Foris Intelligence: plataforma AI-native para ejecutar la operación académica
Foris Intelligence es la capa de inteligencia artificial de Foris Suite que combina optimización, machine learning y agentes de IA sobre una plataforma AI-native para convertir datos, reglas y procesos en decisiones que se ejecutan directamente sobre la operación académica.
En educación superior, la complejidad operativa es el resultado de cómo están diseñados los procesos académicos.
- La inscripción aparte de seleccionar cursos, implica resolver simultáneamente reglas curriculares, estado financiero del estudiante, disponibilidad de cupos y restricciones operativas.
- La planificación académica va más allá de abrir secciones, requiere proyectar la demanda, asignar docentes y balancear la capacidad instalada entre sedes.
- El acompañamiento estudiantil trasciende el seguimiento, consiste en interpretar señales académicas, financieras y de interacción para decidir a quién intervenir, cuándo y con qué acción.
Cada proceso académico articula múltiples variables al mismo tiempo. Por eso, al hablar de inteligencia artificial en universidades, el reto está en incorporar modelos y al mismo tiempo definir dónde operan y sobre qué capa del sistema pueden actuar.
El límite de los sistemas de información estudiantil no está en la falta de datos
Los sistemas de información estudiantil han sido diseñados históricamente para garantizar consistencia transaccional, pues son altamente eficientes almacenando información, validando reglas y registrando estados dentro de la operación académica.
Sin embargo, no fueron concebidos para:
- Interpretar contexto de forma dinámica entre dominios académicos, financieros y operativos
- Evaluar múltiples variables de manera simultánea para soportar decisiones complejas
- Ejecutar acciones inteligentes directamente sobre los procesos institucionales
Cuando se incorporan capacidades analíticas, modelos predictivos o inteligencia artificial en general, estas suelen implementarse fuera del sistema principal, en data warehouses, herramientas de BI o iniciativas aisladas.
El resultado es que la inteligencia permite entender lo que ocurre, pero no intervenir sobre ello. Las decisiones dependen de pasos intermedios y validaciones manuales, y la operación crítica continúa ejecutándose sin soporte inteligente en tiempo real.
Esto además de ser una limitación tecnológica, significa un límite estructural de arquitectura. Foris lo define como inteligencia desacoplada: modelos, analítica y capacidades de IA que conviven con el sistema operativo de la universidad, pero no pueden ejecutar decisiones sobre la operación real.
Qué cambia en una plataforma AI-native
Una plataforma AI-native no se define por usar modelos de inteligencia artificial, sino por estar diseñada para que la inteligencia opere directamente sobre la lógica del sistema y no como una capa externa.
Esto implica tres condiciones técnicas que rara vez están presentes en arquitecturas tradicionales, y que son las que realmente determinan si la IA puede ejecutar o solo analizar.
1. Datos estructurados para ser consumidos por modelos de lenguaje
La inteligencia funciona cuando los datos están conectados, organizados y disponibles en el momento en que se necesitan. En la operación diaria de una institución, esto se refleja en situaciones muy concretas:
- Un área académica proyecta demanda con base en datos históricos de inscripción
- Finanzas gestiona datos de estados de cuenta y comportamiento de pago
- Los sistemas institucionales registran eventos clave del estudiante, como inscripciones, pagos, solicitudes y cambios en su trayectoria
Cuando estos datos viven en sistemas separados o con estructuras distintas, cada decisión requiere cruces manuales, validaciones adicionales y tiempos de respuesta largos, impactando directamente la capacidad de anticiparse y actuar a tiempo.
Por ejemplo, identificar un estudiante en riesgo implica combinar su carga académica, su comportamiento financiero y sus patrones de interacción; sin integración, esta lectura llega tarde o queda incompleta.
En Foris Suite, esto se resuelve con dos componentes:
- Data Platform (infraestructura central de datos), que consolida la información institucional en un Data Lakehouse, permitiendo tener una única versión consistente y actualizada de los datos
- Data Gateway (capa de acceso a datos), que expone esta información como una API unificada, facilitando que los modelos y agentes consulten los datos de forma directa, rápida y estandarizada
Esto reduce la dependencia de integraciones ad-hoc y acelera el acceso a información confiable para cada caso de uso. Así, la inteligencia puede operar con amplio contexto, desde la apertura de grupos hasta la priorización de intervenciones sobre estudiantes.
