el tiempo por respuesta utilizable;
  • H3mantiene su ventaja a medida que crecen las fuentes y los datos;
  • H4no rinde peor en otras preguntas (no inferioridad).

Qué medimos

Proporción de resultados utilizables dentro del presupuesto, corrección, exhaustividad (F1 por elemento, recuentos exactos), cifras y unidades correctas, costo y tiempo por respuesta utilizable, trazabilidad y escalado a medida que crecen las fuentes y los datos.

Núcleo B · Permission Layer

Permisos sobre los resultados

Pregunta de investigación

¿Pueden los permisos sobre los resultados de la IA, y la aprobación de una persona solo para acciones de alto impacto, mantener bajas las filtraciones sin bloquear el trabajo?

Por qué es difícil

Los permisos están repartidos entre el ERP, el almacén de archivos, el CRM y el organigrama. La IA puede combinar datos permitidos hasta formar un hecho que una persona no debe ver, como el margen medio detrás de facturas que un becario puede abrir una a una. Incluso un rechazo puede revelar algo. Si se bloquea demasiado, el trabajo se detiene; si se pide aprobación con demasiada frecuencia, la gente deja de leer.

Hipótesis

Comprobamos si:

  • H5listas, recuentos, agregados, hechos protegidos y lo que lee el modelo se mantienen dentro de los permisos de quien pregunta, medido junto con los rechazos equivocados;
  • H6una política de impacto fuera del modelo mantiene las aprobaciones lo bastante escasas como para que la gente siga leyéndolas, y vincula cada acción relevante a su aprobación;
  • H7la decisión, la aprobación, la acción y el resultado se pueden reconstruir;
  • y si la IA reconoce acciones fuera del alcance de un rol (alcance inteligente).

Qué medimos

Filtraciones de contexto, de respuestas y de existencia; rechazos equivocados; tareas completadas; violaciones del vínculo bajo sondeos adversarios; carga de aprobación; integridad del registro.

Nuestro enfoque

Un enfoque combinado, no una herramienta más.

demi no es otro modelo de IA. Es la capa sobre la que trabajan los modelos de IA, en tres partes que dependen unas de otras. Las partes se conocen en la investigación y en la práctica. La investigación es su combinación, sobre los propios sistemas de una empresa, bajo los permisos de cada persona.

  • Data Layer: todos los datos en un grafo tipado, siempre actualizado

    Personas, clientes, productos, pedidos, máquinas y documentos se convierten en nodos, y sus relaciones en aristas, a partir de los sistemas que una empresa ya utiliza. Cada valor lleva su unidad, su fuente y sus fechas, de modo que demi sabe qué antigüedad tiene. Las matemáticas ponderan en qué valor confiar: quién lo dijo, cuándo, cómo se leyó y qué fuentes independientes coinciden. Cuando una fuente cambia, se vuelve a comprobar todo lo que depende de ella.

  • Permission Layer: permisos que siguen a la empresa

    Los permisos proceden de los sistemas que conectas y de tu propia organización: su organigrama, sus flujos de trabajo, quién puede firmar qué. Se aplican a lo que la IA lee y a lo que calcula: listas, recuentos y cifras. La decisión se toma fuera del modelo, de modo que el modelo no puede esquivarla con palabras.

  • Intelligence Layer: encuentra la aguja, calcula la respuesta

    La búsqueda y el modelo encuentran lo que preguntas, un programa calcula las cifras y cada respuesta indica en qué se apoya. Mismo plan, mismos datos: mismo número.

PreguntaRespuesta con lo que la sustenta
  1. Intelligence Layer

    encuentra la aguja, calcula la respuesta

    ¿Cuánto puede equivocarse este recuento?

  2. Permission Layer

    permisos que siguen a la empresa

    ¿Qué revela una respuesta?

  3. Data Layer

    todos los datos en un grafo tipado, siempre actualizado

    ¿Hasta qué punto se puede confiar ahora en este valor?

Los sistemas que ya utilizas se quedan donde están.

