Base de conocimiento con IA: cómo crear un RAG empresarial

Los manuales están en una carpeta compartida, las políticas en la intranet y las reglas de precios en la cabeza del director comercial: una sola duda puede obligar a preguntar a tres personas. Una base de conocimiento con IA permite preguntar con tus propias palabras y recibir una respuesta basada en los documentos de la empresa, con la fuente indicada. Aquí verás cómo funciona el RAG, cómo crearla en seis pasos, qué opción elegir y qué tener en cuenta en costes y seguridad.

Idea clave

Las bases de conocimiento con IA se construyen casi siempre con RAG (generación aumentada por recuperación): el sistema recupera fragmentos relevantes de tus documentos y un modelo de lenguaje responde a partir de ellos, citándolos. La calidad depende sobre todo de un contenido limpio, una buena recuperación y permisos diseñados desde el principio, no del modelo. Una plataforma low-code es la vía más rápida para un piloto, una IA privada con modelos abiertos mantiene los datos en casa y el desarrollo a medida compensa cuando hay que integrarla a fondo con tus sistemas.

Qué es una base de conocimiento con IA (RAG)

Una base de conocimiento con IA responde preguntas en lenguaje natural a partir de los documentos de tu empresa, y la forma más habitual de construirla es el RAG (retrieval-augmented generation, generación aumentada por recuperación). El término procede de un artículo de 2020 de Lewis y otros, investigadores de Facebook AI Research, University College London y la Universidad de Nueva York, que combinaba lo que un modelo aprende al entrenarse con un índice externo de documentos que consulta al responder.

Cada respuesta tiene tres pasos:

1. Recuperar: la pregunta se convierte en un vector (números que representan su significado) y se compara con los fragmentos indexados de tus documentos.
2. Aumentar: los fragmentos más relevantes se pasan al modelo junto con la pregunta.
3. Generar: el modelo responde con esos fragmentos e indica qué documentos ha usado.

Como el índice está fuera del modelo, señalan los autores, el conocimiento se actualiza sin reentrenar: sustituyes un archivo, lo reindexas y las respuestas cambian con él.

RAG, ChatGPT y fine-tuning: en qué se diferencian

La diferencia está en dónde vive el conocimiento de tu empresa: ChatGPT y otros asistentes generales solo conocen el material público con el que se entrenaron, el fine-tuning (ajuste fino) incorpora conocimiento o estilo al propio modelo, y el RAG lo mantiene en una biblioteca externa que se consulta en cada pregunta.

• Un asistente general no conoce tus fichas técnicas, precios ni políticas. Subir archivos sirve para salir del paso, pero sin una versión única y actualizada ni permisos por persona.
• El fine-tuning vuelve a entrenar el modelo con tus datos. Sirve para fijar un formato, un tono o una tarea concreta, pero no para guardar datos: si cambian los documentos hay que reentrenar, y las respuestas no señalan su fuente. El propio artículo del RAG indica que los modelos que dependen solo de sus parámetros necesitan más entrenamiento para actualizarse y tienen dificultades para mostrar de dónde sale una respuesta.
• El RAG incorpora los documentos actualizados en cuanto se reindexan, cita sus fuentes y puede filtrar el contenido según quién pregunte.

En la mayoría de las empresas conviene empezar por el RAG y añadir fine-tuning solo si hace falta un formato o un tono concretos.

Para qué sirve en una empresa

El RAG funciona mejor con preguntas cuya respuesta está escrita en algún sitio pero perdida entre demasiados documentos: dudas internas (gastos, informática, incorporación), atención al cliente con manuales, políticas de devolución e historial de tickets en tu web o WhatsApp (ver cómo crear un chatbot con IA para empresas), material comercial como fichas, comparativas y cláusulas estándar, políticas y procedimientos citados cláusula a cláusula, y manuales técnicos.

No encaja bien en dos casos. Los datos en tiempo real, como el stock o el estado de un pedido, deben salir de tus sistemas, por ejemplo con una API o un servidor MCP conectado a tu ERP, y no de una hoja exportada que puede estar desfasada. Y revisar un contrato entero cláusula a cláusula no se resuelve recuperando unos pocos fragmentos.

Cómo crear una base de conocimiento con IA en seis pasos

Crear una base de conocimiento con IA lleva seis pasos: inventariar y limpiar el contenido, fragmentarlo y vectorizarlo, configurar la recuperación y el reordenamiento, aplicar permisos, citar las fuentes, y evaluar y actualizar. Los dos primeros marcan el techo de calidad.

1. Inventaría y limpia el contenido

Anota dónde está el conocimiento (carpetas compartidas, intranet, correo, herramientas de tickets), en qué formatos y quién lo mantiene. Elimina versiones antiguas y duplicados, pasa OCR a los escaneos, ordena las tablas complejas y etiqueta cada documento con departamento, confidencialidad, región y fecha de vigencia. Si tus documentos se contradicen, la IA también. Reúne además preguntas reales de empleados y clientes para las pruebas.

