Aldana Resuche

← ProyectosProjects

100%180/180 controles del set de prueba180/180 golden-set checks
146tareas creadas en segundostasks created in seconds
0mails a clientes o proveedores sin aprobación del PMemails to clients or vendors without PM approval

Estimado (sin validar todavía con cronómetro): −54% de tiempo de gestión por proyecto, ≈ USD 300 por semana de tiempo liberado. Estimated (not yet validated with a stopwatch): −54% handling time per project, ≈ USD 300 per week of freed-up time.

Probá la demo interactivaTry the interactive demo Dashboard del tracker con datos ficticios: decisiones del día, flujo de cada proyecto, proveedores sugeridos y métricas.The tracker's dashboard with fictional data: today's decisions, each project's workflow, suggested vendors and metrics. Abrir la demo →Open the demo →
Email portal / free text Rules → AI confidence per field Tracker priority · flow PM decides confirms flow Tasks + vendors ⚠ incidents · 💲 rate · 4 eyes Email portal / free text Rules → AI confidence per field Tracker priority · flow PM decides confirms flow Tasks + vendors ⚠ incidents · 💲 rate · 4 eyes

Así se veWhat it looks like

Tracker inteligente de proyectos multiproveedor

Caso de estudio · Aldana Resuche · Project Manager | AI-Assisted Operations & Automation

En una línea: automaticé la carga, la planificación y la asignación de proyectos de traducción multiproveedor con Google Sheets, Apps Script y Gemini, sin que ningún mail salga sin mi aprobación. Lo medí contra un set de prueba y llegué al 100% de 180 controles.

Mi rol Diseño del proceso, alcance y priorización, desarrollo, pruebas y medición (proyecto individual)
Duración 2 semanas, de 1 a 2 h por día
Herramientas Google Sheets · Apps Script · Gemini API · Gmail
Resultado Lectura de pedidos, flujo, tareas y proveedores automatizados, con decisión humana obligatoria. 100% en un set de prueba propio de 180 controles

1. Contexto

Casi 5 años como PM en la industria de la traducción me dejaron un patrón claro: buena parte del día se va en trabajo administrativo repetitivo, no en gestionar. Para este caso usé una empresa ficticia, Nordvia Localization, con datos 100% sintéticos y un volumen realista: unos 5 proyectos por semana, 3 idiomas en promedio y hasta 29 en un mismo proyecto.

2. El problema (proceso AS-IS)

# Dolor Impacto
P1 Los mismos datos se cargan 2 o 3 veces Alrededor de 1 h por proyecto y errores de copia
P2 No se controlan los datos faltantes Se descubren tarde: un deadline ambiguo, archivos que no llegaron
P3 Deadlines y prioridades se siguen a mano Un proyecto de 29 idiomas con DTP son 146 tareas
P5 No hay historial de proveedores Se le vuelve a asignar trabajo a quien ya tuvo problemas
P7 La necesidad de DTP se decide revisando cada archivo Si se omite, aparecen errores de formato al final

3. La solución

Un tracker en Google Sheets + Apps Script, con Gemini para entender los mails escritos por personas.

  1. Lectura de pedidos: las notificaciones del portal se leen con reglas (gratis, exactas e instantáneas). Los mails libres se leen con IA, que devuelve un JSON con un esquema fijo y una confianza por campo. Lo que tiene menos del 80% se marca como dudoso; lo que falta, como faltante. La IA nunca inventa: ante "next Friday", deja el deadline vacío y lo marca para el PM.
  2. Prioridad viva: P1 a P4 según el tiempo hasta la entrega, recalculada cada hora. Si el PM la fija a mano, el sistema respeta esa decisión.
  3. Recomendación de flujo: una matriz de tipos de archivo más los pasos por defecto de cada cliente proponen el flujo (PRE-DTP, TRA, REV, QA, POST-DTP, Final Eye) con su justificación. El PM siempre confirma.
  4. Generación de tareas: al confirmar, se crean las tareas por idioma y paso, con dependencias y deadlines planificados hacia atrás desde la entrega al cliente. 146 tareas en segundos.
  5. Sugerencia de proveedores y memoria: dos opciones por paso (titular y suplente), la regla de cuatro ojos de ISO 17100 (quien revisa no es quien tradujo) y avisos visibles al asignar: ⚠ incidentes de los últimos 6 meses, 💲 tarifa por encima de la mediana y ⛔ par o paso no cubierto.

4. Cómo lo gestioné como proyecto

5. Decisiones de diseño

6. Cómo se midió

Armé un set de prueba con 13 escenarios (normal, sin archivos, cotización, 29 idiomas, deadline ambiguo, RUSH, DTP, PDF escaneado, subtítulos y un newsletter que hay que ignorar) con la respuesta esperada para cada campo. Un script compara el resultado con lo esperado y guarda un historial por versión:

Versión Acierto Qué enseñó
v1 99,3% El proveedor de IA se saturó (503). La contingencia conservó el texto original
v3 97,1% Los controles también se equivocan: 5 fallas eran errores de diseño de la evaluación, no del sistema
v4 100% (180/180) Lectura, flujo, tareas, proveedores y memoria de proveedores

Límite: el set de prueba lo diseñé yo, con 13 escenarios. Sirve para detectar regresiones, pero no prueba que el sistema generalice. El próximo paso es un set ciego con pedidos escritos por otra persona.

7. Resultados

La v1 cubre la lectura, el flujo, las tareas y los proveedores. La estimación de ahorro corresponde al sistema completo, que en la v2 suma alertas y plantillas.