Tres capas, un camino: la pregunta baja de arriba abajo y cada respuesta lleva su evidencia de vuelta hacia arriba.

Dónde dependen las capas unas de otras

  • Lo correcto depende de la identidad y la antigüedad.

    Un solo miembro duplicado u obsoleto cambia un recuento, una lista o una suma.

  • La evidencia depende de los permisos.

    También las fuentes que nombra una respuesta quedan dentro de los permisos de quien preguntó.

Partes conocidas, combinación nueva

Cada campo en el que se apoya demi resuelve su problema bajo un supuesto que un fabricante incumple, y otra capa de demi está construida para aportar lo que falta.

  • Respuesta a preguntas sobre bases de datos

    Supone
    un esquema limpio con los permisos de un solo sistema
    En un fabricante
    el conocimiento está en hojas de datos, exportaciones del ERP, buzones de correo y registros duplicados
    Qué aporta demi
    valores tipados con unidad, fuente e identidad, construidos a partir de esas entradas
  • Recuperación y recuperación sobre grafos

    Supone
    el modelo compone la respuesta a partir de lo que lee
    En un fabricante
    las preguntas sobre conjuntos necesitan cada miembro, bien contado
    Qué aporta demi
    un programa calcula sobre conjuntos; la recuperación trabaja dentro del alcance
  • Comprobaciones de políticas para agentes de IA

    Supone
    un mapa correcto y actual de la organización
    En un fabricante
    los organigramas y las facultades de firma cambian
    Qué aporta demi
    la organización en el mismo grafo, siempre actualizada

Hasta donde sabemos, ningún estudio combina estas partes sobre los sistemas heredados de una empresa bajo los permisos propios de cada persona. Eso es lo que pone a prueba la investigación de demi.

Nuestra base

Cuatro campos de investigación. Una plataforma.

demi se apoya en estos campos. Cada uno resuelve una parte de la tarea de llevar la IA a los datos reales de una empresa.

  • 01

    Sistemas distribuidos

    Muchos sistemas, un estado coherente. Sincronización, conflictos y caídas, sin detener ningún sistema de origen.

  • 02

    Inteligencia artificial

    Los modelos entienden la pregunta y explican la respuesta. Los agentes actúan, pero solo dentro de sus permisos.

  • 03

    Sistemas de información

    La TI crea valor cuando los procesos y la organización cambian con ella. Los permisos siguen a la organización: sus sistemas, su organigrama, quién puede firmar qué.

  • 04

    Teoría de la información

    ¿Cuánto sabe realmente un registro? La incertidumbre, la redundancia y el ruido se vuelven medibles, y también lo que revela una respuesta.

Fundamentos

Cinco áreas de investigación sobre las que se asientan los núcleos.

Cada área aporta métodos y mediciones a los dos núcleos: la pregunta, por qué es difícil, nuestro enfoque, las preguntas de investigación abiertas y el lugar del área en el programa.

  1. 01Calidad y confianza de los datos mediante teoría de la información
  2. 02Sincronización distribuida: mantener el gemelo actualizado
  3. 03Resolución de entidades y valores tipados
  4. 04Permisos para personas y agentes de IA
  5. 05Agentes cuasideterministas y evaluación
01 · Calidad de datos · Núcleos A y BÁrea de investigación

Calidad y confianza de los datos mediante teoría de la información

¿Cuánto sabe realmente un registro y durante cuánto tiempo sigue siendo cierto?

Por qué es difícil

La calidad suele medirse con una única puntuación. Pero un registro puede estar completo y aun así desactualizado, o duplicado y aun así contradictorio. Las fuentes discrepan y las copias se hacen pasar por testigos independientes. Una respuesta sobre un conjunto es tan buena como su miembro más débil.

