Lo que piden todas las empresas

«Queremos un chat que lo sepa todo de nuestra empresa». Es la petición de IA que más oigo, y es razonable: el conocimiento existe —en una wiki, en una unidad compartida, en cinco años de tickets de soporte y en unos cuantos miles de PDF—, solo que es imposible encontrarlo. La técnica que lo hace posible se llama generación aumentada por recuperación, o RAG. La idea es poco vistosa: antes de responder, se buscan los fragmentos relevantes de tus datos y se le entregan al modelo junto con la pregunta.

Cómo funciona, sin jerga

• Tus documentos se dividen en fragmentos pequeños y con sentido propio
• Cada fragmento se indexa para poder encontrarlo por su significado, no solo por palabras clave
• Una pregunta lanza una búsqueda que devuelve unos pocos fragmentos, los más relevantes
• El modelo responde usando solo esos fragmentos y cita de dónde sale cada dato

El modelo no está «entrenado con tus datos»: no memoriza nada. Y eso es una ventaja: puedes retirar un documento, actualizar una lista de precios o quitarle el acceso a un empleado, y las respuestas cambian al instante.

Por qué suelen fallar los primeros intentos

La demo siempre funciona. Es en el piloto con usuarios reales donde todo se desmorona, y casi siempre por motivos que no tienen nada que ver con el modelo.

• Los datos de origen se contradicen: tres versiones de la misma política y ninguna marcada como vigente
• La recuperación es el eslabón débil: si la búsqueda devuelve los cinco párrafos equivocados, ningún modelo puede salvar la respuesta
• Se ignoran los permisos de acceso, así que el asistente le cita alegremente los sueldos a un becario
• No hay un conjunto de evaluación, así que nadie sabe si un cambio ha mejorado las cosas o las ha empeorado
• Nadie es responsable del contenido, así que el índice se queda obsoleto en un trimestre

Qué incluye una implantación seria

• Recuperación con permisos: el asistente ve exactamente lo que el usuario que pregunta tiene permitido ver
• Citas en cada respuesta, con enlace al documento de origen
• Una vía para negarse: «No tengo esa información» es mejor que una invención dicha con seguridad
• Un conjunto de pruebas con preguntas reales y respuestas correctas conocidas, que se ejecuta en cada cambio
• Registro de las preguntas, para saber qué necesita la gente de verdad
• Un responsable claro del contenido en sí, no solo del software

Dónde se amortiza antes

El mejor primer proyecto es acotado, de mucho volumen y poco riesgo. Respuestas de atención al cliente, dudas internas de incorporación, consultas de especificaciones de producto, búsqueda en licitaciones y contratos: cualquier tarea en la que hoy alguien pasa quince minutos buscando un documento que sabe que existe. Empieza por ahí, mide el tiempo ahorrado y amplía solo cuando el primer caso se haya ganado de verdad la confianza del equipo.

Conclusión

Conectar la IA al conocimiento de la empresa es menos un proyecto de IA que un proyecto de higiene de datos con una interfaz de IA. Las empresas que sacan valor real no son las que tienen el modelo más grande, sino las que han ordenado sus documentos, han respetado sus reglas de acceso y han medido las respuestas. La tecnología está lista. La pregunta es si tu conocimiento lo está.