2. Fragmenta y vectoriza

Los documentos se dividen en fragmentos (chunks), un modelo de embeddings los convierte en vectores y se guardan en una base de datos vectorial. Divide según la estructura: títulos, cláusulas, pares de pregunta y respuesta. Como referencia, el servicio de recuperación de OpenAI usa por defecto fragmentos de 800 tokens con un solapamiento de 400, y la configuración de fragmentos de Dify tiene un modo padre-hijo que busca con fragmentos pequeños y devuelve la sección completa como contexto.

El problema más común es la pérdida de contexto. La investigación de Anthropic sobre Contextual Retrieval pone el ejemplo de un fragmento que dice que los ingresos crecieron un 3% respecto al trimestre anterior, sin decir de qué empresa ni de qué trimestre. La solución es añadir a cada fragmento el título del documento, la sección y una breve descripción. Si trabajas en varios idiomas, elige un modelo de embeddings que los admita todos.

3. Recupera y reordena

La búsqueda vectorial falla con lo que exige coincidencia exacta, como referencias de producto o números de cláusula, así que se suele combinar con búsqueda por palabras clave como BM25 («búsqueda híbrida») y un modelo de reordenamiento (rerank). En las pruebas de Anthropic con varios tipos de contenido, añadir contexto a los fragmentos redujo un 35% la proporción de contenido relevante que quedaba fuera de los 20 primeros resultados; sumar palabras clave, un 49%; y añadir reordenamiento, un 67% (del 5,7% al 1,9%). La configuración de recuperación de Dify ofrece también búsqueda vectorial, de texto completo e híbrida, con reordenamiento opcional.

4. Aplica permisos

Los permisos deben actuar en la recuperación: los documentos se filtran según quién pregunta antes de llegar al modelo, normalmente con metadatos como departamento o nivel de confidencialidad. El servicio de recuperación de OpenAI filtra archivos por atributos antes de la búsqueda semántica, y el filtrado por metadatos de Dify acota la recuperación por campos de metadatos. Separa la base para clientes de la interna. Pedir en el prompt que el modelo guarde secretos no es control de acceso.

5. Cita las fuentes

Cada respuesta debe mostrar su origen: documento, sección y, si es posible, un enlace. Indica al modelo que responda solo con los fragmentos recuperados y que lo diga cuando no cubran la pregunta. Las citas generan confianza y señalan qué documento corregir cuando algo falla; Dify llama a esta función «Citation and Attribution».

6. Evalúa y mantenla al día

Antes de lanzarla, prueba con tus preguntas reales: ¿se recuperó el documento correcto?, ¿la respuesta y la cita son exactas? Después, revisa las preguntas sin respuesta y las marcadas como poco útiles, y ajusta. Asigna un responsable a cada grupo de documentos, reindexa cuando cambien y retira los caducados.

Plataforma, desarrollo a medida o IA privada: cómo elegir

La opción adecuada depende de la rapidez con que quieras un piloto, de lo sensibles que sean los datos y de cuánto deba integrarse con tus sistemas.

Las plataformas low-code (como Dify o Coze) permiten subir archivos y configurar la recuperación desde una interfaz visual, ideal para prototipos, pilotos y casos estándar; comparamos sus diferencias en n8n vs Dify vs Coze. Dify y Coze Studio, la edición de código abierto de Coze, se pueden alojar en servidores propios con Docker (véase la guía de Dify con Docker Compose). Revisa las licencias: Coze Studio usa Apache 2.0, y la licencia de Dify añade condiciones a Apache 2.0, como exigir una licencia comercial para ofrecer un servicio multiinquilino. Los permisos complejos o las integraciones profundas pueden superar lo que admite una plataforma.

El desarrollo a medida consiste en construir todo el flujo (lectura de documentos, fragmentación, base vectorial, búsqueda híbrida, permisos) dentro de tu ERP, CRM, intranet o web. Da el máximo control y reutiliza tus accesos y roles, a cambio de más inversión inicial y mantenimiento continuo.

La IA privada ejecuta modelos de pesos abiertos en tus servidores o en una nube dedicada, así que documentos y preguntas no salen de casa. Opciones habituales son DeepSeek y Qwen: el código y los pesos de DeepSeek-R1 tienen licencia MIT y el proyecto indica que admiten uso comercial, y el equipo de Qwen3 indica que sus modelos de pesos abiertos usan Apache 2.0. Revisa la licencia de cada modelo: las versiones destiladas de DeepSeek-R1 se basan en modelos Qwen o Llama, y el proyecto remite a las licencias originales de esos modelos. El hardware depende del tamaño: DeepSeek-R1 completo tiene 671.000 millones de parámetros, y las versiones destiladas oficiales, de 1.500 a 70.000 millones, son mucho más ligeras; pruébalas con tus preguntas.

Las opciones se combinan bien, por ejemplo un Dify en tus servidores conectado a un modelo abierto local.

Cuánto cuesta: de qué se compone el coste

No hay un precio estándar: el coste se compone de trabajo inicial y costes recurrentes.

