Chatbot con documentos propios: qué es RAG y por qué importa

Pruebas un chatbot genérico y le preguntas por tu política de devoluciones. Responde con mucha seguridad… un plazo que tu empresa nunca ha ofrecido. Un chatbot genérico sabe mucho del mundo y nada de tu empresa. No conoce tus tarifas, tus condiciones de garantía ni el procedimiento para pedir una cita. Un chatbot con documentos propios resuelve ese problema: antes de responder, consulta tus manuales, catálogos, políticas y preguntas frecuentes, y construye la respuesta a partir de ellos. La técnica que lo hace posible se llama RAG, y es probablemente la pieza que más influye en que un asistente con IA sea útil o peligroso.

En este artículo te explicamos, sin tecnicismos innecesarios, qué es RAG, cómo funciona paso a paso, qué documentos sirven, cómo prepararlos y cómo comprobar que el chatbot responde con lo que dicen y no con lo que se imagina.

1. «Entrenar» un chatbot: lo que realmente significa

Es habitual oír que un chatbot se ha «entrenado con los documentos de la empresa». En la mayoría de casos, la expresión no es exacta. Hay dos formas muy distintas de darle conocimiento propio a un modelo de lenguaje:

• Reentrenarlo (fine-tuning): ajustar el propio modelo con ejemplos para modificar su comportamiento. Es costoso, lento de actualizar y no garantiza que el modelo recuerde datos concretos con precisión.
• Darle acceso a una biblioteca (RAG): el modelo no cambia, pero en cada pregunta recibe los fragmentos relevantes de tus documentos para responder a partir de ellos.

La segunda opción es la que usan la gran mayoría de chatbots empresariales, y por buenas razones: se actualiza al momento, permite citar la fuente y reduce mucho las invenciones. Si quieres repasar antes cómo funciona un modelo de lenguaje en un chatbot, tienes la base en chatbot inteligencia artificial: qué es y cómo funciona.

2. Qué es RAG, explicado con un ejemplo

Imagina que el modelo de lenguaje es un empleado nuevo, muy listo y con buena redacción, pero que no conoce tu empresa. Sin RAG, le preguntas algo y responde de memoria, con lo que cree que es habitual en el sector. Con RAG, antes de contestar va al archivador, saca las dos o tres páginas que tratan del tema y responde leyéndolas. Si no encuentra nada, debería decir «no lo sé, te paso con un compañero».

Pongamos un caso ilustrativo, el de un taller de reparación de maquinaria agrícola.

Lo importante del ejemplo no es que el bot «sepa» más, sino que sabe dónde mirar y, sobre todo, que reconoce los límites de lo que ha encontrado.

Esa diferencia de comportamiento es lo que convierte un modelo general en un chatbot con IA para tu web fiable para tus clientes.

3. Cómo funciona un chatbot con RAG paso a paso

El proceso tiene dos fases: preparar la biblioteca (una vez, y cada vez que cambian los documentos) y responder (en cada pregunta).

Preparación de la base de conocimiento

1. Recopilación
   Se reúnen los documentos, páginas web y fuentes que el chatbot podrá consultar.
2. Extracción y limpieza
   Se convierte todo a texto, eliminando cabeceras repetidas, índices y contenido irrelevante.
3. Fragmentación
   Los documentos se dividen en trozos manejables, por ejemplo por apartados.
4. Indexación
   Cada fragmento se transforma en una representación numérica de su significado (un embedding) y se guarda en una base de datos que permite buscar por similitud de significado, no solo por palabras exactas.

Respuesta a una pregunta

1. El usuario pregunta, por ejemplo, «¿la garantía cubre la batería?».
2. El sistema busca los fragmentos cuyo significado se parece más a la pregunta, aunque usen otras palabras («cobertura», «acumulador», «componentes excluidos»).
3. Entrega esos fragmentos al modelo junto con instrucciones del tipo «responde solo con esta información; si no está, dilo».
4. El modelo redacta una respuesta clara y, si se ha configurado así, indica de qué documento sale.

4. RAG frente a reentrenar el modelo

Para un chatbot de web de pyme, RAG es casi siempre el punto de partida correcto. El reentrenamiento puede tener sentido en casos avanzados, normalmente como complemento y no como sustituto. Si todavía estás definiendo el proyecto en conjunto (objetivos, plataforma, integraciones), la guía para elegir un chatbot para página web te ayuda a encajar esta pieza en el resto.

5. Qué documentos sirven (y cuáles dan problemas)

Funcionan bien los documentos que explican cosas de forma clara y vigente:

• Preguntas frecuentes y respuestas tipo que ya usa tu equipo.
• Fichas de servicios y productos con sus características.
• Condiciones de contratación, garantías, envíos y devoluciones.
• Manuales de uso, guías de instalación o de mantenimiento.
• Protocolos de atención (qué documentación pedir, cómo se tramita algo).

