Documentos, contratos, manuales, código y comunicaciones internas accesibles vía chat con cita a la fuente. Sin alucinación.
El conocimiento de una empresa está repartido entre SharePoint, Drive, Confluence, manuales en PDF, hilos antiguos de Slack y la cabeza del trabajador que lleva quince años. Recuperarlo a tiempo es una de las grandes pérdidas silenciosas de productividad: el técnico que vuelve a resolver una incidencia que ya se resolvió hace dos años, el comercial que no encuentra las condiciones pactadas con un cliente, el responsable de calidad que descubre tarde que alguien trabajó con la revisión anterior de un procedimiento. El buscador del gestor documental no lo arregla, porque solo devuelve lo que contiene literalmente la palabra tecleada, y la documentación real está escrita por personas distintas, en años distintos y con vocabulario distinto.
Un sistema de RAG bien construido convierte ese fondo documental en una conversación: embeddings que capturan el significado de cada fragmento, un vector store que respeta los permisos del sistema de origen, un re-ranker que reordena los candidatos antes de redactar y un modelo de lenguaje que sintetiza la respuesta. La diferencia entre un RAG útil y uno peligroso está en la trazabilidad: cada respuesta cita el documento, la página y el apartado del que sale, y quien pregunta puede abrirlo y comprobarlo. Donde alguien firma un informe o una oferta con esa información, una respuesta sin fuente no sirve, así que tratamos la cita como un requisito de diseño y no como un añadido final.
En los resultados de los despliegues de RAG gestionados por Summum IA, la precisión de las respuestas alcanza el 91 % con trazabilidad de cita al 100 %, sobre corpus de 14.000+ documentos técnicos. El onboarding de ingenieros nuevos baja de 12 semanas a 4. Metodología y detalle disponibles bajo solicitud.
El presente contrato establece un periodo de validez de 24 meses renovable automáticamente salvo denuncia por cualquiera de las partes con un preaviso mínimo de 60 días naturales.
El contrato se renueva automáticamente cada 24 meses, salvo aviso con 60 días de antelación.
Fuente · contrato-proveedor.pdf · página 4 · §3Antes de indexar nada levantamos el mapa real del corpus: qué repositorios existen, quién puede ver qué y en qué estado está la documentación. Marcamos los documentos obsoletos, los duplicados con dos versiones vivas y los PDF escaneados que necesitan OCR para poder leerse. De ahí sale la lista de fuentes que entran en la primera fase, las que se quedan fuera y el trabajo de limpieza previo, que es lo que más condiciona el resultado final.
Cada documento se trocea con una estrategia ajustada a su tipo: un contrato no se corta como un manual de mantenimiento ni como un hilo de correo. Los fragmentos se convierten en vectores de embeddings y se guardan en el vector store, Qdrant o Pinecone según la infraestructura del cliente. Los permisos del sistema de origen viajan con cada fragmento: quien no puede abrir un documento en SharePoint tampoco recupera su contenido a través del chat.
La consulta se resuelve en dos pasos. Primero se recuperan los fragmentos candidatos combinando búsqueda por significado y coincidencia exacta, necesaria para códigos de producto, números de expediente y referencias normativas. Después el re-ranker los reordena frente a la pregunta concreta y solo los mejores llegan al modelo, que redacta con la obligación de citar documento, página y apartado. Si el contexto recuperado no sostiene una respuesta, el sistema lo dice en lugar de rellenar el hueco.
Un RAG no se entrega y se olvida. Dejamos un panel con las consultas reales, las que se resuelven con cita y las que se quedan sin respuesta útil, que son las que señalan los huecos del corpus. Esa lista se revisa con el responsable interno, se corrigen o se añaden los documentos que faltan y se reindexa. Sin esa revisión periódica, el sistema se degrada al ritmo al que envejece la documentación.
El detalle operativo: lo que entregamos como parte del trabajo y lo que mantenemos vivo después.
Vector store con auth
Índice vectorial en Qdrant o Pinecone, elegido según la infraestructura y los requisitos de residencia de datos del cliente, con los permisos del sistema de origen replicados fragmento a fragmento: cada usuario recupera solo lo que ya podía abrir en SharePoint, Drive o Confluence.
Chunking afinado
Troceado distinto para cada familia documental: por cláusula en contratos, por sección en manuales y procedimientos, por mensaje en hilos de correo, con solapamiento entre fragmentos para no partir una idea o una tabla por la mitad.
Re-ranker para precisión
Segunda pasada sobre lo recuperado: un modelo de reordenación puntúa cada fragmento frente a la pregunta concreta y descarta los que solo coincidían por parecido general, de modo que el modelo de lenguaje redacta con los pasajes pertinentes y no con los primeros que devolvió el índice.