2. Reglas institucionales como entidades ejecutables
En muchas universidades las reglas viven en configuraciones dispersas, código legacy o conocimiento tácito del equipo que lleva quince años en el área. Eso limita su trazabilidad y hace difícil que puedan ser operadas por sistemas inteligentes.
En una plataforma AI-native las reglas están centralizadas, son declarativas y pueden ser interpretadas tanto por humanos como por máquinas. En Foris Suite, esto se logra con un DSL propio y un agente especializado de AI que permite crear, describir y consultar reglas en lenguaje natural.
La misma regla que ejecuta un proceso crítico como la inscripción, puede ser entendida, validada y ajustada por un analista académico sin depender del equipo técnico, manteniendo consistencia entre definición y ejecución.
3. Procesos orquestados de punta a punta
La inteligencia necesita actuar sobre procesos completos, no sobre fragmentos. Esto implica que los flujos operativos están definidos, conectados y disponibles como herramientas que los agentes pueden activar directamente.
En la operación diaria, procesos como la planeación académica o la inscripción involucran múltiples áreas, reglas y momentos de decisión. Cuando estos flujos están fragmentados, cada paso depende de intervenciones manuales y cambios entre herramientas, lo que ralentiza la ejecución y dificulta la continuidad del proceso.
Cuando los procesos están estructurados de punta a punta, la IA puede pasar de recomendar a ejecutar directamente sobre la operación. Por ejemplo, puede lanzar una proyección de demanda, activar una alerta, correr reglas masivas o re-agendar grupos dentro del sistema, conectando análisis y ejecución en un mismo flujo.
Esto permite que la inteligencia forme parte del proceso operativo, con capacidad de actuar en tiempo real.
Sobre estas tres condiciones se construye Foris Intelligence, como una capacidad transversal que permite que la inteligencia deje de observar la operación y empiece a formar parte de ella.
Las tres dimensiones de Foris Intelligence
Foris Suite se construye sobre un principio clave: la operación académica lejos de ser un problema único, es un conjunto de sub problemas de distinta naturaleza que requieren enfoques diferentes.
En lugar de depender de una sola técnica, Foris Intelligence opera como una plataforma de inteligencia híbrida, donde cada tipo de problema es abordado con la herramienta más adecuada, desde algoritmos clásicos y optimización, hasta machine learning y modelos de IA generativa.
A partir de esto, Foris Intelligence aborda la inteligencia institucional desde tres dimensiones, cada una diseñada para un tipo distinto de problemática:
1. Planning and Optimization: resolver lo que manualmente no escala
Algunos de los problemas más críticos en educación superior son de naturaleza combinatoria. La programación académica es el caso más evidente.
Construir el horario de un ciclo académico implica evaluar al mismo tiempo disponibilidad docente, capacidad física de las aulas, compatibilidad entre cursos, demanda proyectada, restricciones curriculares, distancias entre edificios y paquetes horarios compatibles para cada cohorte. El número de combinaciones posibles crece exponencialmente y resolverlo manualmente toma semanas y produce resultados subóptimos.
Viktor es el algoritmo dentro de Darwin que resuelve este problema. Implementa un enfoque metaheurístico que combina algoritmos genéticos, búsquedas locales, búsqueda en grafos, algoritmos glotones y algoritmos de programación lineal entera, lo que le permite explorar millones de combinaciones en minutos. Además, incorpora una estructura de memoria evolutiva que acumula información de ejecuciones previas y orienta la búsqueda hacia soluciones más prometedoras, mejorando de forma progresiva la calidad de los resultados.
Paul es el otro lado de la ecuación. Su función es proyectar la demanda académica del siguiente período a nivel granular, estudiante por estudiante y curso por curso, simulando el avance curricular de cada estudiante activo sobre su plan de estudios específico.
Para cada estudiante, Paul analiza su avance curricular, la estructura de su programa y las reglas institucionales, y a partir de esto genera un conjunto de inscripciones plausibles, que luego son agregadas para constituir las demandas.
