El reto
Análisis de Normativa de Emisiones
Necesito monitorizar en tiempo real mi mix de ventas combustión/eléctrico para no superar los límites de emisiones europeos. Una multa millonaria por desviación es un riesgo que no puedo ignorar.
ChatGPT Enterprise (Code Interpreter).
Nivel de sensibilidad: alto. Los datos de este caso no se pueden anonimizar sin perder su utilidad. El Camino A (on-premises) es la única opción segura. Confidencialidad: Las previsiones de ventas por modelo son información estratégica confidencial. Nunca deben subirse a herramientas de IA sin un acuerdo de confidencialidad corporativo.
Decisión previa
Cómo elegir el camino correcto
Antes de empezar, responde esta pregunta: ¿puedes anonimizar los datos que va a procesar la herramienta sin perder su utilidad para este caso?
Camino A — Recomendado para este caso
Modelo on-premises
El modelo de IA se despliega en la infraestructura propia de la empresa. Los datos nunca salen de tus servidores. Solución correcta cuando los datos no se pueden anonimizar sin perder su valor.
Camino B — Alternativa si los datos lo permiten
Anonimización previa + ChatGPT Business
Los documentos se anonimizan antes de procesarse con ChatGPT Business. Válido únicamente si el contenido mantiene su utilidad después de eliminar los datos sensibles.
Para este caso concreto: la anonimización es no viable — los datos contienen información que pierde su valor al anonimizarse. El Camino A (on-premises) es el correcto. El Camino B solo sería viable si se trabaja con versiones reducidas o parcialmente anonimizadas de los documentos.
Camino A — Recomendado
Modelo on-premises: los datos nunca salen de tu empresa
Con un modelo de lenguaje desplegado en la infraestructura propia de tu empresa, la solución funciona exactamente igual que con ChatGPT Business — pero ningún dato abandona nunca tus servidores. El modelo no puede ser entrenado con tu información y el cumplimiento normativo es total.
Modelos recomendados
Mistral Large 2 — Excelente para análisis de contratos, extracción de cláusulas y comparación de documentos legales.
Llama 3.3 70B — Ideal para análisis de documentos largos y generación de resúmenes estructurados (contexto 128K tokens).
Qwen 2.5 72B — Potente para análisis de datos tabulares y elaboración de tablas comparativas.
Llama 3.3 70B — Ideal para análisis de documentos largos y generación de resúmenes estructurados (contexto 128K tokens).
Qwen 2.5 72B — Potente para análisis de datos tabulares y elaboración de tablas comparativas.
Plataformas de despliegue
Ollama + Open WebUI — Para uso individual o equipo reducido en hardware propio. Interfaz similar a ChatGPT, configuración en menos de 1 hora.
vLLM — Para entornos de producción con múltiples usuarios simultáneos y alto rendimiento.
LM Studio — Para pruebas y validación sin configuración de servidor.
vLLM — Para entornos de producción con múltiples usuarios simultáneos y alto rendimiento.
LM Studio — Para pruebas y validación sin configuración de servidor.
Infraestructura mínima
GPU: 2× NVIDIA A100 40GB o 4× RTX 4090 (24GB VRAM cada una). Para modelos de 70B parámetros en producción.
RAM: 128GB mínimo para modelos de 70B. Para modelos de 7-13B (uso individual), 32GB son suficientes.
Cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing con VPC aislada — sin transferencia de datos fuera de la UE.
RAM: 128GB mínimo para modelos de 70B. Para modelos de 7-13B (uso individual), 32GB son suficientes.
Cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing con VPC aislada — sin transferencia de datos fuera de la UE.
Garantía de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu información, no hay transferencia internacional de datos — elimina el riesgo de transferencias a EE.UU. bajo el RGPD — y el cumplimiento normativo es total.
¿Necesitas implementar esta solución en tu organización?
La configuración de un modelo on-premises para este caso requiere un proveedor técnico especializado que conozca tanto la tecnología como los requisitos de cumplimiento normativo. Emovere puede ayudarte a desplegar esta solución en tu infraestructura de forma segura, con garantías legales y sin que tus datos salgan nunca de tu organización.