Cita obligatoria a la fuente
Cada respuesta llega con el documento, la página y el apartado de origen, enlazados para abrirlos en el repositorio. Cuando el contexto recuperado no permite responder, el sistema lo declara en vez de completar con el conocimiento general del modelo.
Ingesta continua
Los documentos nuevos y las revisiones de los existentes se indexan de forma incremental, con el calendario que se acuerde y sin rehacer el índice completo. Las versiones retiradas salen del índice para que nadie reciba un procedimiento derogado.
Feedback loop
Panel con las consultas reales y el marcado de respuesta útil o no útil por parte de los usuarios. Las preguntas que se quedan sin responder señalan los huecos del corpus y se convierten en tareas concretas de documentación, troceado o reordenación.
El proyecto se hace en remoto de principio a fin: la auditoría del corpus, la indexación y la puesta en producción ocurren sobre los repositorios del cliente, así que la sede de la empresa no condiciona el trabajo. Summum IA forma parte de Grupo Summum, con oficinas en Castilla y León (Valladolid, Burgos, Aranda de Duero y Palencia) y en Canarias, y desde ahí atiende proyectos en el resto de España.
Gipuzkoa y San Sebastián son un caso aparte dentro de esa cobertura: la industria de precisión y la máquina-herramienta guipuzcoanas generan manuales técnicos, certificados de producto y correspondencia comercial en varios idiomas, justo el tipo de corpus donde un buscador por palabra clave se queda corto. Para ese perfil mantenemos una ficha propia con el detalle del tejido empresarial de la provincia: consultoría de IA para empresas de Gipuzkoa y San Sebastián.
En el País Vasco no tenemos oficina abierta ni la anunciamos: el modelo es remoto, con desplazamiento puntual acordado dentro del propio proyecto y reservado a la formación del equipo o al arranque en producción.
RGPD si el corpus contiene datos personales. AI Act si alto riesgo.
RAG es IA, gobernanza y derechos de acceso.
RAG para conocimiento específico. Fine-tuning sólo si estilo o jerga lo justifica.
Auth corporativo respetado.
Hasta 100k+ en proyectos reales.
Casi siempre por el corpus, no por el modelo. Los fallos que más se repiten son cuatro: dos versiones vivas del mismo procedimiento, con lo que el sistema cita la que no toca; PDF escaneados sin capa de texto, que el índice no llega a leer; troceado uniforme que parte una tabla o una cláusula por la mitad; y preguntas que cruzan varios documentos, donde la recuperación trae lo más parecido en vez de lo pertinente. Ninguno se arregla cambiando de modelo de lenguaje: se corrigen auditando el corpus antes de indexar, ajustando el troceado por tipo de documento, añadiendo re-ranking y midiendo con preguntas reales de la empresa en lugar de con ejemplos de laboratorio.
Depende de la arquitectura, y es una decisión que se toma al principio del proyecto. El índice vectorial y los documentos permanecen en la infraestructura que acuerde el cliente. Lo que viaja al modelo de lenguaje son los fragmentos recuperados para responder a esa pregunta concreta, nunca el repositorio completo. Cuando la sensibilidad de la información lo exige (datos personales, planos, expedientes, material sujeto a acuerdos de confidencialidad) se evalúan opciones con residencia de datos en la Unión Europea o con el modelo desplegado en infraestructura propia, a cambio de más coste operativo. Si el corpus contiene datos personales, el tratamiento se documenta conforme al Reglamento (UE) 2016/679.
Tres cosas concretas. Una persona que conozca la documentación y pueda decidir qué versión de cada documento es la buena: suele ser el cuello de botella real del proyecto, más que la parte técnica. Acceso a los repositorios de origen y al sistema de identidad corporativo, para que los permisos se hereden en lugar de reinventarse. Y una lista de entre treinta y cincuenta preguntas reales que hoy cuesta tiempo responder, que sirve de banco de pruebas y decide si el sistema está listo para producción. La arquitectura, los conectores, la indexación y el panel de operación los aporta Summum IA.
Para que el modelo conozca el contenido de tu documentación, no. El fine-tuning ajusta la forma de responder, pero deja el conocimiento fundido en los pesos: no se puede citar la fuente ni saber de dónde salió una afirmación, y actualizar un procedimiento obliga a repetir el entrenamiento. Con RAG basta con reindexar el documento corregido y la respuesta cambia el mismo día. El fine-tuning tiene sentido cuando lo que hay que cambiar es el tono o un formato de salida muy fijo, y se puede combinar con RAG, que sigue aportando el contenido y la cita.
Así se ve en producción: el equipo pregunta en lenguaje natural sobre un contrato o un procedimiento interno y recibe una respuesta con la fuente citada, sin que el documento salga de la infraestructura de la empresa.