En este esquema, Paul define el problema y Viktor lo resuelve. El equipo académico revisa el resultado en los editores de demanda y de horarios de Darwin y ajusta lo que corresponde. Es el ciclo completo de diseño académico, ejecutado de forma integrada sobre una misma plataforma AI-native.
2. Data Analytics & Machine Learning: anticipar con contexto institucional
No todos los problemas en la operación académica son de optimización, muchos son de predicción de alta complejidad: deserción, riesgo de reprobación, probabilidad de pago o abandono del proceso de inscripción. Son fenómenos multivariables donde el valor está en identificar patrones antes de que se materialicen.
Foris Intelligence aborda estos casos a través de técnicas de Machine Learning basadas en AutoML con Optuna y MLflow, que entrena modelos con los datos reales de cada institución y selecciona automáticamente la mejor combinación de algoritmos e hiperparámetros para cada problema. Se trata de una infraestructura flexible que puede trabajar con enfoques como Random Forest, Gradient Boosting, redes neuronales, LogitBoost o regresión logística penalizada.
El pipeline completo de datos, desde la normalización e imputación hasta el rebalanceo de clases queda versionado y documentado. Esto mejora la calidad de los modelos y permite entender cómo se llegó a cada resultado.
Una de las implementaciones más visibles de esta capacidad es el modelo de retención de Stella, y es aquí donde la arquitectura AI-native marca una diferencia más profunda.
Un modelo predictivo aislado que entrega un score es útil, pero insuficiente para la operación. El modelo de Stella entrega un score acompañado de una estructura explicable, que agrupa a los estudiantes en segmentos de riesgo que pueden ser leídos e interpretados directamente por asesores, directores académicos y equipos de bienestar.
Es pasar de una afirmación plana como esta:
"Este estudiante tiene 78% de probabilidad de desertar."
A una estructura accionable como esta:
"Estudiantes con promedio menor a 3.5 en primer año, que reprobaron al menos una materia de ciencias básicas y tienen deuda pendiente mayor a dos meses, presentan un 78% de probabilidad de desertar en el siguiente período."
De esta forma se identifican patrones accionables: combinaciones de variables académicas, financieras y de comportamiento que explican ese riesgo en términos comprensibles para la institución.
Así, los equipos de acompañamiento estudiantil saben a quién contactar, entienden por qué y pueden enfocar su intervención en las variables correctas. En instituciones que usan Stella, el modelo alcanza hasta 86% de asertividad en la predicción de fenómenos estudiantiles y ha contribuido a reducciones de 19% en la deserción semestral.
La misma plataforma de ML puede entrenarse para múltiples casos de uso: riesgo de reprobación por asignatura, probabilidad de re-matrícula, abandono del proceso de inscripción o efectividad en cursos de nivelación. El modelo cambia según el problema, pero la arquitectura que lo soporta es la misma.
3. LLM & AI Agents: hacer operable la complejidad académica
Incluso con datos integrados y modelos bien construidos, persiste una barrera estructural dentro de las universidades: la fragmentación de los sistemas. Los usuarios institucionales no interactúan con modelos, interactúan con interfaces y las de los sistemas tradicionales suelen traducir esa complejidad en fricción.
Los agentes de IA cierran esa brecha al habilitar una capa de interacción en lenguaje natural, con acceso a datos y reglas en tiempo real, y con capacidad para ejecutar acciones dentro del sistema.
El valor de estos agentes de IA se concentra en el conocimiento institucional embebido: las reglas académicas, las mallas curriculares, los procesos de matrícula y las estructuras organizativas, modeladas como herramientas y base de conocimiento listas para usar.
A nivel técnico, los agentes corren sobre arquitectura ReAct con LangGraph, mantienen memoria configurable por usuario, rol o institución, y escalan al humano cuando una decisión lo amerita. La Agents Platform de Foris Suite es agnóstica al proveedor de LLM (OpenAI, AWS Bedrock, Ollama, entre otros) y soporta esquemas BYOK, permitiendo que cada institución mantenga control sobre sus contratos, datos y costos.