Nuestro enfoque

  • Cada valor es una afirmación con su fuente, sus fechas y la forma en que se leyó.
  • La confianza se calcula, no se supone: a partir de lo fiable que ha demostrado ser una fuente, la antigüedad del valor y las fuentes independientes que coinciden. Las copias de un mismo valor cuentan una sola vez.
  • Cada hecho tiene una vida media. demi aprende con qué rapidez caduca cada tipo de información, a partir de los cambios que observa, y vuelve a comprobar la fuente adecuada antes de que los hechos antiguos induzcan a error a nadie.
  • La información como incertidumbre reducida: donde las fuentes discrepan, la dispersión de los valores candidatos muestra qué conflictos importan más, y un recuento indica con cuánta seguridad se da.

Preguntas de investigación

  • ¿Qué fuente resulta fiable para qué tipo de valor?
  • ¿Con qué rapidez caduca cada tipo de valor y está calibrada la estimación?
  • ¿A partir de qué calidad de entrada deja de mejorar la respuesta de la IA?

Diagrama

Probabilidad de que el valor siga siendo correcto

Tiempo desde la última confirmación

  • Dirección
  • Persona de contacto
  • Precio
Representación esquemática, sin valores medidos.

En el programa de investigación

Núcleo A: valores y coincidencias comprobados en muestras ciegas, respuestas verificadas de nuevo con una cota de error muestral, avisos a medida que la información envejece. Estudios R3, R4, R5, R6.

02 · Data Layer · Núcleos A y BÁrea de investigación

Sincronización distribuida: mantener el gemelo actualizado

¿Cuán actual es una respuesta en el momento en que se da, y cuánto cuesta mantenerla así?

Por qué es difícil

Los sistemas de origen cambian constantemente, se caen o entregan con retraso, y cada proveedor limita la frecuencia con que se pueden leer. Sustituir los sistemas centrales es caro y arriesgado, por lo que la plataforma funciona junto a ellos, no en su lugar. Una respuesta sobre un conjunto es errónea si un solo miembro está obsoleto, y leerlo todo en directo cuesta tiempo y cuota.

Nuestro enfoque

  • Leer antes de escribir: las conexiones nuevas empiezan en solo lectura, mediante interfaces oficiales, en el contexto de cada usuario.
  • demi detecta el cambio, vuelve a comprobar lo que probablemente ha cambiado y importa para las respuestas, y lee en directo cuando lo necesitas ya, dentro de los límites de cada sistema y del presupuesto que fijes.
  • Cada respuesta muestra cuán actuales son los valores en que se apoya.
  • La escritura funciona por separado: como propuesta, con aprobación, reversible.

Preguntas de investigación

  • ¿Cuán actual es cada respuesta cuando se da, y cuánto cuesta mantenerla así, dentro de los límites de cada sistema y del presupuesto que fija un cliente?
  • ¿Cuán actuales y correctas se mantienen las respuestas con un índice y valores leídos en directo, en comparación con una copia completa?
  • ¿Cuándo coincide un proceso de la plataforma con el del sistema heredado y cómo se demuestra en una ejecución en paralelo?

Diagrama

Leer antes de escribir

  • ERP
  • CRM
  • Archivos
Instantánea con marca de tiempoData Layer

Escribir, solo con aprobación

  1. Propuesta de cambio
  2. Aprobación de una persona
  3. Escribir de vuelta
  4. Deshacer en un paso
Los sistemas de origen siguen funcionando. Nada se sustituye antes de demostrar su valor.

En el programa de investigación

Núcleo A: la actualidad forma parte de una respuesta correcta, y mantenerla cuesta una parte del costo por respuesta utilizable. Estudios R1, R3, R6, R7, R8.

03 · Data Layer · Núcleo AÁrea de investigación

Resolución de entidades y valores tipados

¿Cuándo son lo mismo tres entradas de tres sistemas, y con cuánta certeza hay que saberlo antes de que un recuento dependa de ello?

Por qué es difícil

La misma pieza tiene un nombre en el ERP, otro en el PLM y un tercero en la hoja de datos. Las grafías, las revisiones y las unidades difieren. Si se fusionan los registros equivocados, todos los números posteriores son erróneos: una coincidencia falsa no parece desordenada, cambia el recuento.

