Por qué tu empresa necesita un RAG (y no un chatbot que inventa)

En 2024, un tribunal obligó a Air Canada a pagar una indemnización porque su chatbot se inventó una política de reembolsos que la aerolínea no tenía. El cliente compró el billete confiando en lo que el bot le dijo, la aerolínea alegó que "el chatbot es responsable de sus propias acciones" — y el tribunal, con buen criterio, respondió que no: si tu empresa pone una IA a atender clientes, lo que la IA promete, lo prometes tú.

Ese caso resume el problema de media industria: todo el mundo quiere poner IA a responder preguntas de clientes y empleados, pero un chatbot genérico conectado "a pelo" a ChatGPT o a cualquier otro modelo tiene un defecto de fábrica: cuando no sabe algo, no se calla — se lo inventa. Y lo hace con una seguridad pasmosa.

El problema tiene nombre: alucinaciones

Los modelos de lenguaje no "consultan" información: generan el texto más probable según lo que aprendieron durante su entrenamiento. Saben muchísimo del mundo en general y nada de tu negocio en particular: ni tus precios, ni tus plazos de entrega, ni tu política de devoluciones, ni el convenio de tus empleados. Cuando alguien les pregunta por eso, rellenan el hueco con una respuesta que suena perfectamente razonable.

En una conversación casual es una anécdota. En tu empresa es un precio inventado que un cliente reclama, un plazo imposible que alguien promete por ti, o una cláusula mal citada en un contrato. Las alucinaciones no son un fallo raro que ocurre de vez en cuando: son el comportamiento por defecto de un modelo al que se le pregunta por información que no tiene.

Qué es un RAG (y por qué lo cambia todo)

RAG son las siglas de Retrieval-Augmented Generation: generación aumentada por recuperación. La idea es simple de contar: antes de responder, el sistema busca en los documentos reales de tu empresa — manuales, catálogos, tarifas, contratos, políticas — recupera los fragmentos relevantes para esa pregunta concreta, y el modelo redacta la respuesta usando solo eso, citando de qué documento sale cada dato.

La forma más fácil de entenderlo: un chatbot normal hace el examen de memoria; un asistente con RAG lo hace con tu libro abierto delante. Si la información no está en el libro, no responde de memoria: dice que no la tiene. Lo explicamos a fondo, con esquemas y casos de uso, en nuestra página ¿Qué es RAG?

Las cuatro garantías que un chatbot normal no te da

• Respuestas con fuente. Cada respuesta indica el documento y el apartado del que sale. Si un cliente o un auditor pregunta "¿de dónde ha salido esto?", hay respuesta.
• Si no lo sabe, lo dice. Un RAG bien construido prefiere un "no tengo esa información" a una invención convincente. Es exactamente lo que le faltó al chatbot de Air Canada.
• Siempre actualizado sin reentrenar. ¿Cambia una tarifa? Subes el documento nuevo y el asistente responde con él desde ese momento. El conocimiento no se congela el día del lanzamiento.
• Tus datos, protegidos. Tus documentos se consultan, no se usan para entrenar modelos de terceros. La privacidad se diseña desde el principio: cifrado, control de accesos y tus datos sin salir de donde tú decidas.

Y dentro de la empresa: cada empleado ve solo lo suyo

Aquí está la pregunta que casi nadie hace antes de contratar un asistente de IA y que debería ser la primera: si le cargamos toda la documentación de la empresa, ¿puede cualquier empleado preguntar por todo? Con un RAG serio, no. Cada documento se etiqueta con los roles que pueden verlo, y el filtro se aplica antes de que la información llegue a la IA: lo que un rol no puede ver ni siquiera entra en el contexto del modelo, así que no hay forma de "engañar" al asistente para que lo revele.

El de recepción pregunta por las bandas salariales y obtiene un "no está en los documentos de tu rol"; dirección hace la misma pregunta y obtiene la cifra con su cita. Los permisos pueden heredarse de los que ya usas en Google Drive o SharePoint, y cada consulta queda registrada para auditoría.

Casos donde un RAG paga su coste rápido

• Atención al cliente: dudas de productos, envíos, devoluciones y garantías respondidas 24/7 consultando tu catálogo y tus políticas reales — no una versión imaginada.
• Asistente interno de RRHH: "¿cuántos días de vacaciones me quedan según el convenio?" deja de interrumpir a nadie: la respuesta sale del convenio, citada.
• Documentación legal y normativa: buscar en contratos y pólizas citando el artículo exacto, en lugar de leer 200 páginas.
• Catálogos grandes: "piso de 2 habitaciones con terraza por menos de 250.000 €" busca en tu cartera real y responde con las fichas.

Por dónde empezar

Un proyecto RAG no es un "instalar un plugin": incluye la ingesta de tus documentos (PDF, Word, webs, bases de datos), la base vectorial con búsqueda semántica, la conexión con el modelo adecuado, las pruebas con casos límite antes de lanzar — incluidas las preguntas trampa — y el canal donde vivirá: el chat de tu web, WhatsApp o una herramienta interna. Tienes el detalle del servicio completo en Implementación de IA segura.

Lo razonable es empezar por un caso acotado — el que más preguntas repetitivas genera — medir, y crecer desde ahí. En unas semanas se nota dónde estaba yendo el tiempo del equipo.

← Volver al blog