Respuestas desde sus propios documentos, con las fuentes adjuntas
Su equipo hace una pregunta en lenguaje natural y recibe una respuesta construida únicamente con sus documentos, con un enlace al párrafo del que salió. Cuando la respuesta no está en sus documentos, lo dice en lugar de inventarla.
Hablar con un ingenieroEl problema que resuelve
- La respuesta existe, en un PDF, en una carpeta, en una versión que alguien renombró final_v3.
- La misma pregunta llega a las mismas tres personas todas las semanas, y responderla no es su trabajo.
- Alguien actúa sobre un procedimiento vencido porque el vigente era imposible de encontrar.
- Un chatbot general responde con total seguridad usando algo que leyó en internet en lugar de sus reglas.
- El personal nuevo tarda meses en ser útil, porque el conocimiento está en las personas y no en un sistema.
Cómo funciona
1. Ingesta que se puede repetir sin riesgo
Se le indican sus documentos. Cada uno se identifica por el hash de su contenido, así que repetir la ingesta solo reprocesa lo que efectivamente cambió. Sin duplicados y sin reindexar todo cada vez.
2. Recuperación que encuentra el párrafo correcto
Dos búsquedas en paralelo: semántica, por significado, y por palabra clave, para términos exactos como números de artículo o códigos de producto. Los rankings se fusionan y después se filtran los pasajes casi idénticos, para que el contexto sea evidencia y no cinco copias de un párrafo.
3. Una respuesta acotada por la evidencia
Al modelo se le entregan los pasajes recuperados y se le indica responder únicamente con ellos. Cada afirmación lleva una cita que el lector puede abrir. Si la evidencia no está, la respuesta honesta es que no está.
4. Calidad medida, no supuesta
Un conjunto fijo de sus preguntas reales con las respuestas esperadas, evaluado en cada cambio. Cuando cambia un conjunto de documentos, un prompt o un modelo, usted ve si la calidad se movió antes que sus usuarios.
Para quién es
Colegios profesionales y cámaras
Con matriculados preguntando lo mismo sobre normativa, aranceles, trámites y vencimientos. Las reglas son públicas, están escritas, y aun así generan llamados constantes.
Estudios que trabajan contra normativa cambiante
Equipos contables, legales y de cumplimiento, donde el costo de citar una norma derogada se mide en dinero y no en vergüenza.
Empresas con documentación densa
Manuales de operación, especificaciones técnicas, procedimientos de seguridad. Donde la respuesta existe pero encontrarla requiere un experto.
Equipos de soporte y de incorporación
Convertir un cuerpo acumulado de tickets, wikis y manuales en algo que alguien nuevo pueda consultar desde el primer día.
Qué se lleva
- El sistema desplegado en su infraestructura o en la nuestra, a su elección
- Ingesta conectada a sus fuentes de documentos, segura de repetir a medida que cambian
- Un conjunto de evaluación construido con sus preguntas reales, para que la calidad tenga un número
- Una interfaz web, una API, o ambas, según dónde trabaje ya su equipo
- Documentación de cómo funciona, cuánto cuesta operarlo, y qué no va a hacer
Preguntas que nos hacen
¿En qué se diferencia de usar ChatGPT?
Un asistente general responde con lo que aprendió en internet, y lo hace con la misma seguridad tenga razón o no. Este responde únicamente con sus documentos, cita el párrafo que usó, y avisa cuando no sabe. Esa diferencia es el punto entero: para una norma, un procedimiento o un contrato, una respuesta sin fuente no sirve.
¿Qué pasa cuando cambian nuestros documentos?
Se vuelve a correr la ingesta. Los documentos se identifican por contenido, así que solo se reprocesa lo que cambió y el resto queda intacto. Es una decisión de diseño más que una optimización: significa que mantener el índice al día es lo bastante barato como para que efectivamente se haga.
¿Nuestros documentos se usan para entrenar el modelo de alguien?
No. Es una decisión de despliegue que se toma de forma explícita en lugar de heredarla de un valor por defecto, y queda documentada antes del primer request. Si el requisito es que nada salga de su infraestructura, eso cambia qué modelos son viables, y lo decimos de entrada y no después.
¿Cómo sabemos que las respuestas son buenas?
Porque se mide. Construimos un conjunto de evaluación con sus preguntas reales y las respuestas que espera, y lo puntuamos en cada cambio. Recibe un número y su historial, no una impresión sacada de una demo.
¿Cuánto cuesta operarlo?
Dos partes: la construcción, con alcance y precio acordados antes de empezar, y el costo de operación, que es mayormente uso de modelo y escala con cuánto se lo use. Dimensionamos ese costo durante la construcción y le mostramos las palancas, porque una función de IA con factura impredecible se apaga antes del trimestre siguiente.
¿Podemos empezar de a poco?
Es el camino recomendado. Una prueba piloto sobre un conjunto de documentos y un equipo responde la única pregunta que importa, que es si funciona lo bastante bien sobre su material. Todo lo demás es especulación hasta entonces.
Empezar con un piloto
La forma más rápida de saber si esto funciona sobre sus documentos es probarlo sobre sus documentos. Escríbanos contando qué es lo que su equipo busca todo el tiempo, y le decimos con honestidad si encaja antes de que nadie se comprometa a nada.