El conocimiento de una empresa rara vez está en un único lugar. Las políticas viven en archivos, las negociaciones en el CRM, los pedidos en el ERP, los procedimientos en la intranet y las decisiones en mensajes. Una pregunta aparentemente sencilla —«¿por qué este cliente todavía no ha recibido el reembolso?»— puede exigir cinco consultas y la interpretación de fechas, reglas y eventos.
El RAG tradicional mejora las respuestas de los modelos al recuperar fragmentos relevantes antes de generar. El RAG agéntico va más allá: la IA descompone la pregunta, selecciona fuentes, ejecuta varias búsquedas, compara resultados y solicita información cuando detecta lagunas. El resultado debe ser una investigación trazable, no solo una respuesta elocuente.
Del RAG tradicional al RAG agéntico
En un flujo clásico, la pregunta se convierte en una consulta vectorial, los fragmentos más próximos llegan al modelo y este redacta la respuesta. Funciona bien para preguntas directas dentro de una colección coherente.
Las preguntas empresariales suelen ser compuestas. Para saber qué contratos se revisarán el próximo trimestre y qué clientes tienen incidencias críticas, hay que identificar el periodo, localizar contratos, extraer cláusulas, consultar tickets y cruzar clientes. Una sola búsqueda semántica no basta.
En el RAG agéntico, un planificador crea subconsultas y decide si necesita búsqueda textual, vectorial, filtros, SQL o una API. Azure AI Search ya documenta este patrón con planificación mediante modelos, múltiples fuentes, respuestas estructuradas y síntesis con referencias.
Arquitectura de búsqueda empresarial
1. Fuentes conectadas e inventariadas
Documentos, páginas internas, CRM, ERP, bases de datos y almacenamiento utilizan conectores específicos. Cada elemento conserva origen, propietario, fecha, clasificación y permisos. Sin esa capa, la IA puede responder con contenido obsoleto o enseñar información a quien no corresponde.
2. Ingesta y enriquecimiento
Los archivos se extraen, dividen en unidades coherentes y enriquecen con metadatos. Tablas, títulos y relaciones deben conservar su contexto. Para información operativa, consultar el sistema en tiempo real puede ser mejor que copiarlo todo a un índice.
3. Planificación de la pregunta
El agente identifica intención, entidades, intervalo temporal y datos ausentes. Después transforma la pregunta en subconsultas y escoge la herramienta adecuada. El plan debe limitar pasos, fuentes y coste.
4. Recuperación híbrida
La búsqueda léxica encuentra códigos y nombres exactos; los vectores localizan similitud de significado; los filtros restringen empresa, fecha y estado. La combinación suele superar a cualquier técnica aislada.
5. Síntesis con evidencias
La respuesta debe señalar documentos, registros y fechas. Si dos fuentes discrepan, el sistema debe exponer el conflicto o pedir revisión, no elegir silenciosamente una versión.
Ejemplo: soporte técnico conectado al ERP
Un agente de soporte recibe la pregunta: «¿este equipo sigue en garantía y qué procedimiento debo aplicar?». Identifica cliente y producto en el CRM, consulta la venta en el ERP, localiza las condiciones del modelo y recupera el procedimiento vigente.
La respuesta indica la situación, enlaza factura y cláusula y sugiere la siguiente acción. Si falta el número de serie o existen dos ventas posibles, solicita confirmación. Tras la aprobación, puede crear la orden de servicio mediante una integración.
Casos de uso comerciales
- Atención al cliente: responder con contrato, historial y política vigente.
- Ventas: recuperar propuestas similares, requisitos y objeciones resueltas.
- Operaciones: consultar procedimientos y cruzarlos con el estado real del pedido.
- Área jurídica: buscar cláusulas y obligaciones con referencia al original.
- Recursos Humanos: explicar políticas según país, centro y perfil.
- Dirección: combinar indicadores estructurados con conclusiones de informes.
Los permisos no se añaden al final
El índice de búsqueda no debe convertirse en una copia sin control de todo el conocimiento corporativo. La autorización acompaña a cada documento y se comprueba al consultar. Si una persona no puede abrir el archivo original, tampoco debe recibir un resumen.
Además del perfil, deben considerarse empresa, departamento, finalidad y sensibilidad. Registra quién preguntó, qué fuentes accedió y qué respuesta obtuvo. Para datos personales, aplica minimización, conservación y enmascaramiento de acuerdo con el RGPD.
Cómo reducir respuestas inventadas
- exigir referencias para afirmaciones empresariales;
- separar contenido recuperado de instrucciones al agente;
- definir prioridad y vigencia de las fuentes;
- usar reglas deterministas para cálculos y decisiones críticas;
- rechazar la respuesta cuando no haya evidencias suficientes;
- evaluar preguntas reales, ambiguas y adversariales;
- mostrar fecha y origen al usuario.
RAG reduce las alucinaciones, pero no las elimina. El modelo puede interpretar mal un fragmento correcto o unir hechos incompatibles. Por ello, las evaluaciones deben medir recuperación y fidelidad a las evidencias.
¿RAG agéntico o integración directa?
La búsqueda es adecuada para conocimiento disperso y preguntas variables. Los procesos previsibles, como consultar saldo o modificar un estado, requieren una API con campos y reglas definidos. Una solución madura combina ambos: el agente investiga para comprender y llama a una integración para actuar.
Tampoco es obligatorio comenzar con numerosos agentes. Un flujo sencillo con buen índice y permisos correctos puede aportar más que una arquitectura compleja. Añade planificación agéntica cuando las preguntas exijan varias etapas o fuentes.
Métricas relevantes
- Cobertura de recuperación: ¿apareció la evidencia necesaria?
- Precisión de fuentes: ¿eran relevantes y vigentes?
- Fidelidad: ¿cada afirmación está respaldada?
- Resolución: ¿la respuesta permitió completar la tarea?
- Latencia y coste: ¿cuántas consultas y tokens se utilizaron?
- Incidentes de acceso: ¿hubo intentos o exposición indebida?
Cómo empezar con un piloto útil
- Elegir un área con preguntas repetidas y fuentes conocidas.
- Inventariar documentos, sistemas, responsables y permisos.
- Crear preguntas reales con respuestas verificadas.
- Implementar búsqueda híbrida y citas antes de automatizar acciones.
- Probar ausencia, contradicción y contenido malicioso.
- Integrar una acción de bajo riesgo y medir el resultado.
ProativaIA desarrolla soluciones de inteligencia artificial y automatización, integra datos y sistemas y crea software a medida. Podemos convertir documentos, CRM y ERP en una búsqueda segura, citada y conectada con tus procesos.