Camino B — Si los datos lo permiten
Anonimización previa + ChatGPT Business
Si los documentos que va a procesar la herramienta no contienen información estratégica irrenunciable, puedes anonimizarlos y usar ChatGPT Business directamente. Para este caso, la anonimización es no viable — evalúa documento a documento si el contenido sigue siendo útil tras eliminar los datos sensibles.
- 1 Identifica qué datos son sensibles en cada documento: nombres de personas, cifras confidenciales, datos de clientes o proveedores.
- 2 Usa etiquetas consistentes para la sustitución: [PERSONA_1], [CLIENTE_A], [CIFRA_X]. Mantén la misma etiqueta para la misma entidad en todos los documentos.
- 3 Verifica que el contenido sigue siendo útil tras la anonimización. Si no lo es, usa el Camino A (on-premises).
- 4 Guarda el mapa de anonimización (tabla etiqueta → entidad real) en un lugar seguro y offline, con acceso restringido.
Límite del Camino B: Si tras la anonimización el documento pierde su utilidad para el análisis, el Camino B no es viable para ese documento. Usa el Camino A (on-premises) en ese caso.
Prompt para ChatGPT Business / Enterprise
Prompt — ChatGPT Business / Enterprise
[C — Contexto] Somos [NOMBRE_FABRICANTE/IMPORTADOR] (fabricante/importador de vehículos, [VOLUMEN_VENTAS_ANUALES] unidades/año en la UE). El Reglamento (UE) 2019/631 nos impone un objetivo de emisiones medias de [OBJETIVO_CO2] g/km para [AÑO_OBJETIVO]. Adjunto nuestras previsiones de ventas por modelo para el próximo trimestre y sus respectivas emisiones de CO2 homologadas (WLTP). El responsable de homologación necesita este análisis para el Comité de Dirección de la próxima semana.
[R — Rol] Actúa como nuestro Responsable de Cumplimiento Normativo con experiencia en el Reglamento (UE) 2019/631 y la normativa CAFE. Tu objetivo es calcular el riesgo de multa y las acciones correctoras necesarias, no simplemente verificar si cumplimos o no.
[E — Ejemplo] En el análisis del trimestre anterior, calculaste que con el mix de ventas previsto superaríamos el objetivo en 2,3 g/km, lo que supondría una multa estimada de 4,2 millones de euros. Identificaste que vendiendo 340 unidades adicionales del modelo eléctrico [NOMBRE_MODELO_EV] reduciríamos la media a [OBJETIVO_CO2] g/km. Ese análisis de impacto cuantificado y plan de acción es lo que necesito.
[A — Acción] Analiza los datos adjuntos y: (1) Calcula las emisiones medias ponderadas del mix de ventas previsto. (2) Determina si superamos el límite del Reglamento (UE) 2019/631. (3) Si lo superamos, calcula la multa estimada (95€ × g/km × unidades vendidas). (4) Calcula cuántas unidades adicionales del modelo [NOMBRE_MODELO_EV] necesitamos vender para compensar. (5) Genera un dashboard de seguimiento mensual.
[T — Tono] Técnico y orientado a cumplimiento normativo. Cita el artículo exacto del Reglamento para cada cálculo. El informe debe poder presentarse directamente al Comité de Dirección.
[E — Extra información] Confidencialidad: las previsiones de ventas por modelo son información estratégica confidencial. Nunca deben subirse a herramientas de IA sin un acuerdo de confidencialidad corporativo. No uses el análisis de la IA como única base para homologaciones: el responsable de homologación debe verificar la interpretación normativa antes de usarla en documentación oficial.
Usa este prompt solo si has anonimizado previamente todos los datos identificables del documento. Verifica que el resultado sigue siendo útil tras la anonimización.
El prompt — Camino A (on-premises)
Prompt específico para este caso
Este prompt funciona tanto con el Camino A (modelo on-premises) como con el Camino B (herramienta cloud con datos anonimizados). Personaliza los campos entre corchetes con los datos reales de tu empresa.
