La evaluación del discurso en personas con afasia representa un desafío clínico complejo, donde la identificación de unidades de información correcta (CIUs) es fundamental para medir la informatividad comunicativa más allá de la forma lingüística. Tradicionalmente, este proceso requiere entrenamiento especializado y mucho tiempo, lo que limita su aplicación sistemática en entornos clínicos. Recientemente, los modelos de lenguaje de gran escala (LLM) han demostrado capacidad para clasificar tokens como CIUs mediante aprendizaje con pocos ejemplos, sin necesidad de entrenamiento específico en la tarea. Sin embargo, los resultados varían según la gravedad del trastorno y los modelos presentan una tendencia a la sobreclasificación, lo que impide un uso completamente autónomo. Este escenario abre una oportunidad para soluciones híbridas donde la inteligencia artificial actúe como asistente en un flujo de trabajo supervisado por humanos. En este contexto, empresas como Q2BSTudio desarrollan aplicaciones a medida que integran inteligencia artificial para optimizar procesos clínicos, combinando modelos de lenguaje con capas de validación y control de calidad. Además, la implementación de estas herramientas se apoya en servicios cloud AWS y Azure, que ofrecen la escalabilidad y seguridad necesarias para manejar datos sensibles, junto con medidas de ciberseguridad que protegen la información del paciente. La aplicación de agentes IA entrenados con pocos ejemplos, similar a la aproximación few-shot en el estudio, puede integrarse en plataformas de software a medida para análisis de discurso, facilitando la labor de los logopedas y neurólogos. Asimismo, la inteligencia de negocio, mediante herramientas como Power BI, permite visualizar la evolución de los pacientes y correlacionar variables clínicas con las clasificaciones de los modelos. Aunque la precisión actual no alcanza niveles para un uso autónomo completo, la combinación de inteligencia artificial para empresas con supervisión humana representa un avance prometedor. El desarrollo de aplicaciones a medida que incorporen estos mecanismos permitirá afinar los modelos y ofrecer soluciones más robustas en el futuro, siempre en un marco de mejora continua y validación clínica.