Código Nativo
IA y datos en GCP AI and data on GCP

Agentes de IA y RAG en producción sobre GCP. Respondemos por el resultado. AI agents and RAG in production on GCP. We are accountable for the outcome.

Nos hacemos cargo de una parte concreta de tu proyecto: el agente, el RAG o los pipelines de datos que lo sostienen. Un solo interlocutor técnico en Madrid, trabajo dentro de tus herramientas y un equipo que ejecuta desde Argentina con horario solapado. We take ownership of a specific part of your project: the agent, the RAG system or the data pipelines behind it. One technical point of contact in Madrid, work inside your tools, and a team delivering from Argentina with overlapping hours.

Han trabajado con nosotros Companies we have worked with

Unilever · Whirlpool · Ayesa · Puma · Grupo Dota

Por qué nosotros Why us

Muchos proyectos de IA no pasan del piloto. Casi nunca es el modelo: son los datos que hay debajo. Many AI projects never get past the pilot. It is rarely the model: it is the data underneath.

Un responsable, no personas sueltasOne accountable lead, not loose individuals

Hablas con una persona que responde por la entrega. Quién la ejecuta es asunto nuestro. You talk to one person who is accountable for the delivery. Who does the work is our concern.

Dentro de tus procesosInside your processes

Tu Jira, tu repositorio, tus code reviews. Ves todo, todo el tiempo. Your Jira, your repo, your code reviews. You see everything, all the time.

Entregas cortasShort delivery cycles

Algo demostrable cada semana y un reporte breve de avance y riesgos. Something you can demo every week, plus a brief report on progress and risks.

Reemplazos a nuestro cargoReplacements on us

Si alguien sale, lo cubrimos nosotros, sin coste para ti. If someone leaves, we cover it, at no cost to you.

Cómo trabajamos How we work

Tres formas de trabajar con nosotros Three ways to work with us

Equipo dedicadoDedicated team

De 1 a 3 personas por mes, con responsable técnico. Mínimo 3 meses. 1 to 3 people per month, with a technical lead. 3-month minimum.

Soporte y evolución mensualMonthly support and evolution

Mantenemos tu plataforma de datos en marcha: monitorización, corrección de errores y cambios. Bolsa de horas mensual, sin depender de una sola persona. We keep your data platform running: monitoring, fixing failures and making changes. A monthly block of hours, without depending on a single person.

Qué hacemos What we do

De qué podemos hacernos cargo en tu proyecto What we can take ownership of in your project

Agentes de IAAI agents

Agentes y sistemas multiagente con respuestas trazables y fuentes citadas. Agents and multi-agent systems with traceable answers and cited sources.

  • Vertex AI
  • Gemini
  • Google ADK
  • Sistemas multiagenteMulti-agent systems

RAG sobre tus datosRAG on your data

Consulta en lenguaje natural sobre documentos y BigQuery, con evaluación de respuestas. Natural-language queries over documents and BigQuery, with answer evaluation.

  • RAG
  • BigQuery Vector Search
  • Python
  • Text-to-SQL

Pipelines de datosData pipelines

Ingesta, orquestación y modelado, hasta el cuadro de mando en Looker, Power BI o Tableau: la base que necesita cualquier sistema de IA. Ingestion, orchestration and modeling, all the way to dashboards in Looker, Power BI or Tableau: the foundation every AI system needs.

  • Cloud Composer
  • Airflow
  • Dataflow
  • Pub/Sub
  • BigQuery
  • Looker
  • Power BI
  • Tableau

Migración a GCPMigration to GCP

De on-premise o Azure a BigQuery, con infraestructura como código. From on-premises or Azure to BigQuery, with infrastructure as code.

  • Azure → GCP
  • Terraform
  • Kubernetes
Cómo empezamos How we start

Sin riesgo para ti frente a tu cliente No risk for you in front of your client

  1. Diagnóstico inicialInitial assessment

    Dos o tres días revisando tu caso, con un documento de hallazgos. Two or three days reviewing your case, with a findings document.

  2. Piloto de 4 semanas4-week pilot

    Revisión a los 15 días con un entregable definido por escrito. Si no encaja, lo dejamos ahí. A review at day 15, against a deliverable defined in writing. If it is not a fit, we stop there.

  3. Pago por hitoPayment per milestone

    Pagas lo que ya viste. You pay for what you have already seen.

Casos Case studies

Lo que hemos hecho What we have done

Ayesa

Datos e IA para el sector públicoData and AI for the public sector

Plataforma de datos en GCP sobre fuentes muy distintas entre sí (webs, XML, APIs), con gobierno del dato por capas. Sobre ella, agentes de IA que responden preguntas en lenguaje natural, hoy en producción. A GCP data platform over highly heterogeneous sources (web, XML, APIs), with layered data governance. On top of it, AI agents that answer questions in natural language, now in production.

  • BigQuery
  • Airflow
  • Dataproc/Spark
  • GKE
  • Vertex AI
  • Gemini
BancaBanking

Sistema multiagente en producciónMulti-agent system in production

Para analistas de riesgo y negocio. Cada respuesta cita su fuente o dice que no tiene datos, solo lee datos curados y anonimizados, y todo queda auditado. For risk and business analysts. Every answer cites its source or says there is no data, it only reads curated and anonymized data, and everything is audited.

  • Google ADK
  • Gemini
  • Vertex AI Agent Engine
  • BigQuery Vector Search
Unilever

4 años como equipo dedicado4 years as a dedicated team

Un equipo de 5 personas sobre una base de 500 tablas alimentada por distintos proveedores, incluida la migración de su ETL de Azure a GCP. Parte de ese equipo trabaja hoy en Código Nativo. A 5-person team on a 500-table database fed by multiple vendors, including the migration of their ETL from Azure to GCP. Part of that team works at Código Nativo today.

  • Python
  • SQL
  • Airflow
  • BigQuery
  • Azure → GCP
  • Power BI
Whirlpool

Sell out unificadoUnified sell-out

Unificamos el sell out de sus clientes, que llegaba en formatos dispares, y lo cruzamos con las ventas de SAP. Pasaron de informes mensuales a ventas actualizadas cada hora. We unified their customers' sell-out data, which arrived in disparate formats, and joined it with SAP sales. They went from monthly reports to sales updated every hour.

  • SAP
  • ETL
  • Tableau
Grupo Dota

Modelos predictivos sobre 1.500 autobusesPredictive models on 1,500 buses

Predicción de consumo, stock y gastos, desgaste de neumáticos por marca y perfiles de riesgo de siniestralidad, sobre los datos operativos de la flota. Forecasting of fuel consumption, stock and costs, tire wear by brand and accident-risk profiles, on the fleet's operational data.

  • Machine Learning
  • RegresiónRegression
  • Random Forest
Contacto Contact

Cuéntanos el proyecto Tell us about the project

Qué hay que construir, en qué plazo y con qué stack. Te respondemos en 24 horas. What needs to be built, by when and on which stack. We reply within 24 hours.