Base de coneixement amb IA: com crear un RAG empresarial

Els manuals són en una carpeta compartida, les polítiques a la intranet i les regles de preus al cap del director comercial: un sol dubte pot obligar a preguntar a tres persones. Una base de coneixement amb IA permet que empleats o clients facin preguntes amb les seves paraules i rebin una resposta basada en els documents de l’empresa, amb la font indicada. Aquí t’expliquem com funciona el RAG, com crear-ne una en sis passos, quina opció triar i què cal saber sobre costos i seguretat.

Idea clau

Les bases de coneixement amb IA per a empreses es construeixen gairebé sempre amb RAG (generació augmentada per recuperació): el sistema recupera fragments rellevants dels teus documents i un model de llenguatge respon a partir d’aquests fragments i els cita. La qualitat depèn sobretot d’un contingut net, d’una bona recuperació i de permisos dissenyats des del principi, no del model que triïs. Una plataforma low-code és la via més ràpida per a un pilot, una IA privada amb models oberts manté les dades a casa i el desenvolupament a mida compensa quan la base de coneixement s’ha d’integrar a fons amb els teus sistemes.

Què és una base de coneixement amb IA (RAG)?

Una base de coneixement amb IA respon preguntes en llenguatge natural a partir dels documents de la teva empresa, i la manera més habitual de construir-la és el RAG (retrieval-augmented generation, generació augmentada per recuperació). El terme prové d’un article del 2020 de Lewis i altres (en anglès), investigadors de Facebook AI Research, University College London i la Universitat de Nova York, que combinava el que un model aprèn durant l’entrenament amb un índex extern de documents que consulta en respondre.

Cada resposta té tres passos:

1. Recuperar: la pregunta es converteix en un vector (nombres que en representen el significat) i es compara amb els fragments indexats dels teus documents.
2. Augmentar: els fragments més rellevants es passen al model juntament amb la pregunta.
3. Generar: el model respon a partir d’aquests fragments i indica quins documents ha fet servir.

Com que l’índex és fora del model, assenyalen els autors de l’article, el coneixement s’actualitza sense reentrenar: substitueixes un fitxer, el tornes a indexar i les respostes canvien amb ell.

RAG, ChatGPT i fine-tuning: en què es diferencien?

La diferència és on viu el coneixement de la teva empresa: ChatGPT i altres assistents generals només coneixen el material públic amb què es van entrenar, el fine-tuning (ajust fi) incorpora coneixement o estil al mateix model, i el RAG manté el coneixement en una biblioteca externa que es consulta a cada pregunta.

• Un assistent general no coneix les teves fitxes tècniques, les teves regles de preus ni les teves polítiques. Pujar-hi fitxers serveix per sortir del pas, però sense una versió única i actualitzada ni permisos per persona.
• El fine-tuning torna a entrenar el model amb les teves dades. Serveix per fixar un format, un to o una tasca concreta, però no per guardar dades: si els documents canvien cal reentrenar, i les respostes no poden indicar la seva font. El mateix article del RAG assenyala que els models que depenen només dels seus paràmetres necessiten més entrenament per actualitzar el coneixement i tenen dificultats per mostrar d’on surt una resposta.
• El RAG incorpora els documents actualitzats tan bon punt es tornen a indexar, cita les fonts i pot filtrar el contingut segons qui pregunti.

En la majoria de bases de coneixement d’empresa, convé començar pel RAG i afegir fine-tuning només si cal un format o un to concrets.

Per a què serveix una base de coneixement amb IA a l’empresa

El RAG funciona millor amb preguntes que tenen la resposta escrita en algun lloc però perduda entre massa documents: dubtes interns (despeses, informàtica, incorporació de personal), atenció al client a partir de manuals, polítiques de devolució i historial d’incidències a la teva web o a WhatsApp (consulta com crear un xatbot amb IA per a empreses), material comercial com fitxes, comparatives i clàusules estàndard, polítiques i procediments de qualitat citats clàusula per clàusula, i manuals tècnics.

