Saltar al contenido
DT Nova
Consultoría de inteligencia artificial

Base de conocimiento con IA: RAG empresarial que cita sus fuentes

Una base de conocimiento con IA da a sus equipos, a sus herramientas y a sus agentes respuestas sacadas de los documentos de su propia empresa: procedimientos, fichas de producto, contratos tipo y documentación técnica. Cada respuesta cita el pasaje usado, y cada persona solo ve lo que tiene permiso para ver. Construimos esta capa, lo que se conoce como RAG empresarial, conectada a sus fuentes actuales, alojada en la UE y con el código a nombre de su empresa.

  • Usted ve el resultado antes de publicarlo
  • Precio cerrado para el alcance acordado, por escrito antes de empezar
  • El código fuente, el dominio y las cuentas son de su empresa

Solicitar presupuesto

Antes y después de una base de conocimiento con IA

Es uno de los proyectos con los que suele empezar nuestra consultoría de inteligencia artificial, porque el problema es universal: la información existe, pero nadie la encuentra a tiempo.

SituaciónHoyCon una base RAG
Encontrar un procedimientoBúsqueda por palabra clave en la intranet, con varias versiones del mismo documentoPregunta en lenguaje natural y respuesta de la versión vigente, con el enlace
Dudas de una persona nuevaInterrumpe a un compañero con experienciaRespuesta con fuente, y el compañero solo interviene si la base no lo sabe
Respuesta de soporteEl agente busca en varias documentacionesLos pasajes relevantes aparecen junto a la respuesta preparada
Documentos confidencialesCompartidos de más, o imposibles de encontrarPermisos copiados de la fuente y aplicados en cada búsqueda
ActualizacionesLa versión antigua sigue circulandoReindexación automática, la versión antigua sale de la base

RAG en IA: qué es y cómo funciona

Un modelo de lenguaje por sí solo responde con lo que aprendió en su entrenamiento: no conoce sus procedimientos ni sus productos, y puede dar una respuesta verosímil pero falsa. El RAG, generación aumentada por recuperación, añade un paso de búsqueda. Sus documentos se dividen en pasajes y se indexan con su fuente, su fecha y sus permisos. Con cada pregunta, el sistema recupera los pasajes relevantes, y el modelo redacta la respuesta solo a partir de ellos, citándolos.

La calidad de un RAG para empresa depende menos del modelo elegido que de la preparación de las fuentes: una división en pasajes que respete la estructura de cada documento, metadatos limpios, eliminación de duplicados y versiones caducadas, y una búsqueda que combine el sentido de la pregunta con las palabras exactas, como referencias de producto, números de artículo o nombres de clientes.

Algunos ejemplos de RAG que funcionan bien: el asistente que responde a su equipo comercial con las fichas técnicas vigentes, el que guía a los técnicos con los manuales de los equipos, el que contesta a dudas de RRHH con el convenio y las políticas internas, o el que ayuda al soporte con el histórico de incidencias resueltas.

Qué construimos

Chatbot RAG, asistente interno o agente: una misma base

Muchas empresas empiezan con un chatbot RAG para sus clientes o con un asistente interno para su equipo. Construir la base de conocimiento como una capa separada permite reutilizarla: la atención al cliente con IA, un agente que prepara pedidos o un buscador documental usan las mismas fuentes, los mismos permisos y las mismas mediciones de calidad. Se indexa una vez, y la actualización de un procedimiento llega a todos los usos.

Seguridad: permisos y fugas de información

El OWASP Top 10 para aplicaciones de LLM 2025 dedica una entrada a las debilidades de vectores y embeddings (LLM08), junto a la revelación de información sensible (LLM02), la inyección de instrucciones (LLM01) y la filtración de las instrucciones del sistema (LLM07) (consultado el 12 de noviembre de 2026). En un RAG el riesgo principal es sencillo: que una respuesta contenga un pasaje que el usuario no tiene permiso para leer.

Nuestras medidas: los permisos de cada pasaje se copian de la fuente, el filtrado por usuario se hace antes de generar la respuesta, los índices se separan cuando los grupos de usuarios son muy distintos, el contenido de los documentos se trata como datos y nunca como instrucciones, y las pruebas de fuga forman parte de la aceptación.

Datos personales y Reglamento de IA

Una base de conocimiento contiene a menudo datos personales sin que sea su objetivo: nombres en actas, datos de contacto en contratos, conversaciones con clientes. El RGPD exige que los datos sean adecuados, pertinentes y limitados a lo necesario (artículo 5.1 c, minimización de datos) y que el tratamiento por cuenta de otro se rija por un contrato (artículo 28) (consultado el 12 de noviembre de 2026). En la práctica, excluimos al indexar las fuentes que no deben estar, ocultamos los datos que no sirven para responder y propagamos los borrados: un documento eliminado en la fuente desaparece del índice. Como el modelo no se entrena con sus documentos, borrar un dato no exige reentrenar nada.