Un ejemplo concreto ilustra el cambio: configurar una regla de elegibilidad académica en muchos sistemas implica abrir un ticket a TI, traducir la necesidad a especificaciones técnicas, desplegar cambios, y pasar por ciclos de validación que pueden tomar semanas. Con Foris Intelligence, un analista académico define la regla en lenguaje natural, el agente de IA la traduce a un DSL ejecutable y la valida contra el catálogo existente para detectar colisiones antes de activarla.
La complejidad no desaparece, pero deja de ser una barrera para operar.
Foris Intelligence: ecosistema de inteligencia híbrida
En conjunto, estas tres dimensiones operan como un sistema integrado de inteligencia aplicado a la operación académica, abriendo paso a una diversidad de técnicas diseñadas para resolver distintos problemas. Desde algoritmos de optimización y modelos de machine learning, hasta agentes de IA capaces de ejecutar acciones en tiempo real, cada enfoque cumple un rol específico dentro de una misma arquitectura AI-native.
Por qué la IA no funciona como una capa externa
Aquí es donde la diferencia entre una plataforma AI-native y un sistema de registro con IA agregada deja de ser conceptual y se vuelve operativa.
Una universidad puede conectar modelos de ML sobre un data warehouse, desplegar chatbots sobre su sistema de información o incorporar herramientas especializadas para optimización de horarios, y en efecto, cada una puede funcionar… dentro de su propio espacio.
Sin embargo, ninguna podrá hacer lo siguiente:
- Ejecutar una proyección de demanda que considere las reglas institucionales reales (no un subconjunto exportado) y escribirla de vuelta en el sistema que genera los horarios.
- Entregar un score de deserción que el asesor pueda accionar desde el mismo portal donde registra la intervención, con el perfil explicable y la ficha integral del estudiante al lado.
- Permitir que un analista académico modifique una regla de inscripción en lenguaje natural y que esa regla opere en tiempo real sobre los validadores del portal estudiantil.
- Garantizar que las decisiones de los agentes se ejecuten respetando los mismos esquemas de seguridad, permisos y reglas financieras que gobiernan la operación institucional.
Nada de esto falla por falta de modelos, sino porque la inteligencia está construida por fuera del sistema que ejecuta la operación. Para que realmente funcione, la plataforma debe ser AI-native y haber sido diseñada desde el inicio para que los modelos, reglas y procesos compartan un mismo lenguaje operativo.
Principios de diseño de Foris Intelligence
La arquitectura de Foris Intelligence se sostiene sobre cuatro principios estructurales que garantizan que la inteligencia sea potente y operable dentro del contexto institucional:
- Explicabilidad: la inteligencia se diseña como un sistema trazable, en el que cada predicción, recomendación o acción puede ser entendida y justificada, haciendo explícitas las variables que influyen y el razonamiento detrás de cada decisión.
- Adaptabilidad por institución: no existen modelos genéricos aplicados de forma uniforme. Cada modelo se entrena con los datos propios de la universidad, y las reglas que gobiernan los algoritmos son configurables para reflejar la realidad académica, financiera y operativa de cada institución.
- Human-in-the-loop: la inteligencia propone, pero la institución decide. Los procesos críticos mantienen siempre visibilidad y control humano, permitiendo validar, ajustar o intervenir cuando el contexto lo requiere.
- Neutralidad tecnológica: la plataforma funciona con los algoritmos que mejor se ajusten a los datos. La arquitectura protege contra el lock-in, permitiendo evolucionar la capa de inteligencia sin reescribir la lógica operativa sobre la que corre la institución.
De analizar datos a operar la universidad
Los sistemas en educación superior han estado orientados históricamente a registrar lo que ya ocurrió y ese enfoque sigue siendo necesario, pues un sistema sin integridad transaccional no es un sistema. Pero ya no es suficiente en un contexto donde la velocidad de decisión, la personalización del acompañamiento y la eficiencia operativa se volvieron variables de supervivencia.
Una plataforma AI-native introduce una capacidad adicional, además de registrar estados, también evalúa escenarios, toma decisiones basadas en múltiples variables y las ejecuta dentro del sistema. Esta capacidad amplifica la lógica institucional y la vuelve operable a escala.
La conversación sobre inteligencia artificial en educación superior suele centrarse en modelos, chatbots, algoritmos o herramientas puntuales, pero la pregunta importante es otra: ¿La arquitectura de la institución permite que esa inteligencia actúe sobre la operación?