Nuestro enfoque

  • Cada valor lleva su unidad, un valor SI normalizado, su fuente y sus fechas.
  • Las claves fuertes, como los números de registro y de serie, tienen prioridad. Las coincidencias basadas en una puntuación siguen siendo propuestas hasta que las muestras ciegas demuestren que son precisas.
  • Una coincidencia es un vínculo con su evidencia, nunca una sobrescritura: se deshace y todas las fuentes siguen ahí.
  • Los conflictos entre fuentes siguen siendo visibles.

Preguntas de investigación

  • ¿Con cuánta confianza debe darse una coincidencia automática antes de que una persona tenga que confirmarla?
  • ¿Cómo se convierte un almacén de documentos en un grafo con relaciones tipadas?
  • ¿Cuánto cambian los errores de identidad las listas, los recuentos y las sumas?

Diagrama

Tres sistemas

  • ERPArt. 200-17 · Bomba P200
  • PLMPlano P-200, rev. C
  • Ficha técnica (PDF)P 200 · 7,5 kW

Un registro

Bomba P-200
Número de artículo
200-17ERP
Revisión
CPLM
Potencia
7,5 kWFicha técnica, p. 2
Ejemplo: tres entradas, un registro, cada dato con su fuente.

En el programa de investigación

Núcleo A: la precisión de las coincidencias y la corrección de las unidades se miden como fuentes de error en las respuestas sobre conjuntos, también a medida que crecen las fuentes y los datos. Estudios R4, R5, R7.

04 · Permission Layer · Núcleo BÁrea de investigación

Permisos para personas y agentes de IA

¿Cómo se garantiza que un agente nunca pueda hacer más que la persona para la que trabaja?

Por qué es difícil

Los permisos están repartidos entre el ERP, el servidor de archivos y el organigrama. Un agente que trabaja con una cuenta de servicio ve enseguida más que cualquier empleado.

Nuestro enfoque

  • Los permisos proceden de los sistemas que conectas y de tu organigrama, y demi nunca los amplía por su cuenta.
  • Un agente trabaja dentro de los permisos de la persona para la que trabaja, y el registro nombra a ambos.
  • Los permisos alcanzan lo que la IA calcula: listas, recuentos y cifras, no solo los archivos que lee.
  • Cada decisión se toma por solicitud, fuera del modelo de IA, y se registra.

Preguntas de investigación

  • ¿Cómo se comprueba automáticamente que la plataforma nunca muestra más que el sistema de origen?
  • ¿Cómo se explica con claridad por qué alguien ve algo, o no lo ve?
  • ¿Puede una persona ver una cifra que la IA calcula a partir de valores que no puede ver uno a uno?

Diagrama

  • Precios de proveedores

    • Anna, compraspermitido
    • El agente puedepermitido
  • Pedidos abiertos

    • Anna, compraspermitido
    • El agente puedepermitido
  • Expedientes de personal

    • Anna, comprasno permitido
    • El agente puedeno permitido

De dónde vienen los permisos

  1. 1Sistema de origen
  2. 2Organigrama
El agente nunca puede hacer más que Anna.

En el programa de investigación

Núcleo B: permisos de acceso sobre listas, recuentos, agregados y hechos protegidos, medidos junto con los rechazos equivocados; modos de aprobación tomados de las propias reglas de la organización. Estudios R6, R12.

05 · Intelligence Layer · Núcleos A y BÁrea de investigación

Agentes cuasideterministas y evaluación

¿Cómo se obtienen de un modelo de lenguaje cifras en las que se pueda confiar?

Por qué es difícil

Los modelos de lenguaje redactan bien, pero no calculan de forma fiable. La misma pregunta puede dar dos respuestas distintas. En ofertas, pedidos e informes eso no es aceptable.

