Un asistente de IA que responde con tus propios documentos (RAG)

Casi todas las empresas acumulan lo mismo: manuales de producto, contratos, protocolos internos, respuestas tipo, políticas de devoluciones. Está todo escrito, pero nadie lo encuentra a la primera. Un asistente de IA que responda con esos documentos suena a solución. A veces lo es. Otras acaba siendo un buscador interno más caro y menos fiable.

Qué es un asistente con tus propios documentos y para qué sirve

La técnica se llama RAG, siglas en inglés de generación aumentada por recuperación. La describieron en 2020 Patrick Lewis y su equipo en Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Su idea: en lugar de pedirle al modelo que conteste solo con lo que aprendió en su entrenamiento, se le combina con un índice de documentos que consulta al responder. En aquel artículo el índice era Wikipedia. En una empresa es tu propia documentación.

Los autores señalaban algo que sigue siendo útil para entender el alcance: dar procedencia a las respuestas y mantener actualizado el conocimiento eran problemas abiertos, y consultar documentos explícitos era una vía para abordarlos. La procedencia es lo que hace interesante el RAG en un negocio. La respuesta puede venir con el nombre del documento y el apartado de donde salió, de modo que alguien la compruebe en diez segundos.

Los usos que mejor encajan son los de consulta sobre texto que ya existe:

• Un equipo comercial que pregunta por las condiciones de garantía de un producto y recibe el párrafo exacto del manual.
• Una persona recién incorporada que consulta el protocolo de devoluciones sin molestar a nadie.
• Atención al cliente que contesta preguntas frecuentes únicamente con lo que dicen tus textos. Si es tu caso, lo desarrollamos en atención al cliente con IA: qué automatizar.
• Una administración o un despacho que localiza una cláusula concreta entre cientos de contratos.

El valor está en encontrar y resumir, no en inventar. La regla de partida es simple: el asistente solo afirma lo que puede apoyar en un documento y, si no lo encuentra, lo dice.

Cómo funciona en cuatro pasos

Sin tecnicismos, lo que ocurre entre tu pregunta y la respuesta son cuatro pasos.

1. Preparar los documentos

Se reúnen los textos que el asistente podrá usar y se limpian: se quitan duplicados, versiones antiguas, cabeceras y pies repetidos. Es el paso menos vistoso y el que más pesa.

2. Indexarlos

Cada documento se parte en fragmentos de un tamaño razonable, un apartado o unos pocos párrafos, y cada fragmento se guarda en un índice que permite buscar por significado y no solo por palabras exactas. Así, una pregunta sobre «cambiar un producto roto» puede encontrar un fragmento que habla de «sustitución por defecto de fábrica».

3. Recuperar los fragmentos relevantes

Cuando alguien pregunta, el sistema busca en el índice los pocos fragmentos más parecidos a la pregunta. No le pasa al modelo toda la biblioteca. Hay una razón práctica: un estudio de 2023, Lost in the Middle, comprobó que los modelos aprovechan peor la información cuando está en mitad de un texto largo, incluso los diseñados para contextos extensos. Dar menos texto, pero el adecuado, suele funcionar mejor que dar mucho.

4. Redactar la respuesta citando la fuente

El modelo recibe la pregunta y esos fragmentos, y se le instruye para contestar solo con ellos, citar de cuál sale cada dato y decir «no lo encuentro» cuando los fragmentos no bastan. La cita es lo que convierte la respuesta en algo verificable. Un asistente que contesta con aplomo y sin referencias acabará equivocándose, y puede que nadie lo note a tiempo.

Cuándo funciona bien y cuándo no

El RAG rinde cuando la respuesta está escrita en uno o pocos fragmentos y la documentación es fiable. Falla de forma bastante predecible en cuatro situaciones.

Documentos desactualizados

El asistente no sabe qué texto está vigente. Si conviven la tarifa de 2023 y la de 2026, puede citar cualquiera de las dos con la misma seguridad. El problema es de gestión documental, y el asistente solo lo deja al descubierto.

Documentos contradictorios

Si el manual dice catorce días y las condiciones de la web dicen treinta, el asistente elegirá uno, o mezclará ambos. Antes de construir nada conviene decidir qué fuente manda.

Documentos escaneados

Un PDF que es una imagen necesita reconocimiento de texto (OCR), y este introduce errores en cifras, tablas y nombres. El trabajo OCR Hinders RAG, de 2024, midió cómo esos errores se propagan hasta las respuestas y concluye que ninguna de las soluciones de OCR evaluadas era suficiente para construir una base de conocimiento de alta calidad. Si tus contratos son escaneos, revisa a mano una muestra del texto extraído.

Preguntas que exigen razonar sobre muchos documentos

«¿Cuántos contratos vencen este trimestre?» o «¿qué cláusula se repite más entre todos los proveedores?» no tienen su respuesta en tres fragmentos. Piden contar, comparar y agregar, y para eso hace falta una base de datos o un informe, no un asistente que lee pasajes. Si tus preguntas reales son de este tipo, el RAG no es la herramienta.

Cómo comprobar que responde bien

La forma fiable de evaluarlo es un conjunto de preguntas de prueba, preparado antes de dar el asistente por bueno y repetido cada vez que cambies algo: documentos, ajustes o modelo.

El método, con un ejemplo ilustrativo: una tienda con manuales de cuarenta productos prepara cuarenta preguntas reales, sacadas de consultas que ya recibe. Para cada una anota la respuesta correcta y el documento donde está. Añade diez preguntas trampa: cosas que los documentos no dicen, para ver si el asistente admite que no lo sabe en lugar de improvisar.