• Inicial: preparar el contenido (lo que más se subestima; crece con fuentes dispersas, escaneos y tablas), configurar o desarrollar, integrar con inicio de sesión único, web, WhatsApp o CRM, y probar y ajustar.
• Recurrente: uso del modelo (tarifas por token en la nube, o servidores con GPU propios o alquilados), llamadas a modelos de embeddings y reordenamiento (la documentación de Dify advierte de que el reordenamiento consume tokens de ese modelo), almacenamiento vectorial, suscripciones o licencias, y operación: servidores, seguridad, mantenimiento del contenido y supervisión.

Influyen sobre todo el volumen y la complejidad de los documentos, los usuarios y las preguntas, los permisos, los idiomas, el tipo de despliegue y la precisión exigida. Haz un piloto con un departamento, mide el coste real por respuesta y decide después si amplías.

Seguridad de los datos: permisos, cumplimiento y envenenamiento

Una base de conocimiento con IA concentra la información de la empresa en un solo lugar, así que la seguridad se diseña desde el principio.

• Permisos: el OWASP Top 10 para aplicaciones de LLM 2025 incluye las debilidades de vectores y embeddings: un control de acceso deficiente expone contenido sensible, y equipos o clientes que comparten una base vectorial pueden ver datos ajenos. Recomienda almacenes vectoriales que respeten los permisos y registros detallados de la recuperación.
• Datos personales: con datos de personas en la UE, el Reglamento General de Protección de Datos (RGPD) exige tratar solo lo necesario (artículo 5), una seguridad adecuada al riesgo (artículo 32), un contrato con cualquier proveedor que trate datos por tu cuenta (artículo 28) y respetar las reglas de transferencias fuera de la UE (capítulo V). Muchos casos de uso no necesitan datos personales.
• Envenenamiento: el ejemplo de OWASP es un currículum con texto oculto, blanco sobre blanco, que ordena a la IA recomendar al candidato, enviado a un sistema que filtra currículums con RAG. Indexa solo fuentes de confianza y revisa lo que se sube.
• Condiciones del proveedor: con modelos en la nube, confirma si los datos se usan para entrenar, dónde se guardan y cuánto tiempo, y fija un plazo de conservación para las conversaciones.

Errores habituales

• Volcar todos los archivos: lo caducado y contradictorio empeora las respuestas.
• Creer que el RAG acaba con las alucinaciones: las reduce, no las elimina; que el modelo admita cuando no sabe y revisa lo importante.
• Usar solo búsqueda vectorial: se pierden referencias, códigos y nombres propios.
• Dejar los permisos para después: lo filtrado no se recupera.
• Usar RAG sin necesitarlo: Anthropic señala que una base de menos de 200.000 tokens (unas 500 páginas) puede ir entera en el prompt, si cabe en la ventana de contexto del modelo.
• Sin preguntas de prueba ni responsable: nadie sabe si mejora y el contenido envejece.

Preguntas frecuentes

¿Cómo se crea una base de conocimiento con IA para una empresa?

Una base de conocimiento con IA se crea en seis pasos: inventariar y limpiar los documentos, fragmentarlos y vectorizarlos, recuperar con búsqueda híbrida y reordenamiento, filtrar por permisos de usuario, citar las fuentes y evaluar con preguntas reales manteniendo el contenido al día. La empresa aporta los documentos con un responsable para cada uno, preguntas reales y las reglas de quién puede ver qué.

¿Qué diferencia hay entre RAG y fine-tuning?

El RAG recupera fragmentos de una biblioteca externa en el momento de la pregunta, así que los documentos actualizados cuentan en cuanto se reindexan y las respuestas citan su fuente. El fine-tuning vuelve a entrenar el modelo con tus datos; sirve para un formato, un tono o una tarea concreta, pero cada cambio en los datos exige reentrenar y no señala fuentes. La mayoría de las empresas empiezan por el RAG.

¿Se puede tener una IA privada en nuestros propios servidores?

Sí. La plataforma (por ejemplo, Dify o Coze Studio alojados por ti), la base vectorial y un modelo de pesos abiertos como DeepSeek o Qwen pueden funcionar en tus servidores o en una nube dedicada, sin que documentos ni preguntas salgan de la empresa. A cambio, aportas y gestionas el hardware con GPU; revisa antes la licencia de cada modelo y prueba los más pequeños con tus preguntas.

En UsualMatrix creamos bases de conocimiento con IA para empresas de todo el mundo, sobre una plataforma low-code, a medida o con modelos de código abierto en tus servidores, y podemos conectarlas a un agente de atención al cliente en tu web o WhatsApp. Trabajamos en español, chino e inglés. Consulta nuestro servicio de IA para empresas o escríbenos desde la página de contacto para hablar de tus documentos y casos de uso.

Aviso: lo que este artículo dice sobre el RGPD es información general a la fecha de publicación y no constituye asesoramiento jurídico. Las funciones y licencias de terceros cambian; consulta la documentación oficial vigente de cada proveedor.