Búsqueda y agentes sobre tu propia documentación

Casi toda empresa con unos años encima tiene un archivo grande: actas, contratos, informes, transcripciones, documentación técnica. Y casi ninguna lo consulta, porque consultarlo significa que alguien recuerde dónde estaba aquello y se ponga a buscar a mano. El conocimiento existe, está pagado, y no se usa.

El buscador que trae el gestor documental no arregla eso: encuentra las palabras que escribes, y quien pregunta rara vez sabe con qué palabras se escribió la respuesta hace tres años.

Dos casos, y la decisión que los sostiene

Una empresa recibía a diario decenas de documentos por correo y necesitaba clasificarlos en una taxonomía de 77 subcategorías. Lo natural sería entrenar un clasificador; no se hizo, y esa decisión es la que sostiene el resultado: está contado entero aquí. Cada categoría se representa por dos anclas —sus ejemplos y su definición escrita— y clasificar pasa a ser medir distancias, no reentrenar.

Lo que se gana no es solo acierto: cuando la taxonomía cambia —y cambia—, no hay que reentrenar nada. Se regeneran los prototipos en minutos. El coste deja de estar en el arranque y desaparece del mantenimiento, que es donde estos proyectos suelen morir.

Qué se construye

Un sistema de recuperación sobre tu contenido y, encima, un agente que lo usa. En orden:

Lo que separa esto de «montar un RAG»

Montar una búsqueda semántica es media tarde. Que siga funcionando dentro de un año con contenido real es otra cosa, y ahí es donde se nota si quien lo montó había pisado el problema antes.

Lo mismo con el alcance: un buscador sin control de acceso es un problema de seguridad con buena documentación. Los perfiles de recuperación tienen que acotar en el servidor lo que cada agente puede leer, y los filtros que llegan en cada consulta solo deben poder estrechar ese alcance, nunca ampliarlo.

Cómo trabajo

Empiezo por el corpus, no por el modelo. La primera conversación va de qué documentos hay, en qué estado, quién pregunta y qué decisiones dependen de la respuesta. De ahí sale si el problema se resuelve con búsqueda, con clasificación, con un agente o con ninguna de las tres.

Después, una prueba acotada sobre tu contenido real —no sobre una demo— para ver el acierto que da antes de comprometer nada. Y si sale adelante, se despliega donde tú digas: en tu nube o en tu propia infraestructura, porque en corpus con documentación sensible esa suele ser la pregunta que decide el proyecto.

Cuándo no merece la pena

Si el archivo son cuatro carpetas y quien las consulta es una persona que ya sabe dónde está todo, esto es infraestructura para un problema que no tienes.

Y si los documentos están sin digitalizar o son un caos de duplicados y versiones, el primer trabajo es ese, no la IA. Prefiero decirlo en la primera llamada que descubrirlo a mitad del proyecto.

Para quién es

Para organizaciones con un archivo que ya sostiene decisiones —bufetes, ingenierías, administraciones, equipos de producto con años de documentación— y que ahora dependen de que alguien recuerde dónde estaba aquello. Y para equipos que quieren un agente sobre su conocimiento pero necesitan que responda con fuentes y respetando quién puede ver qué.