Hi ha dos tipus de tasques en què no encaixa bé. Les dades en temps real, com l’estoc o l’estat d’una comanda, han de sortir directament dels teus sistemes, per exemple amb una API o una connexió MCP amb el teu ERP, i no d’un full de càlcul exportat que pot estar desfasat. I revisar un contracte sencer clàusula per clàusula no es resol recuperant uns quants fragments.

Com crear una base de coneixement amb IA en sis passos

Crear una base de coneixement amb IA són sis passos: inventariar i netejar el contingut, fragmentar-lo i vectoritzar-lo, configurar la recuperació i la reordenació, aplicar permisos, citar les fonts, i avaluar i actualitzar. Els dos primers marquen el sostre de qualitat.

1. Inventaria i neteja el contingut

Anota on és el coneixement (carpetes compartides, intranet, correu, eines d’incidències), en quins formats i qui el manté. Elimina versions antigues i duplicats, passa l’OCR als documents escanejats, reestructura les taules complexes i etiqueta cada document amb el departament, el nivell de confidencialitat, la regió i la data de vigència. Si els teus documents es contradiuen, la IA també es contradirà. Recull també preguntes reals d’empleats i clients per a les proves.

2. Fragmenta i vectoritza

Els documents es divideixen en fragments (chunks), un model d’embeddings els converteix en vectors i es desen en una base de dades vectorial. Divideix-los seguint l’estructura del document: títols, clàusules, parells de pregunta i resposta. Com a referència, el servei de recuperació d’OpenAI (en anglès) fa servir per defecte fragments de 800 tokens amb una superposició de 400, i la configuració de fragments de Dify (en anglès) té un mode pare-fill que busca amb fragments petits però retorna tota la secció com a context.

El problema més habitual és la pèrdua de context. La recerca d’Anthropic sobre Contextual Retrieval (en anglès) posa l’exemple d’un fragment que diu que els ingressos van créixer un 3 % respecte al trimestre anterior, sense dir de quina empresa ni de quin trimestre. La solució és afegir a cada fragment el títol del document, la secció i una breu descripció. Si treballes en diverses llengües, tria un model d’embeddings que les admeti totes.

3. Recupera i reordena

La cerca vectorial sola falla amb el que exigeix una coincidència exacta, com les referències de producte o els números de clàusula, així que la majoria de sistemes hi afegeixen una cerca per paraules clau com BM25 («cerca híbrida») i després un model de reordenació (rerank). En les proves d’Anthropic amb diversos àmbits de coneixement, afegir context als fragments va reduir un 35 % la proporció de contingut rellevant que quedava fora dels 20 primers resultats; sumar-hi la cerca per paraules clau, un 49 %; i afegir-hi la reordenació, un 67 % (del 5,7 % a l’1,9 %). La configuració de recuperació de Dify (en anglès) també ofereix cerca vectorial, de text complet i híbrida, amb reordenació opcional.

4. Aplica permisos

Els permisos han d’actuar en el moment de la recuperació: els documents es filtren segons qui pregunta abans que res arribi al model, normalment amb metadades com el departament o el nivell de confidencialitat. El servei de recuperació d’OpenAI pot filtrar fitxers per atributs abans de la cerca semàntica, i el filtratge per metadades de Dify (en anglès) acota la recuperació per camps de metadades. Mantén separades la base de coneixement per a clients i la interna. Demanar al model, en el prompt, que guardi secrets no és control d’accés.

5. Cita les fonts

Cada resposta ha de mostrar d’on surt: document, secció i, si és possible, un enllaç. Indica al model que respongui només amb els fragments recuperats i que ho digui quan no cobreixin la pregunta. Les cites generen confiança i assenyalen quin document cal corregir quan una resposta falla; Dify anomena aquesta funció «Citation and Attribution».

