CAIO Review: NutriSense AI
Feature "NutriCoach"

Decisión compuesta: Lanzar NutriCoach (chatbot de recomendaciones nutricionales con acceso a datos médicos) vía API de GPT-4o en Q3 2026 para clientes corporativos en España, Francia y Alemania. Paralelamente, contratar un Research Scientist para construir un modelo de nutrición propio. Esta revisión cubre las cuatro áreas CAIO: selección de modelo, clasificación de riesgo EU AI Act, economía de costes y contratación de equipo.

Sin eval set definido. El plan menciona recomendaciones nutricionales con datos médicos sensibles (alergias, medicamentos, enfermedades crónicas), pero no tiene ningún conjunto de evaluación. No hay feature, hay un vibe.

Riesgo especial en dominio médico: Una recomendación incorrecta para un usuario con, p.ej., insuficiencia renal crónica + metformina puede generar interacciones graves. El eval set en este dominio no es un nice-to-have; es obligación de due diligence legal.

Mínimo exigido antes de continuar: 100+ casos de prueba con perfil médico completo → recomendación esperada → rubric de evaluación por dietista colegiado. Incluir casos adversariales: alergias contradictorias, usuarios con fármacos de interacción, perfiles edge (embarazo, pediatría, oncología activa). SLO propuesto: <2% de recomendaciones con riesgo nutricional identificable.

Sin SLOs ni arquitectura de fallback documentados. En dominio de salud, el SLO de hallucination no puede ser el estándar del 5% — debe ser <1% para afirmaciones médico-nutricionales, con verificación humana en el circuito para casos de alto riesgo.

Blast radius si se incumple el SLO: Con 15.000 usuarios activos/mes × 20 consultas = 300.000 interacciones. Al 5% de error: 15.000 interacciones erróneas/mes. Si 0.1% derivan en incidentes médicos: 150 incidentes/mes de primer mes. Escalar a 100K usuarios: 1.500 incidentes/mes. Responsabilidad civil por daños a la salud en tres jurisdicciones.

Fallback arquitectura requerida: (1) Filtro de riesgo pre-respuesta: si el perfil médico contiene medicamentos de alto riesgo → derivar a dietista humano. (2) Monitorización de outputs en tiempo real con sampling. (3) Botón "consultar con profesional" en cada recomendación. (4) Respuesta por defecto conservadora ("consulta a tu nutricionista") ante ambigüedad.

Clasificación: HIGH RISK (Annex III, punto 5b). Sistema de IA que procesa datos médicos sensibles (datos de salud según GDPR Art. 9) para influir en decisiones que afectan el bienestar físico de usuarios. Adicionalmente, los clientes son aseguradoras, lo que activa clasificación HIGH bajo Annex III punto 5 (seguros de vida y salud) Y punto 5b (bienestar).

Obligaciones HIGH RISK (10 artículos): Risk management system, data governance, technical documentation, transparency, human oversight, accuracy/robustness/cybersecurity, conformity assessment, EU Database registration, post-market monitoring, incident reporting. Timeline estimado: 6-12 meses, coste €80.000–€200.000.

GDPR Special Category Data: Datos médicos (Art. 9 GDPR) requieren DPIA (Data Protection Impact Assessment) y base legal explícita. Transferir datos de salud de usuarios en Francia/Alemania a OpenAI (EEUU) requiere BCRs o Standard Contractual Clauses verificadas. Piloto con Mapfre (go-live 2026-09-01) es técnicamente imposible sin resolver esto antes.

La decisión de usar API es correcta. NutriSense no tiene ML team, no tiene labeled data de calidad nutricional validada, y el mercado no justifica infraestructura propia. Dominio B2B SaaS con volumen moderado → API es el camino.

Cambio de proveedor recomendado (compliance): OpenAI GPT-4o presenta problemas de residencia de datos para usuarios en UE bajo EU AI Act + GDPR. Evaluar Azure OpenAI Service (residencia EU, DPA disponible) o Mistral Large (proveedor europeo, datos en EU by default). Beneficio adicional: coste ~30% menor en Azure con caching agresivo.

Fine-tuning: rechazado en Q1/Q2 2027 como mínimo. Prerequisitos no cumplidos: sin ML engineer, sin labeled dataset validado por dietistas, sin infraestructura de evaluación. Fine-tuning en dominio médico-nutricional requiere datos supervisados de calidad clínica.

Cálculo base: 100K usuarios × 20 consultas × 4.800 tokens/consulta = 9.6B tokens/mes. GPT-4o: $2.50 input / $10 output por 1M tokens. Mix 83% input / 17% output → ~$20/M tokens ponderado. Con prompt caching activado: reducción estimada 40-60% → $76.800–$115.200/mes en Mes 12.

Lever más alto impacto: El perfil médico del usuario (historial nutricional, medicamentos, análisis) se repite en CADA consulta. Con caching del prefijo del system prompt + datos de usuario: 70% de los tokens son cacheables. Implementación: 2 días de ingeniería. Ahorro potencial: $530K–$670K en el año.

BLOQUEAR la contratación del Research Scientist (PhD ML). Es el hire más caro y el menos productivo como primera contratación de IA. Un Research Scientist necesita: infraestructura ML, datasets curados, plataforma de experimentos, CI/CD de modelos. NutriSense no tiene ninguno de estos. Contratar un Research Scientist ahora es quemar 120K€/año en frustración mutua.

Primer hire correcto: AI Engineer (Senior). Perfil: full-stack + prompts + evals + deployment + integración API. Presupuesto: 70-90K€ en España, 90-110K€ en Francia/Alemania. Este perfil puede: (a) montar el eval set, (b) implementar prompt caching, (c) construir el sistema de monitoring + fallback, (d) preparar la documentación técnica para EU AI Act. ROI mes 1.

Prerrequisito para ML Engineer: plataforma de datos + labeled dataset nutricional. Prerrequisito para Research Scientist: ML Engineer + infraestructura de experimentación. El roadmap correcto: AI Engineer (Q3 2026) → Data Scientist especialidad nutrición (Q1 2027) → ML Engineer (Q3 2027 si volumen justifica fine-tuning) → Research Scientist (nunca, a menos que el modelo sea el producto).