RAG para empresas: cómo tener un asistente de IA que responde con tus documentos

El conocimiento de tu empresa está en todas partes menos donde lo necesitas

La política de devoluciones está en un PDF de la intranet. La excepción pactada con un cliente, en un hilo de correo de hace meses. El procedimiento de alta de proveedores, en una wiki que nadie actualiza. La información existe; encontrarla es otra historia.

La reacción natural es preguntarle a ChatGPT o a otro asistente genérico. El problema es doble. Ese modelo no conoce tu empresa: no ha leído tus manuales ni tus contratos. Y cuando no sabe algo, a menudo no lo dice: genera una respuesta plausible y bien redactada que puede ser incorrecta. Si un comercial confirma a un cliente una condición que no existe, deja de ser una anécdota.

La técnica que resuelve buena parte de esto se llama RAG, y es la base de nuestros asistentes de IA con tus documentos. Te explicamos qué es, para qué sirve y cómo implantarlo bien.

Qué es RAG, explicado sin jerga

RAG son las siglas de retrieval-augmented generation, «generación aumentada por recuperación». Dicho de forma sencilla: antes de responder, el sistema busca en tus documentos y el modelo de lenguaje contesta a partir de lo que ha encontrado, no de memoria.

Funciona en cuatro pasos:

1. Indexar tus documentos. Se leen las fuentes (PDF, Word, wikis, bases de conocimiento), se dividen en fragmentos y se guardan en un índice que permite buscarlos por significado, no solo por palabras exactas.
2. Buscar los fragmentos relevantes. Ante una pregunta como «¿cuál es el plazo de preaviso del contrato de mantenimiento?», el sistema localiza los pasajes que tratan de eso, aunque usen otras palabras.
3. Responder a partir de ellos. El modelo recibe la pregunta, esos fragmentos y la instrucción de responder solo con esa información.
4. Citar la fuente. La respuesta indica de qué documento y apartado sale, para que cualquiera pueda comprobarla.

Con RAG, el modelo deja de «saber» cosas y pasa a leer, sintetizar y citar información que tú controlas. Si cambias una política, actualizas el documento y el asistente responde con la versión nueva, sin reentrenar nada.

Para qué se usa un asistente RAG en una empresa

Los casos habituales comparten un patrón: preguntas cuya respuesta está escrita en algún sitio, pero cuesta encontrarla.

• Asistente interno para soporte, ventas u operaciones. Soporte consulta la documentación técnica sin salir de su herramienta, el comercial pregunta qué incluye cada servicio y operaciones revisa procedimientos.
• Chatbot de atención al cliente con tu base de conocimiento. Responde con tus condiciones, horarios y políticas, no con información genérica de internet, y deriva a una persona cuando hace falta. Es el enfoque de Nexen, nuestro producto propio de atención al cliente con IA, que reúne WhatsApp, email, redes sociales y chat web en una sola bandeja.
• Consulta de contratos y políticas. Preguntar en lenguaje natural por cláusulas, plazos o requisitos internos, con la referencia exacta al documento.
• Onboarding de empleados. Quien se incorpora puede preguntar cómo se piden vacaciones o a quién se escala una incidencia sin depender de que un compañero esté disponible.

Un asistente RAG responde preguntas; un agente ejecuta tareas: consulta el CRM, redacta un correo, crea una incidencia. A menudo se combinan. Si buscas que la IA actúe, lee nuestra guía de agentes de IA para empresas o mira cómo desarrollamos agentes de IA a medida.

Qué hace que un asistente RAG funcione de verdad

Montar una demo de RAG es relativamente fácil. Que tu equipo siga confiando en él tras meses de uso es otra cosa. Esto es lo que marca la diferencia.

La calidad de los documentos manda

Un asistente RAG no puede ser mejor que sus fuentes. Si hay versiones contradictorias de la misma política, puede recuperar la equivocada. Antes de indexar, decide qué documentos son la referencia, retira los obsoletos y marca fecha y versión.

Troceado e indexado con criterio

Si los documentos se cortan a ciegas, una tabla de tarifas puede quedar partida en dos o una cláusula separada de la excepción que la matiza. Lo que funciona es trocear respetando la estructura (secciones, apartados, tablas como unidad) y guardar con cada fragmento sus metadatos: origen, sección, fecha y departamento.

Búsqueda híbrida

La búsqueda semántica encuentra pasajes por significado, pero falla a veces con lo literal: un código de producto o el nombre exacto de una cláusula. La búsqueda por palabras clave hace justo lo contrario. Los asistentes que funcionan bien en producción suelen combinar ambas y reordenar los resultados antes de pasárselos al modelo.

Permisos por usuario

Si el asistente indexa contratos o nóminas, tiene que respetar los permisos que ya tiene cada persona. El filtro se aplica en la búsqueda: lo que un usuario no puede ver nunca llega al modelo.

Citar fuentes y saber decir «no lo sé»

Cada respuesta debe indicar de dónde sale, para poder verificarla. Y cuando los documentos no contienen la respuesta, el asistente debe decirlo en lugar de rellenar el hueco. «No lo he encontrado en la documentación; consulta con compras» es una buena respuesta.