6. Avalua-la i mantén-la al dia

Abans del llançament, prova-la amb les teves preguntes reals: s’ha recuperat el document correcte?, la resposta és correcta?, la cita és exacta? Després, revisa les preguntes sense resposta i les respostes marcades com a poc útils, i ajusta-ho. Assigna un responsable a cada grup de documents, torna a indexar quan canviïn els fitxers i retira els documents caducats.

Plataforma, desenvolupament a mida o IA privada: com triar

L’opció adequada depèn de la rapidesa amb què vulguis un pilot, de com de sensibles siguin les dades i de fins a quin punt la base de coneixement s’hagi d’integrar amb els teus sistemes.

Les plataformes low-code (com Dify o Coze) permeten pujar fitxers i configurar la recuperació des d’una interfície visual, ideal per a prototips, pilots i casos d’ús estàndard. Dify i Coze Studio, l’edició de codi obert de Coze, es poden allotjar en servidors propis amb Docker (consulta la guia de Dify amb Docker Compose, en anglès). Revisa les llicències: Coze Studio fa servir Apache 2.0, mentre que la llicència de Dify afegeix condicions a l’Apache 2.0, com ara exigir una llicència comercial per oferir un servei multiinquilí. Els models de permisos complexos o les integracions profundes poden superar el que admet una plataforma.

El desenvolupament a mida consisteix a construir tu mateix tot el flux (lectura de documents, fragmentació, base vectorial, cerca híbrida, permisos) dins del teu ERP, CRM, intranet o web. Dona el màxim control i reutilitza els accessos i els rols que ja tens, a canvi d’una inversió inicial més gran i d’un manteniment continu.

La IA privada executa models de pesos oberts als teus servidors o en un núvol dedicat, de manera que els documents i les preguntes no surten de casa. Opcions habituals són DeepSeek i Qwen: el codi i els pesos de DeepSeek-R1 tenen llicència MIT i el projecte indica que admeten ús comercial, i l’equip de Qwen3 indica que els seus models de pesos oberts tenen llicència Apache 2.0. Revisa la llicència de cada model: les versions destil·lades de DeepSeek-R1 es basen en models Qwen o Llama, i el projecte remet a les llicències originals d’aquests models base. El maquinari depèn de la mida: DeepSeek-R1 complet té 671.000 milions de paràmetres, mentre que les versions destil·lades oficials, d’entre 1.500 i 70.000 milions, són molt més lleugeres; prova-les amb les teves preguntes.

Les opcions es combinen bé, per exemple un Dify als teus servidors connectat a un model obert local.

Quant costa una base de coneixement amb IA: de què es compon el cost

No hi ha un preu estàndard: el cost es compon de feina inicial i de costos recurrents.

• Inicial: preparar el contingut (la part que més se subestima, i que creix amb fonts disperses, documents escanejats i taules), la configuració o el desenvolupament, les integracions com l’inici de sessió únic, la web, WhatsApp o el CRM, i les proves i els ajustos.
• Recurrent: l’ús del model (tarifes per token al núvol, o comprar o llogar servidors amb GPU si és privada), les crides a models d’embeddings i de reordenació (la documentació de Dify adverteix que la reordenació consumeix tokens del model de reordenació), l’emmagatzematge vectorial, les subscripcions o llicències de plataforma, i l’operació: servidors, actualitzacions de seguretat, manteniment del contingut i supervisió.

Hi influeixen sobretot el volum i la complexitat dels documents, el nombre d’usuaris i de preguntes, els permisos, les llengües, el tipus de desplegament i la precisió exigida. Fes un pilot amb un departament, mesura el cost real per resposta i decideix després si l’amplies.

Seguretat de les dades: permisos, compliment i enverinament

Una base de coneixement amb IA concentra la informació de l’empresa en un sol lloc, així que la seguretat s’ha de dissenyar des del principi.

