Los casos de uso que siguen son un ejemplo ilustrativo por sector. Cada snapshot muestra qué evalúa el agente antes de actuar, qué ejecuta de forma autónoma cuando puede hacerlo con garantías, y qué recibe el analista cuando no puede.

Prescriptive Decision AI para Aerolíneas
Aerolíneas
Revenue Management y Pricing Dinámico

El modelo de revenue management cierra y abre clases de tarifa en tiempo real sobre miles de combinaciones vuelo-fecha. El analista recibe la decisión pero no el razonamiento: no sabe con qué certeza se tomó, qué cambio la invertiría, ni si reabrir Y capturaría demanda nueva o canibaliza ingreso corporativo ya garantizado. AyGLOO añade una capa agéntica sobre ese modelo con una función de decisión precisa: maximizar el ingreso por vuelo bajo restricción de mix de demanda — no solo abrir o cerrar clases, sino elegir la combinación que maximiza el ingreso neto evitando canibalización. El agente ejecuta automáticamente cuando la señal es robusta y el ISA confirma fiabilidad en ese segmento. Cuando la fiabilidad es menor o el ISA detecta zona de incertidumbre, alerta al analista con el árbol de escenarios ya construido para decidir en minutos. Y cuando actuar destruiría más ingreso del que captura, recomienda explícitamente no actuar.