Foris Intelligence es el núcleo de ejecución de la Foris Suite, conectando planificación, inscripción, acompañamiento, datos y decisiones en una sola plataforma AI-native que opera la universidad en tiempo real.
¿Quieres ver en detalle cómo Foris Intelligence ejecuta la operación académica de una universidad? Conoce más en la página de Foris Intelligence o agenda una demo con nuestro equipo para conversar sobre tu institución.
Glosario: términos clave en este artículo
Plataforma AI-native: arquitectura donde la inteligencia artificial no es una capa adicional sobre un sistema de registro, sino el mecanismo con el que la plataforma ejecuta sus procesos. Los datos, las reglas y los flujos están diseñados desde el inicio para ser consumidos por modelos y agentes.
Inteligencia desacoplada: concepto que describe situaciones en las que modelos de IA, analítica o capacidades predictivas conviven con el sistema operativo de la universidad pero no pueden ejecutar decisiones sobre la operación real. La inteligencia observa, los procesos críticos siguen siendo manuales.
Ecosistema de Inteligencia Híbrida: sistema integrado que combina distintas técnicas de IA (optimización combinatoria, machine learning, agentes de IA) cada una aplicada al tipo de problema que mejor resuelve, todas operando sobre la misma arquitectura AI-native de Foris Suite. Permite pasar de soluciones puntuales a una capa de inteligencia transversal sobre la operación académica.
Viktor: algoritmo dentro de Darwin para la generación automatizada de horarios académicos. Combina enfoques metaheurísticos (algoritmos genéticos, búsquedas locales, programación lineal entera) y una memoria evolutiva que orienta la búsqueda hacia mejores soluciones en cada ejecución.
Paul: motor de proyección de demanda académica de Foris. Simula el avance curricular estudiante por estudiante sobre su plan de estudios específico y agrega las inscripciones plausibles en una tabla de demanda por asignatura.
Human-in-the-loop: modelo de diseño donde la IA propone y el equipo humano valida, ajusta y decide antes de ejecutar. Está presente en todos los flujos de Foris Intelligence.
Preguntas frecuentes
¿Qué es Foris Intelligence?
Foris Intelligence es la capa de inteligencia artificial de Foris Suite que combina optimización, machine learning y agentes de IA sobre una plataforma AI-native para convertir datos, reglas y procesos en decisiones que se ejecutan directamente sobre la operación académica.
¿Qué significa que una plataforma sea AI-native?
Una plataforma AI-native es aquella diseñada desde su arquitectura para que los datos, las reglas y los procesos sean nativamente consumibles por modelos de IA y agentes. La inteligencia no se agrega como una capa externa sobre un sistema de registro, es el mecanismo con el que la plataforma ejecuta sus procesos.
¿Qué es la inteligencia desacoplada?
Inteligencia desacoplada es el concepto que Foris usa para describir modelos, analítica y capacidades de IA que conviven con el sistema operativo de la universidad pero no pueden ejecutar decisiones sobre la operación real. Es un problema estructural de arquitectura, no de tecnología puntual.
¿Qué técnicas de IA usa Foris Intelligence?
Un enfoque híbrido. Metaheurísticas y algoritmos evolutivos para optimización combinatoria (Viktor), simulación curricular para proyección de demanda (Paul), machine learning para predicción de fenómenos estudiantiles como deserción y riesgo de reprobación, y agentes de IA con arquitectura ReAct y LangGraph para interacción en lenguaje natural sobre datos y reglas institucionales.
¿Los modelos de IA son los mismos para todas las universidades?
No. Los modelos se entrenan con los datos específicos de cada institución y la plataforma selecciona automáticamente la combinación de algoritmos e hiperparámetros que mejor se ajusta a cada universidad. Las reglas que gobiernan a Viktor y Paul también se configuran por institución, sin intervención del equipo técnico.
¿Cómo garantiza Foris el control humano sobre las decisiones de la IA?
Todos los flujos de Foris Intelligence operan bajo un modelo human-in-the-loop. La IA propone y el equipo institucional valida, ajusta y decide antes de ejecutar. Cada decisión es explicable a través de estructuras interpretables que traducen los modelos a lenguaje que asesores y directivos pueden accionar.