
Clasificador de incidencias con IA
15 de Octubre de 2026
1
11
AI Ticket Classifier: cómo construí una app que clasifica tickets con un LLM
Tenía una idea: una aplicación que recibiera tickets de soporte y los clasificara automáticamente con IA. Y con la idea llegaron las dudas: ¿cómo empiezo?, ¿qué capas gratuitas hay?, ¿qué tecnología uso?
En este post cuento cómo lo resolví, con las decisiones, los problemas y lo que me llevo. Es un proyecto de aprendizaje y está todo desplegado con capas gratuitas, y eso también tiene consecuencias que explico al final.
Demo: https://ticket-classifier.aprokhorenko.dev/
Repositorio: https://github.com/AleksanderProkhorenkoDEV/ai-ticked-classifier
Qué hace la aplicación
Recibes un ticket (título y descripción) y el LLM lo clasifica por tres criterios:
Categoría: bug, consulta o incidencia.
Urgencia: baja, media o alta.
Sentimiento: negativo, neutro o positivo.
Por dónde empecé
Empecé por lo más básico: crear el repositorio y aclarar qué tecnologías me interesaban. Después tocó investigar sobre LLMs y elegir uno. Leí muchos blogs y documentación, y acabé creando una cuenta en Mistral AI. Probé el modelo desde Postman hasta que la respuesta fue buena.
Pedirle al modelo una salida estructurada
Lo que más me ayudó fue refinar la petición con la documentación de Mistral para pedir la respuesta con JSON Schema. En lugar de recibir texto libre y tener que parsearlo, defines qué campos quieres y qué valores permitidos tiene cada uno. Por ejemplo, la urgencia solo puede ser baja, media o alta.
El resultado es una respuesta que llega lista para mapearla a un record de Java. Con ObjectMapper fue bastante sencillo.
Aun así, añadí varios try/catch. Estás consumiendo una API que no controlas y confiando en que siempre devuelva el JSON como se lo has pedido. Nunca se sabe cuándo puede fallar.
Spring AI o LangChain4j
El primer problema serio fue cómo llamar al LLM desde Spring Boot de la manera más óptima, sin bloquear hilos, porque necesito su respuesta para poder crear el ticket. [Cuenta aquí cómo lo resolviste.]
Dudé entre LangChain4j y Spring AI. LangChain4j es portable y sencillo de usar, pero me decidí por Spring AI por una razón simple: viene integrado con el framework que ya estaba usando.
Un bug que me costó más de la cuenta
Perdí un buen rato con un @ExceptionHandler que no se ejecutaba. La causa era un import erróneo que me puso el IDE. Nada sofisticado, pero es un buen recordatorio de revisar lo básico antes de buscar fallos complejos.
El frontend: Open Cells y Lit
Empecé diseñando en Figma. Pensar en colores y tipografía, y más aún en un hero que llame la atención, nunca es fácil. Me apoyé en la IA para el diseño, y estoy bastante orgulloso del resultado: fresco, innovador y agradable visualmente.
A la hora de desarrollar, leí la documentación de Open Cells y me surgió una duda: está pensado para SPA, ¿es buena elección para mi aplicación? Tras investigar, decidí que sí: no necesito SEO, el dashboard es interactivo por naturaleza y, como es un proyecto ilustrativo sin landing promocional ni blog, no necesito SSR.
Lo más interesante fue lo que me tocó aprender:
Formularios accesibles, con errores claros y notificaciones de éxito o fallo. No fue difícil, pero tuve que hacer memoria con Open Cells y Lit, porque mis proyectos anteriores eran con Next.js y Astro. Si divides bien los componentes y las responsabilidades, además se pueden reutilizar.
Tabla paginada, sin pasar de 10 ítems y con scroll interno para no romper la estructura del dashboard.
Query personalizada para obtener los datos de los filtros. Nunca me había tocado, porque con JPA casi todas las queries ya están resueltas.
Cabecera de tabla pensada para lectores de pantalla, algo que no había hecho nunca y que aporta mucho en usabilidad.
Testing con IA
Aquí aprendí dos cosas.
La primera: la IA detecta casos de prueba que un humano puede pasar por alto. Revisarlos y decidir cuáles tienen sentido sigue siendo cosa mía.
La segunda: al principio me costaba comparar las respuestas de la API en los tests. La solución fue crear un ticket fijo, con datos y fecha controlados, y comprobar que el endpoint devuelve exactamente el JSON esperado:
private Ticket ticket() {
Ticket ticket = new Ticket("Error al subir imagenes", "Sale un error 500", TicketCategory.BUG, TicketUrgency.ALTA, TicketFeeling.NEGATIVO);
ticket.setId(7L);
ticket.setDate(FIXED_DATE);
return ticket;
}
Nunca había testeado un servicio que usa IA y me sorprendió lo sencillo que es: puedes mockear el ChatModel y probar qué hace tu aplicación con respuestas controladas, sin llamar al modelo real.
OpenCode en el proyecto
Ya en el Sprint 2 empecé a usar OpenCode para implementar pequeñas funciones y tomar decisiones. Fue una experiencia educativa y positiva: me dio ideas y soluciones que no se me habían ocurrido. Definir un buen AGENTS.md, limitando lo que el agente puede y no puede hacer, fue muy útil. Y, como siempre, todo lo que propuso lo revisé.
El precio de las capas gratuitas
Todo está desplegado con capas gratuitas, y eso se nota: la API tarda en responder, porque depende del plan gratuito de Mistral. Para un proyecto de aprendizaje es un trade-off asumible, pero me ha enseñado algo que en producción importa: al integrar un LLM hay que contar con la latencia desde el diseño.