El sector de la movilidad urbana enfrenta un desafío cada vez más complejo: cómo extraer señales de comportamiento realmente significativas a partir de volúmenes masivos de datos operativos. Los sistemas tradicionales de asignación de viajes se apoyan casi exclusivamente en variables numéricas estructuradas, como distancias, tiempos o tarifas, pero pasan por alto un tipo de información crucial: el contexto semántico que encierran las interacciones diarias de conductores y pasajeros. Por ejemplo, un conductor puede evitar sistemáticamente ciertas zonas por motivos de tráfico, seguridad o preferencia personal, un patrón que resulta muy difícil de capturar mediante métricas rígidas. Aquí es donde los modelos de lenguaje de gran escala (LLMs) empiezan a jugar un papel transformador, al permitir construir perfiles de usuario basados en lenguaje natural que reflejan motivaciones y hábitos complejos. Sin embargo, escalar esta aproximación a entornos de producción con latencias de milisegundos y millones de pedidos diarios implica resolver tres problemas entrelazados: los registros de actividad superan con creces la ventana de contexto de cualquier LLM, la mayoría de los usuarios tienen pocas interacciones y no es posible generar perfiles individualizados para ellos, y un perfil que suene bien lingüísticamente no garantiza que mejore las predicciones del sistema.

Frente a esta realidad, han surgido propuestas como ProfiLLM, un pipeline de datos basado en agentes que opera en dos fases complementarias. La primera consiste en una minería de conocimiento global asistida por herramientas, donde un agente LLM emplea un conjunto amplio de utilidades analíticas para extraer patrones generales a escala de plataforma, como reglas de agrupación adaptativa de usuarios o prioridades regionales de oferta y demanda. La segunda fase genera múltiples perfiles candidatos para cada clúster, los evalúa mediante un proxy ligero de utilidad predictiva, los refina iterativamente y construye pares de preferencia para ajustar el modelo mediante DPO (Direct Preference Optimization). Este enfoque no solo logra mejorar el AUC en predicción de resultados hasta un 6,14 % y el GMV en simulaciones de asignación hasta un 4,35 %, sino que también demuestra mejoras consistentes en pruebas A/B online de 14 días, con incrementos en GMV y tasa de finalización, y reducciones en cancelaciones previas a la aceptación.

Más allá del caso concreto de los viajes compartidos, el problema de fondo es universal en cualquier industria que maneje grandes volúmenes de datos de comportamiento: la necesidad de transformar trazas en bruto en perfiles accionables y alineados con la utilidad del negocio. Las empresas que deseen abordar este tipo de retos requieren soluciones tecnológicas flexibles y escalables. Por ejemplo, desarrollar aplicaciones a medida que integren inteligencia artificial desde el diseño permite capturar y procesar señales contextuales que los sistemas predefinidos no alcanzan a ver. Además, la combinación de ia para empresas con arquitecturas de microservicios sobre servicios cloud aws y azure proporciona la elasticidad necesaria para manejar picos de demanda sin sacrificar latencia. En este ecosistema, los agentes IA actúan como orquestadores inteligentes que ejecutan tareas de minería, generación de perfiles y evaluación continua, reduciendo la carga sobre los equipos de datos.

Desde una perspectiva práctica, implementar un sistema de perfiles de usuario basado en LLMs requiere no solo un pipeline de datos robusto, sino también una capa de ciberseguridad que proteja la información sensible de los usuarios, y un enfoque de servicios inteligencia de negocio que permita visualizar el impacto de los perfiles en los indicadores clave. Herramientas como power bi integradas con software a medida facilitan que los equipos de producto y operaciones puedan monitorizar en tiempo real la calidad de las predicciones y ajustar los umbrales de utilidad. En definitiva, la evolución hacia sistemas de asignación que entienden el contexto semántico de las personas no es solo una innovación técnica, sino una estrategia de diferenciación competitiva. Empresas como Q2BSTUDIO, especializadas en el desarrollo de soluciones tecnológicas avanzadas, ofrecen la experiencia necesaria para diseñar e implantar estas arquitecturas, combinando inteligencia artificial, agentes IA y aplicaciones a medida en entornos cloud híbridos. El futuro de la movilidad y de muchos otros sectores pasa por dejar de tratar a los usuarios como puntos de datos y empezar a entenderlos como individuos con motivaciones, miedos y preferencias que solo el lenguaje natural puede expresar.