Chatbots RAG para clientes
Chat en la web o en la app que responde desde tu centro de ayuda, catálogo y políticas, cita el artículo y pasa a soporte cuando hace falta.
Desarrollo LLM y RAG para asistentes que responden desde tus documentos
Construimos sistemas de generación aumentada por recuperación (RAG) y aplicaciones LLM que buscan en tus políticas, contratos, manuales y registros, responden en lenguaje claro y muestran el pasaje detrás de cada afirmación. Cuando los documentos no cubren una pregunta, el asistente lo dice y la pasa a una persona.
Consulta gratuita
Cuéntanos qué quieres automatizar. Un ingeniero lo revisa y te contacta para agendar una consulta gratuita.
Un sistema RAG responde en dos movimientos: busca en tu contenido los pasajes que importan y luego hace que el modelo de lenguaje escriba la respuesta solo a partir de ellos. En este ejemplo ilustrativo, un inquilino de una administradora de propiedades de Denver pregunta por la política de mascotas; cada frase de la respuesta apunta a su fuente.
Ejemplo ilustrativo Negocio, personas y datos ficticios. No es un cliente, una conversación ni un resultado real.
La calidad de la respuesta se decide casi siempre antes de que el modelo escriba una palabra. Si la recuperación trae el pasaje equivocado, el mejor modelo del mundo dará una respuesta equivocada; por eso la mayor parte de nuestro desarrollo RAG se va en los cuatro primeros pasos.
Conectamos las fuentes (unidades compartidas, wikis, centros de ayuda, bases de datos), quitamos duplicados y versiones antiguas y registramos quién puede ver cada documento.
Los documentos se dividen en pasajes que conservan títulos, tablas y numeración, etiquetados con metadatos como fecha, producto o sede.
Cada pasaje se convierte en un vector guardado en una base de datos vectorial, junto a un índice de palabras clave, para encontrar tanto el significado como los términos exactos.
Al llegar la pregunta, una búsqueda híbrida encuentra pasajes candidatos, un reordenador los prioriza y los filtros de permisos quitan lo que el usuario no puede ver.
El modelo escribe la respuesta solo con los pasajes recuperados, cita cada uno y dice “no lo sé” cuando no contienen la respuesta.
Preguntas, pasajes y respuestas se registran y se puntúan con un conjunto de pruebas, así cualquier cambio se mide antes de publicarse.
Usa RAG cuando el modelo necesita conocer tus datos. Usa fine-tuning cuando debe aprender un formato, un tono o una tarea concreta en la que sigue fallando. Usa solo un buen prompt cuando el conocimiento cabe en las instrucciones. La mayoría de los sistemas en producción son RAG más buenos prompts; el fine-tuning es la excepción que añadimos cuando la evaluación demuestra que ayuda.
Comparativa general; las técnicas suelen combinarse. Para más detalle, consulta nuestro artículo sobre RAG vs fine-tuning en el blog.
Nuestro desarrollo de aplicaciones LLM abarca seis tipos de sistema. La mayoría de los clientes empieza con un asistente sobre un conjunto de documentos y añade fuentes y canales cuando las respuestas aguantan.
Chat en la web o en la app que responde desde tu centro de ayuda, catálogo y políticas, cita el artículo y pasa a soporte cuando hace falta.
Un asistente interno en Slack, Teams o una web que responde desde procedimientos, políticas de RR. HH. y tickets anteriores.
Pregunta sobre contratos, informes o manuales técnicos y recibe respuestas con la cláusula, la página o la sección enlazada.
Saca campos, fechas y obligaciones de documentos largos a tu base de datos, con el pasaje de origen guardado junto a cada valor.
Cuando la evaluación muestra que un modelo base no mantiene un formato o una tarea concreta, lo ajustamos con ejemplos curados y lo comparamos con la base.
Tu base de conocimiento o tu producto expuestos como servidor Model Context Protocol, para que los asistentes de IA busquen y usen sus herramientas con acceso acotado.
Desarrollo de servidores MCP: Servidores MCPSon los términos que salen en toda conversación sobre RAG. Esto es lo que significa cada uno para tu proyecto, en lenguaje claro.
Una base de datos vectorial guarda cada pasaje de tu contenido como una lista de números (un embedding) que captura su significado, así el sistema encuentra pasajes sobre “cancelar el contrato antes de tiempo” aunque el documento diga “rescisión anticipada”. Trabaja junto a un índice de palabras clave, porque los términos exactos, como referencias, números de póliza o nombres, siguen importando.