Nuestro enfoque

  • El modelo entiende tu pregunta, un programa calcula la cifra.
  • Mismo plan, mismos datos: mismo número, y ves cómo se calculó. La interpretación de la pregunta puede variar, y eso es lo que medimos.
  • En segundo plano, las respuestas se vuelven a comprobar contra sus fuentes.
  • Las aprobaciones siguen vinculadas a la acción exacta, y la decisión, la aprobación, la acción y el resultado forman un único registro.

Preguntas de investigación

  • ¿Cómo se mide si la IA encontró lo correcto? Un conjunto de preguntas de oro por sector.
  • ¿Con qué frecuencia coinciden las ejecuciones repetidas, en el plan, la cifra y la respuesta?
  • ¿A partir de qué nivel de riesgo debe aprobar una persona, y cuándo la aprobación se convierte en una formalidad?

Diagrama

¿Cuál es el valor de pedidos abiertos del cliente 4711?

  1. 1Pregunta
  2. 2El modelo entiende
  3. 3Cálculo exacto
  4. 4Respuesta con fuentes

Prueba

Mismo plan, mismos datos: mismo número. Cualquier otra cosa es un error.

El modelo redacta, el código calcula.

En el programa de investigación

Núcleo A: cifras calculadas frente a la aritmética del modelo, comprobaciones de respuestas con una cota de error muestral. Núcleo B: aprobaciones bajo sondeos adversarios, reconstrucción de cada ejecución. Estudios R1, R2, R3, R10, R11.

Estudios

Doce estudios, cinco grupos.

Cada estudio pone a prueba una afirmación que puede resultar falsa. Juntos cubren ambos núcleos.

  • Respuestas sobre conjuntos

    • R1La ruta de respuesta sobre el gemelo digital da respuestas más completas y correctas a preguntas sobre conjuntos (H1) y no es peor en otras preguntas (H4); se miden el costo y el tiempo por respuesta utilizable (H2).
    • R2Las cifras calculadas mediante una consulta o un programa sobre valores tipados son correctas con más frecuencia que la aritmética del modelo.
    • R7El efecto se mantiene o crece con más fuentes y datos (H3).
  • Calidad y confianza de los datos

    • R3Una comprobación en segundo plano encuentra errores, y una cota de error muestral se mantiene con datos reservados y desplazados.
    • R4, R5Los valores tipados con unidades normalizadas se pueden leer de las hojas de datos; la coincidencia de la misma entidad entre fuentes es lo bastante precisa como para no distorsionar los recuentos.
  • Permisos sobre los resultados

    • R6Las listas, los recuentos, los agregados y los contextos del modelo permanecen dentro de los permisos de quien pregunta (H5), incluidos los permisos en conflicto entre sistemas y los permisos sobre resultados.
  • Aprobación y evidencia

    • R10Las aprobaciones siguen vinculadas a la acción exacta bajo sondeos adversarios, y las personas revisan lo que aprueban (H6).
    • R11La decisión, la aprobación, la acción y el resultado se pueden reconstruir en ejecuciones muestreadas, y se detecta la manipulación sembrada (H7).
    • R12Una política de impacto fuera del modelo fija modos de aprobación que coinciden con el criterio de las personas con una carga aceptable (H6), y la IA reconoce acciones fuera del alcance de un rol.
  • En el terreno

    • R8La ruta de respuesta funciona en modo sombra, bajo permisos y carga reales.
    • R9Los expertos de los clientes aceptan las respuestas con más frecuencia y llegan antes a un resultado utilizable que con su proceso actual.

Red

Conectados con la universidad, el ecosistema emprendedor y los programas de financiamiento.

demi es un TUM Spin-off con el apoyo de la Agencia Espacial Europea, NVIDIA Inception y programas públicos para startups. Ninguno de ellos tiene participación en el capital de demi.

demiMúnich

Ciencia

  • Universidad Técnica de MúnichLos tres fundadores estudiaron en la TUM.
  • TUM Venture LabsAquí nació demi.
  • Estudiantes de la TUMProyectos de estudio, proyectos interdisciplinares y trabajos de fin de máster sobre nuestras preguntas de investigación.

