En esta nota
En resumen
- Un modelo no conoce tu empresa: cuando no sabe, completa con lo más probable y suena convincente.
- La solución es buscar en tus documentos antes de responder, y citar de dónde salió cada dato.
- El noventa por ciento del trabajo no es técnico: es ordenar la información y dejar una versión vigente de cada cosa.
- Medí con cincuenta preguntas reales y sus respuestas correctas. Convierte "parece que anda" en un número.
Hay un momento que todo el mundo atraviesa la primera semana. Le preguntás algo sobre tu propia empresa y recibís una respuesta impecable, bien redactada y completamente inventada. Los plazos no son los tuyos, las condiciones tampoco.
Eso no es una falla: es exactamente lo que hace. Un modelo de lenguaje produce la continuación más probable del texto. Si le preguntás por algo que no puede saber, produce algo verosímil.
La solución no es insistir con que no invente. Es darle el material.
Cómo funciona, sin tecnicismos
El método se llama RAG, que en la jerga significa generación aumentada por recuperación. La idea es más simple que el nombre.
Cuando llega una pregunta, antes de responder el sistema busca en tus documentos los fragmentos que tienen que ver con esa pregunta y los pone a la vista. Recién ahí responde, usando ese material.
Es la diferencia entre alguien que contesta de memoria lo que le parece y alguien que abre el manual antes de hablar. El segundo se equivoca mucho menos, y cuando se equivoca se puede rastrear por qué.
Ventaja lateral que importa más de lo que parece: un sistema así puede citar de dónde sacó cada dato. Eso permite verificar, y poder verificar es lo que hace que un equipo empiece a confiar.
El trabajo real: ordenar la información
Acá está el noventa por ciento del esfuerzo, y no es técnico.
Cuando una empresa junta por primera vez toda su información en un solo lugar, aparece siempre lo mismo:
| Lo que se encuentra | Por qué es un problema |
|---|---|
| Tres versiones del mismo procedimiento | El sistema no sabe cuál es la vigente y usa cualquiera |
| Documentos que se contradicen | Las respuestas se vuelven inconsistentes sin patrón |
| Información que solo vive en la cabeza de alguien | No está escrita, así que no puede usarse |
| Precios y plazos desactualizados | El sistema promete con seguridad algo que ya no es cierto |
Ninguno de esos problemas lo causó la inteligencia artificial. Estaban antes, y la gente los compensaba preguntándole a la persona que sabía. El sistema no tiene esa opción: usa lo que hay.
Sistemas antes que herramientas. Si la información está desordenada, lo que vas a automatizar es el desorden, y lo vas a automatizar rápido.
Seba Chuffer · LAB AI
Por eso este tipo de proyecto tiene un efecto secundario valioso: obliga a ordenar. Una parte del beneficio llega antes de que el sistema conteste su primer mensaje.
Los cuatro pasos
1Decidir qué entra
No todo. Para empezar, la información que responde las preguntas más frecuentes: preguntas habituales, políticas, catálogo, procedimientos del área elegida. Un alcance chico y bien elegido funciona mejor que volcar la carpeta compartida entera.
2Limpiar y unificar
Una versión vigente de cada cosa, con fecha visible. Lo viejo archivado fuera del alcance del sistema. Este paso es aburrido y es el que decide el resultado.
3Conectar
La parte técnica, y hoy es la más fácil. Varias herramientas permiten subir documentos y hacer preguntas sobre ellos sin programar nada. Un primer prototipo se puede tener en un día.
4Probar con preguntas reales
No con preguntas de ejemplo: con las cincuenta consultas que de verdad llegan, con la respuesta correcta anotada al lado. Eso convierte "parece que anda bien" en un número.
La lista de cincuenta preguntas reales con su respuesta correcta es la herramienta más subestimada de todas. Sirve para medir hoy, y para no romper nada cuando cambies algo dentro de tres meses.
Qué esperar y qué no
Con la información bien ordenada, un sistema así responde correctamente la enorme mayoría de las consultas frecuentes. Donde sigue fallando:
- Preguntas que cruzan muchos documentos a la vez. "Comparame las condiciones de los últimos cinco contratos" es mucho más difícil que "qué dice el contrato de tal cliente".
- Cálculos sobre datos. Para eso hace falta conectarlo a la base o a la planilla, no a los documentos.
- Cosas que no están escritas. Si el criterio vive en la experiencia de alguien, hay que escribirlo primero.
- Información que cambia todos los días. Ahí conviene conectar el sistema al origen, no a un documento que alguien actualiza a mano.
Sobre la privacidad
Es la primera pregunta de cualquier empresa y merece una respuesta concreta.
Los planes empresariales de los proveedores principales establecen por contrato que no usan el contenido para entrenar sus modelos. Eso está escrito y se puede verificar antes de contratar. Los planes gratuitos, en general, no ofrecen la misma garantía.
Con eso dicho, conviene una clasificación simple antes de subir nada: qué información puede ir a un servicio externo y cuál no. Datos personales de clientes, información médica, legajos o cualquier cosa bajo obligación legal de resguardo merecen una decisión explícita, no que se resuelva sola porque alguien arrastró una carpeta.
Cuánto cuesta
Para un alcance chico, el gasto en herramientas suele ser bajo: hay opciones desde gratuitas hasta unas decenas de dólares por mes, según volumen de consultas y cantidad de documentos.
El costo real, otra vez, son las horas de ordenar la información. Entre diez y treinta horas para un primer alcance acotado, casi todas de personas que conocen el contenido, no de perfiles técnicos.
El resumen
- La IA no conoce tu empresa. Si no le das el material, produce algo verosímil.
- El método es buscar en tus documentos antes de responder, y citar de dónde salió.
- El trabajo real es ordenar: una versión vigente de cada cosa, fechada.
- Empezá chico: el área con más preguntas repetidas.
- Medí con cincuenta preguntas reales y sus respuestas correctas.
- Decidí explícitamente qué información puede salir de la empresa.
En el LAB se hace con tus documentos
Doce semanas en vivo donde trabajás sobre los procesos y la información de tu propio negocio, y salís con tres sistemas funcionando. Con mentores que revisan el alcance antes de que se convierta en un proyecto interminable.
Conocer el LAB AI ›Preguntas frecuentes
¿Por qué la IA inventa datos sobre mi empresa?
Porque no los tiene. Un modelo de lenguaje completa con lo más probable según todo lo que leyó, y si le preguntás por tu política de devoluciones va a producir una política verosímil, no la tuya. La única solución es darle acceso a tu información real en el momento de responder.
¿Qué es RAG en términos simples?
Es un método donde, antes de responder, el sistema busca en tus documentos los fragmentos relevantes a la pregunta y responde usando solo eso. En vez de contestar de memoria, contesta con el material a la vista, como alguien que consulta el manual antes de hablar.
¿Qué necesito tener antes de empezar?
La información correcta y en un solo lugar. Ese suele ser el trabajo principal: casi siempre los documentos están desactualizados, duplicados con versiones que se contradicen, o repartidos en la cabeza de varias personas. Conectar documentos contradictorios produce un sistema que se contradice.
¿Mis documentos quedan expuestos si uso IA?
Depende del proveedor y del plan. Los planes empresariales de los principales proveedores establecen por contrato que no usan el contenido para entrenar sus modelos. Conviene leer esa cláusula antes de subir información sensible y separar lo que puede salir de la empresa de lo que no.
Escrito a partir de lo que vemos en las sesiones del LAB AI, el programa en vivo donde cada participante implementa IA en los procesos reales de su negocio.