Índice siempre actualizado

Un asistente que responde con un procedimiento obsoleto hace más daño que no tener asistente. La ingesta debe ser automática: cuando un documento se crea, cambia o se elimina, el índice se actualiza.

Evaluación con preguntas reales

La única forma de saber si responde bien es probarlo con las preguntas que de verdad hacen tu equipo o tus clientes, con respuestas de referencia validadas por quien conoce el tema. Ese conjunto se repite cada vez que cambian los documentos, la configuración o el modelo. Lo desarrollamos en por qué integrar LLMs en producción no es instalar ChatGPT.

RAG o fine-tuning: cuándo conviene cada uno

Una duda frecuente es si no sería mejor «entrenar» el modelo con los documentos de la empresa. Eso es el fine-tuning: ajustar un modelo con ejemplos propios para modificar su comportamiento. Resuelve otro problema.

Para un asistente con documentos de empresa, RAG es casi siempre el punto de partida; el fine-tuning puede complementarlo después. Para situarlo en una estrategia más amplia, consulta nuestra guía sobre cómo implementar IA en tu empresa.

Seguridad y privacidad

Un asistente con acceso a documentos internos toca información sensible. Hay tres decisiones que conviene tomar desde el principio.

Control de acceso. Además de filtrar por permisos, el asistente debe identificar a cada usuario con los sistemas que ya usa la empresa y registrar qué se preguntó y qué fuentes se usaron, para poder auditarlo.

Dónde se alojan los datos. Según la sensibilidad de la información, se puede optar por proveedores de modelos con acuerdos de no retención, por un despliegue en la nube dentro de la UE o por modelos alojados en infraestructura propia. Cada opción tiene implicaciones de coste, rendimiento y mantenimiento.

RGPD. Si los documentos contienen datos personales, el tratamiento debe encajar en el RGPD como cualquier otro: base legal, minimización (no indexar lo que no hace falta), contratos de encargo de tratamiento con los proveedores y respeto a los derechos de los interesados, incluido que un dato borrado en origen desaparezca también del índice. Hay que diseñarlo desde el inicio, no añadirlo al final.

Cómo implantar un asistente RAG paso a paso

Este es el proceso que seguimos en nuestros proyectos de inteligencia artificial cuando el objetivo es un asistente con documentos.

1. Inventario de fuentes

Qué documentos y sistemas contienen las respuestas, quién puede ver cada cosa, con qué frecuencia cambian y cuáles son la referencia oficial. Mejor empezar por un área concreta que indexarlo todo el primer día.

2. Ingesta y permisos

Conexión con las fuentes, limpieza, troceado e indexado respetando los permisos de cada usuario o departamento, con sincronización automática para que el índice siga al día.

3. Construcción del asistente

Búsqueda híbrida, instrucciones para responder solo con lo recuperado, cita de fuentes, comportamiento cuando no hay respuesta y derivación a una persona cuando procede.

4. Evaluación

Preguntas reales con respuestas de referencia, revisadas por quien conoce el tema. Se comprueba si responde bien, si cita la fuente correcta y si dice «no lo sé» cuando debe. No se publica hasta alcanzar el nivel de calidad acordado.

5. Despliegue y mantenimiento

Puesta en marcha en el canal elegido, primero con un grupo reducido de usuarios. Después, revisión periódica de conversaciones y nueva evaluación con cada cambio relevante.

Si quieres entender qué factores influyen en la inversión, lo explicamos en cuánto cuesta un proyecto de IA.

Preguntas frecuentes

¿Qué es RAG?

Una técnica que combina un buscador sobre tus documentos con un modelo de lenguaje: el sistema recupera los fragmentos relevantes y el modelo responde a partir de ellos, citando de dónde salen. Así responde con la información de tu empresa, no con conocimiento genérico.

¿Puede un asistente RAG inventarse respuestas?

El riesgo no desaparece del todo, pero se reduce mucho cuando el asistente responde solo con los documentos recuperados, cita la fuente y dice «no lo sé» cuando no encuentra la respuesta. La evaluación previa y la revisión periódica completan el control.

¿Qué formatos de documento admite?

PDF, Word, hojas de cálculo, presentaciones, páginas web, wikis y bases de datos, entre otros. Si la información está en un sistema propio o de terceros, se conecta por API. Los documentos escaneados necesitan antes un paso de reconocimiento de texto.

¿Se puede integrar en WhatsApp, la web o la intranet?

Sí. El asistente es un servicio independiente que puedes llevar al canal que necesites: un chat en tu web, la intranet, Microsoft Teams o Slack, o WhatsApp Business para atención al cliente. En cada canal se mantienen las mismas reglas de permisos y la derivación a una persona.

Por dónde empezar

Si tu equipo pierde tiempo buscando información que ya está escrita, o las mismas preguntas llegan una y otra vez a soporte, probablemente hay un caso claro para un asistente con tus documentos. Lo difícil no suele ser la tecnología, sino elegir el primer alcance, ordenar las fuentes y medir si funciona.

En Polaris hacemos un diagnóstico de IA gratuito en el que revisamos tus fuentes de información y tus casos de uso, y te decimos con franqueza si un asistente RAG tiene sentido para ti, por dónde empezar y qué hace falta para llevarlo a producción.