Dan problemas, en cambio:

• Versiones contradictorias del mismo documento: el bot puede citar la antigua.
• PDFs escaneados sin texto: hay que pasarlos antes por reconocimiento óptico. Te explicamos cómo en OCR inteligente para extraer datos de documentos.
• Tablas complejas y hojas de cálculo: su estructura se pierde al convertirlas en texto si no se tratan de forma específica.
• Información interna confidencial mezclada con la pública: nunca debe estar en la base de un chatbot abierto a cualquier visitante.
• Datos que cambian a diario (precios dinámicos, stock): no deben ir en documentos, sino consultarse en tiempo real en tus sistemas.

6. Cómo preparar la información de un chatbot con documentos propios

La preparación de la información es el trabajo menos visible y el que más impacto tiene en el resultado. Algunas pautas prácticas:

1. Haz inventario
   Anota qué documentos existen, quién es el responsable de cada uno y cuál es la versión buena.
2. Elimina duplicados y versiones antiguas
   Si dos documentos dicen cosas distintas, decide cuál manda.
3. Escribe para que se entienda fuera de contexto
   Un fragmento que dice «ver apartado anterior» pierde sentido cuando se recupera solo.
4. Usa títulos descriptivos
   «Plazo de devolución en compras online» es mejor que «Punto 4.2».
5. Rellena los huecos
   Las conversaciones con clientes revelan preguntas que ningún documento responde. Redáctalas.
6. Asigna una fecha de revisión
   Cada documento debe tener una fecha en la que alguien comprueba que sigue vigente.

Esta disciplina va más allá del chatbot: la calidad de la información decide si cualquier proyecto de IA funciona. Lo tratamos en profundidad en calidad de datos: el paso que decide si tu proyecto de IA funciona.

7. Cómo comprobar que el chatbot no se inventa respuestas

Un chatbot con documentos propios debe probarse antes de publicarse y vigilarse después. Un método sencillo y eficaz:

• Batería de preguntas reales: reúne preguntas de clientes con su respuesta correcta según tus documentos.
• Preguntas trampa: cosas que no están en la documentación, para comprobar que el bot reconoce que no lo sabe.
• Variaciones de formulación: la misma pregunta escrita de varias formas, con faltas de ortografía o en otro idioma.
• Revisión de la fuente: comprueba qué fragmento se recuperó en cada respuesta. Si es el equivocado, el problema está en los documentos o en la búsqueda, no en el modelo.
• Repetición tras cada cambio: cada vez que actualizas documentos o configuración, vuelve a pasar la batería.

Una vez publicado, la tasa de preguntas sin respuesta y las valoraciones negativas son los indicadores que antes avisan de problemas. Tienes cómo medirlos en el artículo sobre métricas de un chatbot.

8. Privacidad y confidencialidad de tus documentos

Cargar documentos en un chatbot implica decidir qué información sale de tu organización y hacia dónde. Ten en cuenta:

• Solo información apta para el público en un chatbot web abierto. Cualquier visitante puede intentar sonsacarle lo que contiene.
• Nada de datos personales de clientes en la base de conocimiento.
• Condiciones del proveedor: revisa si los datos enviados al modelo pueden usarse para entrenar y dónde se procesan.
• Contrato de encargado del tratamiento con cada proveedor que procese datos personales de las conversaciones.

La Agencia Española de Protección de Datos tiene una guía específica sobre la adecuación al RGPD de tratamientos que incorporan inteligencia artificial que conviene conocer. Y, como en cualquier chatbot, el usuario debe saber que habla con una IA. Para casos sensibles, consulta con tu asesor legal.

9. Conclusión: tus documentos son el cerebro del chatbot

RAG es lo que permite que un chatbot hable de tu negocio con precisión, cite sus fuentes y se actualice en cuanto cambian tus documentos. Pero no hace magia: si la información está desordenada, desactualizada o es contradictoria, el chatbot lo reflejará. Invertir en preparar bien la base de conocimiento es la mejor forma de proteger tu reputación. Además, un buen RAG es la base de una atención fiable, como verás en las buenas prácticas del chatbot de atención al cliente.

• Documentos vigentes, sin duplicados ni versiones contradictorias.
• PDFs escaneados convertidos a texto y revisados.
• Nada de información confidencial ni datos personales en la base.
• Batería de preguntas de prueba, incluidas las preguntas trampa.
• Responsable y fecha de revisión para cada documento.

Si quieres un asistente que responda con tu información y no con suposiciones, revisa nuestro servicio de chatbot inteligente con base de conocimiento propia o pide un diagnóstico gratuito y revisamos juntos el estado de tu documentación.