Prompt — Análisis de Normativa de Emisiones
[C — Contexto] Somos [NOMBRE_FABRICANTE/IMPORTADOR] (fabricante/importador de vehículos, [VOLUMEN_VENTAS_ANUALES] unidades/año en la UE). El Reglamento (UE) 2019/631 nos impone un objetivo de emisiones medias de [OBJETIVO_CO2] g/km para [AÑO_OBJETIVO]. Adjunto nuestras previsiones de ventas por modelo para el próximo trimestre y sus respectivas emisiones de CO2 homologadas (WLTP). El responsable de homologación necesita este análisis para el Comité de Dirección de la próxima semana.
[R — Rol] Actúa como nuestro Responsable de Cumplimiento Normativo con experiencia en el Reglamento (UE) 2019/631 y la normativa CAFE. Tu objetivo es calcular el riesgo de multa y las acciones correctoras necesarias, no simplemente verificar si cumplimos o no.
[E — Ejemplo] En el análisis del trimestre anterior, calculaste que con el mix de ventas previsto superaríamos el objetivo en 2,3 g/km, lo que supondría una multa estimada de 4,2 millones de euros. Identificaste que vendiendo 340 unidades adicionales del modelo eléctrico [NOMBRE_MODELO_EV] reduciríamos la media a [OBJETIVO_CO2] g/km. Ese análisis de impacto cuantificado y plan de acción es lo que necesito.
[A — Acción] Analiza los datos adjuntos y: (1) Calcula las emisiones medias ponderadas del mix de ventas previsto. (2) Determina si superamos el límite del Reglamento (UE) 2019/631. (3) Si lo superamos, calcula la multa estimada (95€ × g/km × unidades vendidas). (4) Calcula cuántas unidades adicionales del modelo [NOMBRE_MODELO_EV] necesitamos vender para compensar. (5) Genera un dashboard de seguimiento mensual.
[T — Tono] Técnico y orientado a cumplimiento normativo. Cita el artículo exacto del Reglamento para cada cálculo. El informe debe poder presentarse directamente al Comité de Dirección.
[E — Extra información] Confidencialidad: las previsiones de ventas por modelo son información estratégica confidencial. Nunca deben subirse a herramientas de IA sin un acuerdo de confidencialidad corporativo. No uses el análisis de la IA como única base para homologaciones: el responsable de homologación debe verificar la interpretación normativa antes de usarla en documentación oficial.
Ejecución
Cómo ejecutar este caso paso a paso
- 1 Paso 1: Abre ChatGPT Enterprise en tu navegador web.
- 2 Paso 2: Asegúrate de que la función 'Code Interpreter' (o 'Advanced Data Analysis') esté activada en la configuración de tu sesión.
- 3 Paso 3: Adjunta el archivo PDF con la normativa de emisiones (Reglamento (UE) 2019/631) y un archivo CSV o Excel con tus previsiones de ventas por modelo y sus emisiones de CO2 homologadas (WLTP).
- 4 Paso 4: Copia y pega el 'Prompt mejorado' en el campo de texto de ChatGPT y presiona Enter para iniciar el análisis.
Datos necesarios: Normativa de emisiones aplicable en PDF (Euro 7, CAFE, etc.), datos técnicos del vehículo o componente.
Impacto
Qué cambia cuando la solución está en marcha
Evita multas millonarias por incumplimiento de emisiones.
Advertencias
Qué tener en cuenta
Los resultados generados por IA son borradores. Deben ser revisados y validados por el responsable correspondiente antes de su uso oficial o comunicación externa.
Advertencia específica: Confidencialidad: Las previsiones de ventas por modelo son información estratégica confidencial. Nunca deben subirse a herramientas de IA sin un acuerdo de confidencialidad corporativo.
Mantén los datos actualizados. Un modelo con información desactualizada dará respuestas incorrectas. Establece un proceso regular de actualización de los documentos de referencia.