Después se puntúan tres cosas por separado:

• Si el sistema recuperó el fragmento correcto.
• Si la respuesta es fiel a ese fragmento, sin añadir datos de su cosecha.
• Si la cita apunta de verdad al sitio de donde sale la información.

Separarlas permite saber dónde falla. Un fragmento mal recuperado se arregla preparando mejor los documentos o el índice, y una respuesta infiel se arregla con las instrucciones o el modelo. Hay métricas automáticas: Ragas evalúa por separado la recuperación, el uso fiel de los pasajes y la calidad de la redacción, sin respuestas de referencia escritas a mano. Para una pyme, lo más útil sigue siendo que alguien que conozca el negocio lea las respuestas y las marque.

Fija antes de empezar el porcentaje de aciertos que exiges. Si el asistente no lo alcanza, no se publica: se ajusta.

Permisos y datos personales

Aquí se cometen los errores con más consecuencias. El índice contiene el texto de tus documentos, y si el asistente puede recuperar cualquier fragmento para cualquier usuario, abres a todos lo que antes estaba restringido. La guía de OWASP sobre riesgos de estas aplicaciones, Vector and Embedding Weaknesses, describe justo esa situación: controles de acceso débiles que exponen datos personales o confidenciales, y mezcla de datos entre grupos distintos. Recomienda control de acceso fino sobre el almacén de datos, validar y auditar lo que entra, y conservar registros de lo recuperado.

Traducido a decisiones concretas:

• Que el asistente respete los permisos de cada persona: quien no puede abrir un contrato en tu sistema, tampoco debe poder preguntar por él.
• Separar los conjuntos: un asistente público con catálogo y FAQ, y otro interno con el resto, cada uno con su índice.
• Excluir lo innecesario: contratos con datos de clientes, nóminas o historiales no entran si el caso de uso no lo exige.
• Revisar quién procesa los datos. Si los fragmentos se envían a un servicio externo, ese proveedor trata tus datos: necesitas el contrato de encargado de tratamiento y saber en qué país se procesan.
• Guardar un registro de preguntas y fuentes consultadas, y protegerlo como un dato más.

Si los documentos incluyen datos personales, consúltalo con tu asesor de protección de datos antes de indexarlos. Y no indexes archivos de origen dudoso: OWASP cita el caso de un currículum con texto oculto que da instrucciones al modelo, y un documento así puede condicionar las respuestas.

Coste y mantenimiento

No damos cifras: dependen del volumen de documentos, de las consultas diarias y del modelo elegido. Lo que se subestima es el mantenimiento, y decide si el asistente sigue siendo útil a los seis meses:

• Alguien responsable de los documentos. Cuando cambia una tarifa o un procedimiento, se actualiza el documento y se reindexa. Sin responsable, el asistente envejece con la documentación.
• Repetir las preguntas de prueba tras cada cambio importante.
• Revisar con regularidad las preguntas reales de los usuarios, sobre todo las que el asistente no supo contestar: son la lista de lo que falta en tu documentación.
• Un botón de «esta respuesta es incorrecta» que llegue a una persona.

Alternativas más simples

Antes de montar un RAG pregúntate si lo que necesitas es, en realidad, encontrar documentos. Un buen buscador interno (índice de texto completo, filtros por tipo y fecha, resultados con el documento a la vista) resuelve muchos casos, es más barato de mantener y no inventa nada. También sirve una página de preguntas frecuentes bien escrita.

Una orientación para elegir:

Situación	Lo más razonable
Pocas preguntas repetidas y respuestas cortas	FAQ bien escrita
Muchos documentos y la persona sabe lo que busca	Buscador interno
Muchos documentos, preguntas en lenguaje natural, respuesta en uno o pocos pasajes	RAG con citas
Preguntas que cuentan o comparan entre documentos	Base de datos o informe

Si dudas entre las dos del medio, empieza por el buscador y añade el RAG sobre ese índice cuando los usuarios pidan respuestas redactadas. Si quieres integrarlo en una web o una aplicación, las decisiones previas están en integrar IA en una app o web: decisiones antes de programar.

Preguntas frecuentes

¿El asistente puede inventarse respuestas aunque use mis documentos?

Sí. El RAG reduce el riesgo, pero no lo elimina: el asistente puede resumir mal una excepción o responder con algo que no está en los fragmentos. Por eso conviene exigir citas, permitirle decir «no lo encuentro» y probarlo con preguntas que sabes que no tienen respuesta.

¿Necesito entrenar un modelo con mis documentos?

No. En el RAG el modelo no se reentrena: los documentos se guardan en un índice y se consultan al responder. Así puedes actualizar la información cambiando el documento, sin repetir ningún entrenamiento.

¿Cuántos documentos hacen falta para que compense?

No hay un número mágico. Compensa cuando la gente pierde tiempo real buscando, las consultas se repiten y las respuestas están escritas. Con pocas decenas de páginas, una FAQ o un buscador suelen bastar.

¿Puedo usarlo con contratos o datos de clientes?

Se puede, pero con cuidado. Hace falta control de acceso por persona, saber quién procesa los datos y limitar lo que se indexa. Si hay datos personales, consulta antes con tu asesor de protección de datos.

Si quieres que lo miremos contigo

Si tienes una colección de documentos y dudas entre un buscador, una FAQ o un asistente con citas, podemos revisar contigo qué preguntas se repiten, en qué estado está la documentación y qué opción encaja. Escríbenos desde contacto y cuéntanos el caso. Aquí tienes cómo trabajamos estos proyectos: desarrollo con IA.