Antes de vectorizar nada, los documentos se dividen en pasajes. Si partes una tabla por la mitad o separas una regla de su excepción, la recuperación le dará al modelo media verdad. Fragmentamos por estructura (títulos, secciones, filas) y probamos varias estrategias con tus preguntas antes de elegir.
El fine-tuning reentrena un modelo con tus ejemplos para que produzca de forma fiable un formato, un tono o una clasificación. No mantiene al modelo al día con tus datos y cuesta más mantenerlo. Lo recomendamos solo cuando un sistema RAG con buenos prompts sigue sin llegar al nivel en tu conjunto de evaluación. Nuestro artículo sobre RAG vs fine-tuning (en inglés) lo explica a fondo.
El Model Context Protocol es un estándar abierto para conectar asistentes de IA con datos y herramientas. Un servidor MCP envuelve tu base de conocimiento o tu sistema para que cualquier asistente compatible pueda buscar en él o llamar a sus funciones, con autenticación y permisos que controlas, en lugar de crear una integración distinta para cada herramienta de IA. Más en nuestra guía sobre el Model Context Protocol (en inglés).
El RAG empresarial es un sistema RAG pensado para muchos usuarios, muchas fuentes y reglas de acceso reales. Lo difícil no es la ventana de chat; es asegurar que un comercial nunca reciba una respuesta sacada de un expediente de RR. HH. y que el cambio de precio de la semana pasada sustituya al del trimestre anterior.
Aplicamos los permisos en la búsqueda con las reglas de acceso del sistema de origen, reindexamos de forma programada o con cada cambio, guardamos versiones para saber de qué documento salió una respuesta y registramos cada pregunta para revisarla. Si el asistente además debe actuar, como abrir un ticket o actualizar un registro, ahí entra la integración de IA con tus sistemas.
El desarrollo RAG empieza por las fuentes que ya tienes. Estas son las categorías y herramientas habituales con las que trabajamos; los conectores para tus cuentas concretas se confirman al definir el alcance.
Un sistema RAG es tan bueno como los documentos que tiene detrás. En estas situaciones te diremos que hay que arreglar otra cosa primero.
Si tres versiones de la política de devoluciones no coinciden, el asistente encontrará las tres. Alguien tiene que decidir cuál vale.
“¿Cuál fue nuestro margen por región el último trimestre?” es una consulta a la base de datos, no una búsqueda en documentos. La enviamos a herramientas SQL o informes.
Si la respuesta está en la cabeza de un empleado veterano, la recuperación no tiene nada que encontrar. Capturarlo es el primer paso.
Faxes borrosos y fotos de notas a mano necesitan OCR y limpieza antes de poder buscarse, y algunos nunca lo serán.
Las decisiones clínicas, legales o financieras siguen en manos de profesionales. El asistente encuentra el pasaje; no toma la decisión.
Si todo cabe en unas pocas páginas, un buen prompt puede bastar sin un pipeline de recuperación.
Cada regla se escribe en el sistema y queda cubierta por el conjunto de evaluación, para que veas que se cumple antes del lanzamiento.
Demostramos la calidad de las respuestas con tus preguntas reales antes de conectar nada a un canal en producción.
Paso 1 de 5
Hacemos inventario de tus documentos, detectamos duplicados y huecos y acordamos qué puede usar el asistente.
Entregable: un mapa de fuentes con responsables, reglas de acceso y frecuencia de actualización.
Paso 2 de 5
Tu equipo nos da preguntas reales y sus respuestas correctas. Será el conjunto de evaluación con el que se puntúa cada versión.
Paso 3 de 5
Probamos fragmentación, embeddings y ajustes de búsqueda hasta que vuelven los pasajes correctos; luego añadimos generación y citas.
Recibes un informe puntuado: qué preguntas pasan, cuáles fallan y por qué.
Paso 4 de 5
Permisos, reindexado, límites, registros, la interfaz o el canal y el traspaso a tu equipo.
Paso 5 de 5
Un grupo pequeño lo usa en su trabajo real; revisamos cada semana las respuestas marcadas y ampliamos fuentes o usuarios cuando aguanta.
El patrón se repite: un conjunto de documentos que la gente consulta a diario y un costo cuando se usa la versión equivocada. Son ejemplos de lo que construimos, no resultados publicados.
Responde al equipo sobre seguros, cancelaciones y preparación de visitas desde las políticas de la consulta, con enlaces.
Explica lo que dicen los procedimientos documentados de la clínica sobre un tratamiento, para que el equipo responda siempre igual.
Permite a los fisioterapeutas buscar pautas de ejercicios y protocolos en lenguaje natural, citando el documento de origen.
Responde dudas de los clientes sobre ingredientes desde las fichas de la carta vigente y pasa los casos dudosos al gerente.