• Permisos: l’OWASP Top 10 per a aplicacions de LLM 2025 (en anglès) inclou les debilitats dels vectors i els embeddings: un control d’accés deficient exposa contingut sensible, i equips o clients que comparteixen una base vectorial poden veure dades d’altres. OWASP recomana magatzems vectorials que respectin els permisos i registres detallats de l’activitat de recuperació.
• Dades personals: amb dades personals de persones a la UE, el Reglament general de protecció de dades (RGPD) (versió oficial en castellà) exigeix tractar només el que és necessari (article 5), una seguretat adequada al risc (article 32), un contracte amb qualsevol proveïdor que tracti dades per compte teu (article 28) i respectar les regles de transferències fora de la UE (capítol V). Molts casos d’ús no necessiten cap dada personal.
• Enverinament: l’exemple d’OWASP és un currículum amb text ocult, blanc sobre blanc, que ordena a la IA que recomani el candidat, enviat a un sistema de selecció que filtra currículums amb RAG. Indexa només fonts de confiança i revisa el que s’hi puja.
• Condicions del proveïdor: amb models al núvol, confirma si les dades es fan servir per entrenar, on es guarden i durant quant de temps, i fixa un termini de conservació per a les converses.

Errors habituals

• Abocar-hi tots els fitxers: els documents caducats i contradictoris empitjoren les respostes.
• Creure que el RAG acaba amb les al·lucinacions: les redueix, però no les elimina; fes que el model admeti quan no ho sap i revisa les respostes importants.
• Fer servir només la cerca vectorial: es perden referències, codis i noms propis.
• Deixar els permisos per a després: la informació filtrada no es pot recuperar.
• Fer servir RAG quan no cal: Anthropic assenyala que una base de coneixement de menys de 200.000 tokens (unes 500 pàgines) pot anar sencera al prompt, si cap a la finestra de context del model.
• Sense preguntes de prova ni responsable: ningú no sap si la qualitat millora i el contingut envelleix.

Preguntes freqüents

Com es crea una base de coneixement amb IA per a una empresa?

Una base de coneixement amb IA es crea en sis passos: inventariar i netejar els documents, fragmentar-los i vectoritzar-los, recuperar amb cerca híbrida i reordenació, filtrar per permisos d’usuari, citar les fonts a cada resposta i avaluar amb preguntes reals mantenint el contingut al dia. L’empresa aporta els documents amb un responsable per a cadascun, un conjunt de preguntes reals i les regles de qui pot veure què.

Quina diferència hi ha entre RAG i fine-tuning?

El RAG recupera fragments d’una biblioteca externa de documents en el moment de la pregunta, de manera que els documents actualitzats compten tan bon punt es tornen a indexar i les respostes poden citar la font. El fine-tuning torna a entrenar el model amb les teves dades; serveix per a un format, un to o una tasca concreta, però cada canvi en les dades exigeix reentrenar i les respostes no poden indicar la font. La majoria de bases de coneixement d’empresa comencen pel RAG.

Es pot tenir una base de coneixement amb IA privada als nostres servidors?

Sí. La plataforma (per exemple, Dify o Coze Studio allotjats per tu), la base de dades vectorial i un model de pesos oberts com DeepSeek o Qwen poden funcionar als teus servidors o en un núvol dedicat, sense que els documents ni les preguntes surtin de l’empresa. A canvi, aportes i gestiones el maquinari amb GPU; revisa abans la llicència de cada model i prova primer els models més petits amb les teves preguntes.

A UsualMatrix creem bases de coneixement amb IA per a empreses de tot el món, sobre una plataforma low-code, amb desenvolupament a mida o amb models de codi obert als teus servidors, i les podem connectar a un agent d’atenció al client a la teva web o a WhatsApp. Treballem en xinès, castellà i anglès. Consulta el nostre servei de solucions d’intel·ligència artificial o escriu-nos per parlar dels teus documents i casos d’ús.

Nota: el que aquest article diu sobre el RGPD és informació general a la data de publicació i no constitueix assessorament jurídic. Les funcions i les llicències de tercers canvien; consulta la documentació oficial vigent de cada proveïdor.