Un comercial de una empresa de maquinaria industrial recibe una consulta por email: «¿Cuál es el precio del modelo XR-450 con la opción de control remoto y plazo de entrega para Polonia?». Para responder bien necesita consultar tarifas vigentes, condiciones especiales del país, stock y plazos del proveedor. Tarda 25 minutos. Multiplíquelo por 40 consultas al día.
Ahora imagine que el mismo comercial escribe esa pregunta a un asistente interno y obtiene la respuesta exacta en 8 segundos, con las fuentes citadas y la última actualización de la tarifa. Eso es un RAG corporativo: un asistente IA que conoce realmente la información de tu empresa, no datos genéricos de internet.
La diferencia entre ChatGPT «tal cual» y un asistente útil para tu negocio está en una técnica concreta: RAG (Retrieval Augmented Generation). En este artículo te explicamos qué es sin tecnicismos, por qué es mejor que entrenar un modelo desde cero, qué arquitectura necesitas y cuánto cuesta montarlo de verdad.
El problema: ChatGPT no conoce tu empresa
Los modelos de lenguaje como GPT-4 o Claude se entrenaron con miles de millones de documentos públicos hasta una fecha de corte. No saben:
- Tu tarifa actualizada de la semana pasada.
- El manual técnico de tu maquinaria.
- Las condiciones comerciales pactadas con cada cliente.
- Los procedimientos internos de tu departamento de calidad.
- El histórico de incidencias del último año.
Si copias y pegas un manual de 200 páginas en ChatGPT te dirá que excede el contexto. Y aunque cupiera, mañana tendrías que volver a pegarlo. Necesitas que la IA acceda a tu información de forma estructurada, segura y siempre actualizada.
Históricamente había dos caminos: fine-tuning (reentrenar el modelo con tus datos, caro y rígido) o copiarlo todo en cada consulta (inviable). RAG resuelve esto de otra forma mucho más práctica.
Qué es RAG y por qué un RAG corporativo es la mejor opción para una pyme
RAG significa Retrieval Augmented Generation: generación aumentada por recuperación. Funciona en tres pasos cuando alguien lanza una pregunta:
- Recuperar: el sistema busca en tu base de conocimiento los fragmentos más relevantes para esa pregunta concreta.
- Aumentar: añade esos fragmentos al prompt junto a la pregunta del usuario.
- Generar: el LLM (GPT-4, Claude, Llama…) responde usando esa información como contexto.
La clave es que el modelo no memoriza tu información: la consulta en tiempo real. Si actualizas un PDF, el RAG ya conoce la versión nueva en la siguiente pregunta. No hay reentrenamiento, no hay esperas de semanas.
Comparado con fine-tuning, RAG es más barato (cientos de euros frente a miles), más rápido de implementar (días frente a meses), permite citar fuentes (auditable) y se actualiza solo. Para el 95% de los casos en una pyme, RAG es la respuesta correcta.
Arquitectura típica de un RAG corporativo
Un asistente IA empresa basado en RAG tiene cinco componentes principales:
- Fuentes de datos: PDFs, Word, Excel, páginas web internas, bases de datos, emails, transcripciones de reuniones. Todo lo que contenga conocimiento útil.
- Ingesta y troceado: un proceso que lee cada documento y lo divide en fragmentos manejables (típicamente 500-1.000 palabras). Aquí se decide la calidad: si se trocea mal, las respuestas serán mediocres.
- Embeddings: cada fragmento se convierte en un vector numérico que representa su significado. Frases parecidas dan vectores parecidos. Esto permite buscar por concepto, no por palabras exactas.
- Base vectorial: una base de datos especializada (Qdrant, Pinecone, Weaviate) que almacena esos vectores y permite encontrar los más relevantes en milisegundos.
- LLM + orquestador: cuando llega una pregunta, se busca en la base vectorial, se recuperan los fragmentos top, se pasan al LLM con la pregunta y se devuelve la respuesta. Herramientas como n8n, LangChain o LlamaIndex orquestan este flujo.
En AIPROCESSIA usamos un stack ligero pero potente: Qdrant como base vectorial, n8n como orquestador, OpenAI o Claude como LLM, y Postgres para metadatos. Todo desplegable en un VPS modesto.
Casos de uso reales y resultados
Estos son tres escenarios que vemos repetirse en pymes españolas:
- Asistente comercial: conoce tarifas, condiciones por cliente, plazos de entrega, fichas técnicas y casos de uso. Reduce 60-80% el tiempo dedicado a buscar información antes de responder un presupuesto. Especialmente útil para empresas con catálogos amplios o tarifas dinámicas.
- Soporte técnico interno: conoce los manuales de equipos, histórico de incidencias resueltas y procedimientos. El técnico junior responde como si tuviera 10 años de experiencia. Una empresa con 5 técnicos puede absorber 30-40% más volumen sin contratar.
- Asistente legal/normativo: en asesorías y despachos, un RAG alimentado con BOE, Cendoj, jurisprudencia interna y plantillas propias permite a un técnico responder consultas que antes requerían escalado a abogado senior. Reduce drásticamente los reenvíos internos.
El coste mensual realista para una pyme: entre 60 € y 300 € al mes dependiendo del volumen de consultas y del modelo de LLM elegido. Una sola hora ahorrada al día compensa el coste mensual con creces.
¿Cuándo tiene sentido montar un RAG empresarial?
No todas las pymes lo necesitan. Tiene sentido si te identificas con dos o más de estos criterios:
- Tu equipo dedica más de una hora al día a buscar información en documentos internos antes de responder.
- Tienes conocimiento crítico en la cabeza de pocas personas (riesgo de fuga, vacaciones, jubilación).
- Tus clientes hacen preguntas técnicas o normativas recurrentes que tu equipo responde manualmente.
- Has invertido en generar documentación (manuales, protocolos, fichas) pero nadie la consulta porque es lenta de buscar.
- Estás creciendo y necesitas formar perfiles junior rápidamente sin saturar a los seniors.
Cuándo NO tiene sentido: si tu volumen de consultas es bajo (menos de 20 al día), si tu conocimiento está bien organizado y los empleados lo encuentran fácil, o si tu negocio depende más de relaciones humanas que de información estructurada.
Un RAG corporativo bien montado es de las inversiones con mejor ROI que estamos viendo en pymes. Pero exige hacer las cosas bien: la calidad de las respuestas depende un 80% de cómo preparas las fuentes y un 20% del modelo elegido.