1
El agente ejecuta cierres y aperturas automáticamente cuando la fiabilidad es total y el ISA confirma el segmento. El analista solo interviene donde el contexto operativo puede cambiar la decisión óptima.→ +1–2% de ingreso por vuelo en rutas con mix corporativo alto
2
El ISA confirma si el modelo es fiable en el segmento de demanda concreto — corporativo full-flex, vacacional anticipado, grupo — antes de ejecutar. En segmentos de baja fiabilidad, el agente deriva al analista aunque la regla diga 100%.→ Overrides del analista respaldados por datos, no por intuición
3
El CF calcula el umbral exacto de upgrade aceptable para cada perfil de cliente y el precio mínimo que retendría demanda vacacional sin canibalizar ingreso corporativo — antes de cualquier acción.→ Decisión de upgrade y retención cuantificada por perfil, no por regla genérica
4
El árbol de escenarios compara en euros el ingreso proyectado de cada combinación posible de clases abiertas — incluyendo el escenario de no actuar — antes de ejecutar cualquier cambio.→ €5.600 de ingreso destruido evitado por vuelo al no reabrir Y a precio incorrecto
Hoy, lo que un analista de revenue suele recibir
IB9XXX MAD→JFK · 14 Mar Tarifa Y: €1.847 · CERRADA Economy · Clase Y cerrada por modelo · Sin contexto adicional
Con AyGLOO. Misma decisión de pricing, completamente enriquecida
IB9XXX MAD→JFK · 14 Mar · 31 días hasta salida Ocupación: 74% · Clase Y cerrada · Mínima abierta: €1.847 El agente actúa
XAI Explicación de la decisión Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo en este segmento CF Umbral de upgrade y retención de demanda What-if Sensibilidad de variables Econ Árbol de escenarios de ingreso Action Decisión del agente
1. Por qué se cerró esta clase. Twin model (fidelidad 97.1%)
100%IF señal_demanda_A > factor_referencia AND mix_segmento_B > umbral AND horizonte_temporal < umbral → Confirmar cierre de clase Y. En estas condiciones mantener Y abierto reduce el ingreso neto en todos los casos históricos. El agente ejecuta sin revisión manual.
100%IF señal_competitiva_C > tarifa_referencia AND indicador_capacidad_D > umbral → No reabrir por debajo de precio_mínimo_calculado.
87%IF historial_patrón_A cerraron clase a días_referencia AND ocupación_final > umbral → Patrón histórico consistente. Alta probabilidad de cerrar con >90% de ocupación — el agente alerta al analista para validar.
62%IF ritmo_reservas > 2.0× sin otros factores → Señal débil aislada. El agente recomienda no actuar: el riesgo de destruir ingreso supera el potencial de captura.
Las reglas de fiabilidad total permiten al agente ejecutar sin intervención del analista. La regla del 87% es la zona de tensión real: el patrón histórico es consistente pero no determinante — el agente alerta al analista con el árbol de escenarios preparado. La regla del 62% es la más valiosa para el negocio: el agente recomienda explícitamente no actuar cuando la señal aislada no justifica el riesgo de canibalización.
XAITwin
2. Doble check del modelo en este segmento (ISA)
Segmento: "corporativo full-flex alta participación · ritmo >2× · MAD–JFK largo radio" · Corporativo (full-flex, alto ingreso): 68% · Vacacional (compra anticipada): 24% · Grupo: 8% · Elasticidad precio corporativo restante: baja (0.18) · Cerrar Y no reducirá materialmente la conversión corporativa · Alta fiabilidad: el agente ejecuta con confianza.
Segmento de mayor incertidumbre: en rutas MAD–JFK con participación corporativa por debajo del 40%, el modelo tiene precisión histórica del 61% y ha generado falsos positivos en periodos post-festivos. En ese escenario el agente no ejecutaría automáticamente — derivaría al analista aunque las reglas del Twin digan 100%.
El ISA es el doble check del agente antes de ejecutar: confirma no solo que la señal es fuerte sino que el modelo se comporta bien en el segmento concreto donde está tomando la decisión. Un ISA amarillo bloquea la ejecución automática independientemente de la fiabilidad del Twin.
ISA
3. CF. Umbral de upgrade y precio mínimo de retención de demanda
Umbral de upgrade Business aceptable para este perfil (corporativo full-flex, MAD–JFK, 31 días): diferencial máximo €480 sobre tarifa Y · Diferencial actual Business–Economy: €1.380 · No ofrecer upgrade ahora: el gap es 2.9× el umbral histórico de aceptación para este segmento
Precio mínimo de retención de demanda vacacional: si Y se reabriera, la tarifa tendría que bajar a €1.520 para convertir 3 reservas adicionales · A ese precio el ingreso incremental sería €4.560 frente a un desplazamiento de ingreso corporativo estimado de €6.200–€7.800 · No reabrir Y por debajo de €2.100.
La recomendación se mantiene para cualquier ingreso desplazado por encima de €1.860/reserva, dentro del rango histórico del segmento corporativo en ventanas equivalentes.
El CF no es sensibilidad: es la acción mínima concreta que cambiaría la decisión del cliente o de la clase. El umbral de upgrade €480 se calibra contra la distribución histórica de aceptación de este perfil en este origen-destino en los últimos 24 meses. Sin ese dato, el analista adivina; con él, negocia.
CF
4. What-if. Qué variable cambia la recomendación
Si el ritmo de reservas cayera a 1.4×: recomendación cambia a revisar apertura de Y a €1.980 · Si la participación corporativa cayera al 50%: elasticidad sube a 0.41, el coste de mantener Y cerrado se reduce a €800–€1.200 · Si el competidor bajara tarifa a €1.700: presión alcista desaparece, revisar umbral de reapertura · La participación corporativa es la variable más sensible: una caída de 15 puntos cambia la recomendación de cierre.
El what-if no simula escenarios genéricos: identifica el umbral exacto donde la recomendación de cierre deja de ser válida. Eso define la condición de re-evaluación automática que el agente monitoriza — sin que el analista tenga que hacer seguimiento manual.
What-if
5. Árbol de escenarios de ingreso. Función de decisión económica
Escenario
Ingreso proyectado
vs. estrategia actual
Y cerrado · W abierto ✓
€487.200
— referencia
Y reabierto a €1.847
€485.400
−€1.800
Y reabierto a €1.520
€481.600
−€5.600
Y cerrado · W cerrado
€471.000
−€16.200
→ El agente confirma Y cerrado + W abierto: maximiza ingreso neto evitando canibalización · Revisar en 7 días si ritmo cae por debajo de 1.4×
El escenario de W cerrado (−€16.200) es el más útil: muestra por qué no se recomienda cerrar W aunque el ritmo y la ocupación podrían tentarlo. La elasticidad vacacional hace que la pérdida de carga supere la ganancia de ingreso. El agente no solo dice qué hacer — dice qué no hacer y cuánto costaría hacerlo.
Econ
6. Decisión del agente
El agente ejecuta — sin intervención del analista
Las dos reglas de fiabilidad total se cumplen y el ISA confirma alta fiabilidad en este segmento · Confirma el cierre de clase Y automáticamente · Establece umbral de reapertura en €2.100 · Monitoriza el ritmo de reservas y re-evalúa automáticamente si cae por debajo de 1.4× · Trazabilidad de la decisión exportable para auditoría de revenue
o bien, si la fiabilidad fuera media (87%) o el ISA detectara zona de incertidumbre
→ El agente alerta al analista:árbol de escenarios completo con el ingreso proyectado de cada combinación posible · CF con umbral de upgrade y precio mínimo de retención · condición exacta que haría cambiar la recomendación · el analista decide el override con datos, no con intuición
o bien, si la señal fuera débil y aislada (62%) sin participación corporativa que la respalde
→ El agente recomienda no actuar:actuar con señal débil destruiría más ingreso del que capturaría · el agente documenta la recomendación de no intervención con el ingreso en riesgo cuantificado · monitoriza las condiciones que validarían una acción futura
El agente tiene tres caminos posibles: ejecutar, alertar al analista con contexto, o recomendar explícitamente no actuar. El tercer camino es el más diferencial: en revenue management, la mayoría de los overrides erróneos no son de acción equivocada sino de actuar cuando no había que actuar. El agente lo hace visible y lo cuantifica antes de que ocurra.
Action

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Impacto estimado · red de rutas con mix corporativo alto
+1–2%
Incremento de ingreso por vuelo
En rutas con participación corporativa >60% · decisiones de cierre ejecutadas en el momento óptimo sin retraso operativo
−80%
Overrides manuales sin respaldo de datos
El analista interviene con árbol de escenarios preparado · las correcciones dejan de detectarse semanas después en el revenue report
€5.600
Ingreso destruido evitado por vuelo
Al no reabrir Y al precio incorrecto cuando la señal no lo justifica · el agente cuantifica el coste de actuar antes de actuar