8. Lecciones

  1. Medir antes de afirmar: sin el set de prueba, la falla del proveedor de IA y los controles mal diseñados habrían pasado desapercibidos.
  2. Un control de evaluación es código y también se prueba. Medir un resumen por su largo da falsos negativos; hay que medir lo que se le pidió a la IA.
  3. El PM no se reemplaza, se potencia: cada automatización deja la decisión final y la información a la vista.

9. Próximos pasos (v2)

Hecho después de la v1: interfaz web del tracker (dashboard bilingüe con métricas y decisiones del día), disponible como demo.

Siguientes: medición con cronómetro · integración con n8n: monitor de entregas y extensiones · migración a una app web con base de datos propia, para validar que el modelo escala más allá de una planilla · plantillas de mails como borradores · análisis real de imágenes en los archivos · Proyecto 2: hoja de rentabilidad y riesgo.

Stack: Google Sheets · Apps Script · Gemini API (salida estructurada) · Gmail · 9 módulos, unas 2.150 líneas · documentación de procesos, RACI, riesgos y gobierno de datos.

Smart Multi-Vendor Project Tracker

Case study · Aldana Resuche · Project Manager | AI-Assisted Operations & Automation

In one line: I automated intake, planning and vendor assignment for multi-vendor translation projects with Google Sheets, Apps Script and Gemini, without a single email leaving without my approval. I measured it against a golden set and reached 100% on 180 checks.

My role Process design, scoping and prioritization, development, testing and measurement (solo project)
Timeline 2 weeks, 1–2 h per day
Tools Google Sheets · Apps Script · Gemini API · Gmail
Outcome Request intake, workflow, tasks and vendors automated, with a mandatory human decision. 100% on a self-built golden set of 180 checks

1. Context

Almost 5 years as a PM in the translation industry showed me a clear pattern: a large part of the day goes into repetitive admin work, not into managing. For this case I used a fictional company, Nordvia Localization, with 100% synthetic data and a realistic volume: about 5 projects per week, 3 languages on average and up to 29 in a single project.

2. The problem (AS-IS)

# Pain point Impact
P1 The same data is entered 2–3 times About 1 h per project, plus copy errors
P2 No check for missing data Found too late: ambiguous deadlines, files that never arrived
P3 Deadlines and priorities tracked by hand A 29-language project with DTP means 146 tasks
P5 No vendor history Work goes back to vendors who already had issues
P7 DTP needs decided by opening every file If missed, formatting errors show up at the end

3. The solution

A tracker built on Google Sheets + Apps Script, with Gemini to understand emails written by people.

  1. Request intake: portal notifications are read with rules (free, exact, instant). Free-text emails are read by AI, which returns JSON with a fixed schema and a confidence score per field. Anything below 80% is flagged as doubtful; anything missing, as missing. The AI never guesses: for "next Friday" it leaves the deadline empty and flags it for the PM.
  2. Live priority: P1 to P4 based on time to delivery, recalculated every hour. If the PM sets it manually, the system respects that decision.
  3. Workflow recommendation: a file-type matrix plus each client's default steps propose the workflow (PRE-DTP, TRA, REV, QA, POST-DTP, Final Eye) with a rationale. The PM always confirms.
  4. Task generation: on confirmation, tasks are created per language and step, with dependencies and deadlines planned backwards from the client delivery date. 146 tasks in seconds.
  5. Vendor suggestions and vendor memory: two options per step (main and backup), the ISO 17100 four-eyes rule (the reviser is never the translator), and visible warnings on assignment: ⚠ incidents in the last 6 months, 💲 rate above the median, ⛔ language pair or step not covered.

4. How I managed it as a project

5. Design decisions

6. How it was measured

I built a golden set of 13 scenarios (standard, no files, quote, 29 languages, ambiguous deadline, RUSH, DTP, scanned PDF, subtitles and a newsletter that must be ignored) with the expected answer for every field. A script compares the output with the expected result and keeps a history per version:

Version Accuracy What it taught me
v1 99.3% The AI provider was overloaded (503). The contingency kept the original text
v3 97.1% Checks can be wrong too: 5 failures were evaluation design errors, not system errors
v4 100% (180/180) Intake, workflow, tasks, vendors and vendor memory

Limitation: I designed the golden set myself, with 13 scenarios. It catches regressions, but it doesn't prove the system generalizes. The next step is a blind test set with requests written by someone else.

7. Results

v1 covers intake, workflow, tasks and vendors. The savings estimate refers to the full system, which adds alerts and templates in v2.

8. Lessons learned

  1. Measure before you claim: without the golden set, the AI provider failure and the badly designed checks would have gone unnoticed.
  2. An evaluation check is code, and it needs testing too. Measuring a summary by its length produces false negatives; you have to measure what you asked the AI to do.
  3. The PM isn't replaced, they're amplified: every automation leaves the final decision, and the information behind it, in plain sight.

9. Next steps (v2)

Done after v1: a web interface for the tracker (bilingual dashboard with metrics and today's decisions), available as a demo.

Next: stopwatch measurement · n8n integration: delivery and extension monitor · migration to a web app with its own database, to validate that the model scales beyond a spreadsheet · email templates as drafts · real image analysis in source files · Project 2: profitability and risk sheet.

Stack: Google Sheets · Apps Script · Gemini API (structured output) · Gmail · 9 modules, ~2,150 lines · process documentation, RACI, risk register and data governance.