Fundación y financiamiento

  • UnternehmerTUMParte del ecosistema, programa UnternehmerTUM Incubator.
  • EXIST-ForschungstransferPrograma del BMWE, cofinanciado por la Unión Europea (FSE+).
  • Ministerio Federal de Economía y EnergíaFinancia a demi con el programa EXIST-Forschungstransfer.

Programas

  • ESA BIC BavariaBusiness Incubation Centre de la Agencia Espacial Europea.
  • NVIDIA InceptionPrograma para startups de IA.
  • AI5innovationAceleradora Elevator Ignite del European Digital Innovation Hub cofinanciado por la UE.

Investiga con nosotros

Tu trabajo de fin de máster sobre una pregunta real.

Dirigimos trabajos de fin de máster, proyectos interdisciplinares y estudiantes en prácticas. Cada tema es una parte real de nuestro programa de investigación, con una persona de contacto en el equipo.

  • Del árbol al grafo

    ¿Hasta qué punto las carpetas, los documentos y las exportaciones se convierten en entidades y vínculos tipados? Propón relaciones tipadas entre documentos, una persona las confirma y se miden la precisión y la exhaustividad por tipo de relación.

    Parte de

    Núcleo A · Resolución de entidades y valores tipados
    • Trabajo de fin de máster
    • IDP
  • ¿Ha encontrado la IA lo correcto?

    ¿Qué aporta cada parte de una ruta de respuesta combinada? Unas preguntas de oro sobre conjuntos, puntuadas por un programa, miden lo que aportan el alcance, la búsqueda, el grafo y el cálculo.

    Parte de

    Núcleo A · Agentes cuasideterministas y evaluación
    • Trabajo de fin de máster
    • IDP
  • La vida media del conocimiento empresarial

    Sigue en el tiempo las afirmaciones de registros públicos y estima con qué rapidez caduca cada tipo de afirmación. Comprueba si una estimación aprendida de «sigue vigente» está calibrada.

    Parte de

    Núcleo A · Calidad y confianza de los datos
    • Trabajo de fin de máster
  • ¿Qué calidad debe tener la entrada?

    Mide la calidad de señal de documentos e imágenes (confianza de extracción, conflictos entre fuentes, propiedades esperadas que faltan) y comprueba si predice errores de respuesta y a partir de qué nivel las respuestas dejan de mejorar.

    Parte de

    Núcleo A · Calidad y confianza de los datos
    • IDP
    • Estudiante en prácticas
  • Seguridad de la IA según el OWASP LLM Top 10

    Inyección de prompts, mal uso de herramientas, autoaprobación, fuga de datos: un marco de red team reutilizable para agentes y servidores MCP que alimenta las familias de sondeos del núcleo B.

    Parte de

    Núcleo B · Permisos para personas y agentes de IA
    • Trabajo de fin de máster
  • Demostrar el aislamiento entre clientes

    Pruebas de propiedades y de fuzzing que intentan pasar de un inquilino, o del contexto de modelo de una persona, a otro.

    Parte de

    Núcleo B · Permisos para personas y agentes de IA
    • Trabajo de fin de máster

La dirección académica la asume tu cátedra en tu universidad. Nosotros aportamos el tema, el acceso y una persona de contacto en el equipo.

Puestos y temas abiertos

Arquitectura de seguridad

Cómo protege demi a los agentes de IA

En nombre de quién actúa un agente, qué puede ver y desencadenar, cómo se mantienen separadas las empresas y dónde están los datos y se ejecutan los modelos: los principios, con fuentes.

Ir a la arquitectura de seguridad

Investigación que llega a la planta.

En 20 minutos te mostramos cómo la capa de datos, los permisos y la IA trabajan juntos en un caso como el tuyo.

Tu configurador

Aún no hay casos de uso

Tu configurador todavía está vacío

Añade los casos de uso que necesitas: desde cualquier tarjeta o página de caso. Aquí verás lo que aporta cada uno al año, con el cálculo.

Ver casos de uso