Chatbots y asistentes de IA con tus datos
Un asistente que responde con la información de tu organización —manuales, contratos, políticas, catálogos— indicando de qué documento sale cada respuesta, respetando permisos y midiendo cuánto acierta.
Actualizado:
Está repartida en carpetas, correos y PDF. Preguntar a un compañero acaba siendo más rápido que buscar.
Un modelo sin acceso a tus documentos responde con aplomo cosas que no son ciertas en tu empresa.
No quieres subir documentos internos a una herramienta pública ni que alguien vea lo que no le corresponde.
Sin una evaluación, un asistente parece funcionar hasta que falla delante de un cliente.
Un asistente RAG tiene cuatro piezas. Ingesta: se leen tus documentos, se limpian y se dividen en fragmentos de tamaño manejable, conservando metadatos como el título, la sección y la fecha. Índice: cada fragmento se convierte en un vector (embedding) que representa su significado y se guarda junto a un índice de palabras clave; combinar ambas búsquedas suele recuperar mejor que una sola. Recuperación: ante una pregunta se buscan los fragmentos más relevantes, filtrando por los permisos del usuario. Generación: el modelo recibe la pregunta y esos fragmentos y redacta una respuesta limitada a ese contexto, con citas.
La parte más descuidada de los asistentes es la evaluación. Preparo con tu equipo un conjunto de preguntas representativas con la respuesta y el documento esperados, y mido dos cosas por separado: si la recuperación encuentra el pasaje correcto y si la respuesta final es fiel a él. Así, cuando algo falla sabemos si hay que mejorar la preparación de documentos, la búsqueda o las instrucciones al modelo.
Defino contigo qué documentos entran, quién puede consultar qué y dónde se almacenan los datos y los registros de uso. Los permisos se aplican en la recuperación, no al final, para que un fragmento no autorizado nunca llegue al modelo. Registro las consultas para detectar preguntas sin respuesta, pero puedes decidir qué se guarda y durante cuánto tiempo.
Como proyecto personal he desarrollado un asistente con memoria a largo plazo que combina recuperación semántica y por palabras clave sobre un almacén basado en grafos (Neo4j). Es un proyecto de experimentación, no un despliegue para un cliente, y en su ficha explico decisiones y límites.
Lectura de PDF, Word, páginas web y exportaciones; limpieza, división en fragmentos y actualización cuando los documentos cambian.
Búsqueda semántica y por palabras clave sobre tus documentos; cada respuesta muestra los pasajes en los que se apoya.
Permisos por colección o por rol para que cada persona solo reciba información de lo que puede consultar.
Un conjunto de preguntas de prueba con respuestas esperadas, métricas simples y un informe de dónde falla.
Interfaz propia, widget para tu web o conexión con herramientas internas (por ejemplo, un canal de mensajería o tu intranet).
Qué preguntas debe poder responder, quién lo usará, qué documentos entran y cuáles quedan fuera.
Inventario de fuentes, formatos y calidad. La calidad de las respuestas depende más de esto que del modelo elegido.
Fragmentación, embeddings y búsqueda híbrida; pruebas de que los pasajes correctos aparecen entre los primeros resultados.
Instrucciones para responder solo con el contexto recuperado, citar la fuente y decir «no lo sé» cuando no hay base.
Pruebas con preguntas reales, despliegue gradual, registro de consultas sin respuesta y revisión periódica.
«¿Cuál es el proceso para aprobar un gasto superior a X?» con enlace al apartado exacto del manual.
Respuestas basadas en la ayuda del producto y en el histórico de incidencias resueltas.
Localizar cláusulas, fechas o condiciones y mostrar el párrafo de origen para verificarlo.
Resolver dudas de producto con la información real del catálogo, sin inventar características.
RAG (generación aumentada por recuperación) significa que, antes de responder, el sistema busca en tus documentos los pasajes relevantes y se los da al modelo como contexto. Así la respuesta se apoya en tu información y puede citar la fuente, en lugar de depender de lo que el modelo recuerde de su entrenamiento.
Depende del proveedor y del contrato. Antes de empezar reviso las condiciones de uso de los servicios implicados, configuro las opciones que impiden el uso de tus datos para entrenamiento y, si el caso lo exige, propongo alternativas donde los datos no salen de tu infraestructura.
No se evita al cien por cien. Se reduce limitando la respuesta al contexto recuperado, obligando a citar fuentes, permitiendo que diga «no lo sé» y evaluando con preguntas de prueba. Además, las citas permiten comprobar cualquier afirmación.
Cada documento se asocia a una colección o rol, y la recuperación solo busca en lo que el usuario puede ver. Se diseña desde el principio porque añadirlo después es difícil.
Sí. Puede ofrecerse como widget en una página web, como interfaz independiente o conectarse a canales internos mediante API. La mejor opción depende de quién lo use y dónde.
Inteligencia artificialProyecto personal
Asistente basado en un modelo de lenguaje con memoria persistente y recuperación híbrida —semántica y por palabras clave— sobre un almacén en grafo.
Descubre dónde la IA aporta valor en tu operación y llévala a producción con control humano.
Ver servicioConvierte tareas manuales y repetitivas en flujos programados, trazables y fáciles de mantener.
Ver servicioPipelines fiables, modelos claros y tests de calidad para decidir con datos en los que confiar.
Ver servicioPrevisiones y clasificaciones evaluadas con honestidad frente a alternativas simples.
Ver servicioUna primera conversación sirve para saber si tiene sentido y por dónde empezar.