Un chat para clientes que responde desde el centro de ayuda y pasa los casos sin resolver a un agente con el contexto.
Busca en acuerdos firmados plazos de renovación, preavisos y límites de responsabilidad, con la cláusula enlazada.
Construimos y operamos agentes de IA y servidores MCP en producción, así que la recuperación, los permisos y la evaluación son trabajo diario para nosotros, no experimentos.
Cada versión se puntúa con tus preguntas. Ves aciertos y fallos, no una demo pulida.
Comparamos proveedores con tus datos y estructuramos el código para cambiar de modelo sin rehacerlo.
Diseño del pipeline, prompts, pruebas y manuales por escrito, de un equipo de ingeniería en España con sede en Austin, Texas.
Software de IA a medida, sistemas LLM y RAG, integraciones de IA y SaaS con IA, hechos por ingenieros propios.
Saber másIA generativa que redacta, resume, extrae y crea contenido fiel a tu marca, con una persona que aprueba.
Saber másIA conectada a tu CRM, ERP, help desk y producto mediante APIs, webhooks y servidores MCP.
Saber másAgentes de soporte con IA que responden con tus documentos, actúan en tus sistemas y escalan con contexto.
Saber másConstruye aplicaciones sobre modelos de lenguaje: asistentes que responden desde tus documentos, pipelines de extracción, experiencias de chat y búsqueda, y las integraciones que las rodean. El modelo suele venir de OpenAI, Anthropic o un proyecto de modelo abierto; la empresa diseña la recuperación, los prompts, los límites, la evaluación y la operación.
Es un asistente de chat que busca en tu propio contenido antes de responder y escribe la respuesta a partir de lo encontrado, citando la fuente. A diferencia de un chatbot general, puede responder sobre tus productos, políticas y procedimientos, y sabe decir “no lo sé” cuando los documentos no cubren la pregunta.
Es generación aumentada por recuperación diseñada para una organización: muchas fuentes, muchos usuarios y reglas de acceso reales. Añade filtrado por permisos en la búsqueda, reindexado programado, control de versiones, registros de auditoría y un alojamiento que cumple los requisitos de datos de la empresa.
Para conocimiento que cambia, como políticas, precios o detalles de producto, usa RAG: se mantiene al día y cita fuentes. El fine-tuning ayuda cuando un modelo debe seguir de forma fiable un formato, un tono o una tarea concreta. Muchos proyectos solo necesitan RAG y buenos prompts; añadimos fine-tuning cuando el conjunto de evaluación muestra una mejora clara.
La mayoría de los sistemas RAG usa una, pero no tiene por qué ser un producto aparte. Para volúmenes moderados puede bastar una extensión vectorial en una base de datos que ya tienes. Elegimos según el tamaño del contenido, las reglas de alojamiento y el costo, y normalmente combinamos búsqueda vectorial y por palabras clave.
No. RAG es una técnica para responder desde tus documentos. Un servidor MCP es una forma estándar de exponer datos y herramientas a asistentes de IA. Funcionan bien juntos: un servidor MCP puede ofrecer una herramienta de “buscar en la base de conocimiento” apoyada en un pipeline RAG, además de otras, como consultar un pedido.
Sí, si se diseña así desde el principio. Guardamos cada pasaje con las reglas de acceso de su fuente y filtramos los resultados por los permisos del usuario antes de que el modelo los vea, de modo que el asistente no puede citar un documento que esa persona no podría abrir.
Con un conjunto de evaluación de preguntas reales y respuestas esperadas de tu equipo. Puntuamos si se recuperaron los pasajes correctos, si la respuesta es fiel a ellos y si las citas son correctas, y repetimos el conjunto antes de cada publicación.
Indica los documentos o sistemas desde los que debe responder, quién lo usará y dónde. Te responderemos con el enfoque que recomendamos, lo que necesitamos de tu equipo y qué incluiría una primera versión.
Auditoría de IA gratuita
Un ingeniero revisará tus respuestas y te contactará para ver dónde puede ayudarte más la IA.
Elige el área que quieres que revisemos. Analizamos cómo funciona hoy tu empresa y te enviamos una visión clara de qué automatizar primero y qué no conviene tocar.
Gratis y sin compromiso. Un ingeniero revisa tus respuestas antes de contactarte.
Consulta gratuita
Cuéntanos qué quieres automatizar. Un ingeniero lo revisa y te contacta para agendar una consulta gratuita.
Gracias, ya tenemos tu solicitud
Una persona de nuestro equipo la revisará y te contactará para agendar tu consulta gratuita.