Si la base alimenta un asistente que conversa con sus clientes, el artículo 50.1 del Reglamento (UE) 2024/1689 exige que las personas estén informadas de que interactúan con un sistema de IA, salvo que resulte evidente (consultado el 12 de noviembre de 2026). La Comisión Europea indica que la ley se aplica desde el 2 de agosto de 2026, con excepciones; las normas del anexo III, desde el 2 de diciembre de 2027, y las de los productos del anexo I, desde el 2 de agosto de 2028 (consultado el 12 de noviembre de 2026). Una base de conocimiento interna no es en general un uso de alto riesgo; si la usa para decisiones sobre empleo o acceso a servicios, lo revisamos antes.

Calidad, medida con sus preguntas

No damos un porcentaje genérico de acierto. Durante el alcance reunimos con su equipo un juego de preguntas reales con la respuesta correcta y la fuente esperada. Medimos tres cosas por separado: si el sistema encuentra el pasaje correcto, si la respuesta es fiel a ese pasaje y si dice «no lo sé» cuando la información no existe. Ese juego de pruebas se vuelve a pasar después de cada cambio de modelo, de fuentes o de reglas, para que una mejora en un sitio no estropee otro.

Producto del mercado o desarrollo a medida

CriterioAsistente del mercado (Microsoft 365 Copilot, Gemini para Google Workspace, Glean, Notion AI)Base de conocimiento a medida
FuentesMuy bueno dentro de su propio ecosistemaVarios sistemas a la vez, incluidas bases de datos y programas propios
UsosSobre todo búsqueda y asistente para empleadosEmpleados, clientes, otros programas y agentes con la misma base
Control de calidadLimitado a lo que muestra el productoJuego de pruebas propio, medido en cada cambio
DatosSegún el contrato y la región del proveedorRegión de la UE elegida, cuentas a nombre de su empresa
PropiedadLicencia por usuarioEl código es suyo

Si sus documentos viven en Microsoft 365 y basta con buscar en ellos, Copilot puede ser suficiente, y se lo diremos. Para decidir qué modelo y qué plataforma usar en el conjunto de la empresa, vea también nuestra página de IA generativa para empresas.

Cómo trabajamos

  1. Alcance. Elegimos las fuentes, los usuarios y el juego de preguntas de prueba. Precio cerrado para el alcance acordado por escrito.
  2. Versión de prueba con datos reales. Indexamos sus documentos reales y medimos contra el juego de preguntas. Usted ve el resultado antes de publicarlo.
  3. Aceptación. Un grupo de usuarios la utiliza en su trabajo y su empresa la acepta contra el alcance escrito, incluidas las pruebas de permisos.
  4. Uso diario y mantenimiento. Nuevas fuentes, ajustes y medición continua. El mantenimiento mensual se cancela con un mes de preaviso.

El código, los índices y las cuentas son de su empresa desde el primer día, y todo se aloja en una región de centro de datos de la UE.

Preguntas frecuentes

¿Qué es el RAG en inteligencia artificial?

RAG son las siglas en inglés de generación aumentada por recuperación. Antes de responder, el sistema busca en sus documentos los pasajes relevantes y el modelo de lenguaje redacta la respuesta solo a partir de ellos, citándolos. Así la IA responde con la información de su empresa y no con lo que aprendió en su entrenamiento.

¿Se entrena el modelo con nuestros documentos?

No. En un RAG los documentos se indexan y se consultan en cada pregunta, pero el modelo no se reentrena con ellos. Por eso un documento borrado o actualizado deja de usarse en cuanto se reindexa, y los servicios se configuran para no usar sus datos en el entrenamiento.

¿Qué diferencia hay con un chatbot?

El chatbot es la interfaz con la que alguien conversa. La base de conocimiento es la capa que encuentra la respuesta correcta y comprueba los permisos. Un mismo RAG puede alimentar un chatbot en su web, un asistente interno, la herramienta de su equipo de soporte y agentes de IA.

¿Qué documentos se pueden incluir?

Procedimientos, manuales, fichas de producto, documentación técnica, preguntas frecuentes, contratos tipo, actas y páginas de su intranet o wiki, en PDF, Word, hojas de cálculo o páginas web. Empezamos por las fuentes que más preguntas resuelven y que tienen un responsable que las mantiene.

¿Qué pasa si la respuesta no está en los documentos?

El sistema lo dice en lugar de inventar, y la pregunta queda registrada para el responsable de la fuente. Esas preguntas sin respuesta son una lista muy útil de lo que falta en su documentación.

¿Pueden usar Microsoft 365 Copilot o Google Gemini en lugar de un desarrollo?

Si sus documentos están en Microsoft 365 o Google Workspace y basta con buscar en ellos, esos asistentes son una buena opción y se lo diremos. Un desarrollo compensa cuando las fuentes están repartidas en varios sistemas, cuando la base tiene que servir a clientes o a otros programas, o cuando necesita controlar la calidad con mediciones propias.

Solicite un presupuesto por escrito

Describa en unas líneas lo que necesita. En un día laborable recibe un presupuesto por escrito: alcance, plazos y precio cerrado o estimación de horas. La solicitud no le compromete a nada.

Contacto · Todos los servicios

Solicitar presupuesto