La IA que sí conoce tus documentos

Un modelo de lenguaje no es una base de datos. Aprendió a hablar leyendo una cantidad enorme de texto público, y de ahí salió todo lo que sabe. Tu lista de precios, tus políticas de garantía y el manual con el que opera tu equipo no estaban en esa lectura, y no van a estar nunca. Cuando le pegas un documento en una conversación, ese documento existe para él mientras dure la conversación y desaparece al abrir la siguiente.

Por eso la queja más común no es que la IA se equivoque, sino que ya se lo había dicho. Y por eso la solución no pasa por escribir mejores instrucciones. Pasa por darle un lugar donde ir a buscar antes de contestar.

Ese mecanismo tiene nombre desde hace años y unas siglas incómodas: RAG, por retrieval-augmented generation. En español se entiende mejor al revés: primero recupera, luego responde. IBM lo define como conectar un modelo de lenguaje a fuentes de conocimiento externas, de modo que recupere los documentos y el contexto relevante antes de generar cada respuesta, en vez de contestar solo con lo que aprendió durante su entrenamiento.

La contadora que dejó de repetir lo mismo

Lupita lleva la contabilidad de cuarenta clientes en Monterrey. En temporada de declaración anual, casi todos le preguntan lo mismo por WhatsApp: fechas límite, requisitos de su régimen, qué documentos le tienen que mandar. Ella ya tiene todo eso escrito en un manual interno de cuarenta páginas. El problema no es la falta de información: es que la información no está donde se hacen las preguntas.

Cuando le pregunta a un asistente de IA cuál es la fecha límite para declarar en el Régimen Simplificado de Confianza, sin nada más, recibe una respuesta educada y perfectamente inútil para su caso: que las personas físicas bajo RESICO suelen declarar de forma mensual y presentar su declaración anual en abril, pero que lo confirme con su contador, porque no tiene acceso a las fechas específicas ni a las políticas internas de su despacho. Es correcto y es genérico. Lupita es el contador.

La misma pregunta, con el manual cargado, devuelve otra cosa: que según el Manual de Plazos Internos, sección 4, “Calendario RESICO 2026”, su despacho maneja el corte interno el día 25 de cada mes para dar tiempo de revisar antes del límite oficial del SAT, y que para sus clientes en RESICO la declaración anual va del 1 al 30 de abril.

La diferencia entre las dos respuestas no es que la segunda IA sea más lista. Es que fue a buscar. Y lo que hace que valga la pena es que Lupita subió el manual una sola vez: cada pregunta nueva de un cliente se resuelve contra ese documento sin que ella lo vuelva a pegar. Dejó de repetir el manual; ahora lo consulta.

El archivero, no la memoria

Vale la pena entender el mecanismo, aunque sea de lejos, porque explica casi todos los resultados raros que uno se encuentra después. Cuando subes un documento, el sistema no lo memoriza entero: lo corta en fragmentos manejables, como quien organiza un archivero por temas en vez de guardar el libro completo de un jalón.

Cuando preguntas algo, antes de escribir una sola palabra de respuesta el sistema va a ese archivero y saca los fragmentos que más se parecen a tu pregunta. No saca el mueble entero: saca la carpeta. Después le pasa esos fragmentos al modelo junto con tu pregunta, y ahí sí genera la respuesta, ya con el dato de tu negocio enfrente.

Para quien tenga curiosidad de la mecánica: cada fragmento se convierte en una lista de números que representa su significado, y tu pregunta también. El sistema compara cuáles se parecen más matemáticamente. Eso es lo que en la práctica se llama búsqueda semántica, y por eso encuentra la sección correcta aunque tú no hayas usado las mismas palabras que el documento. No necesitas entender esta parte para usarlo: las herramientas ya lo hacen por dentro.

De aquí sale la consecuencia que más gente pasa por alto: RAG no re-entrena nada. El modelo sigue siendo el mismo antes y después de subir tus documentos. Busca cada vez que le preguntas, así que si corriges el manual, la siguiente respuesta ya usa la versión nueva; y si borras el documento, deja de tener acceso a esa información en el mismo instante.

Probablemente ya lo tienes pagado

La palabra RAG suena a proyecto de sistemas, y ahí se pierde mucha gente que ya podría estar usándolo hoy. Los Proyectos de Claude están disponibles incluso en la cuenta gratuita —hasta cinco proyectos— y ahí puedes subir tus documentos para que la IA los consulte en cada conversación dentro de ese proyecto. Los GPT personalizados de ChatGPT funcionan con la misma idea. Ninguna de las dos herramientas escribe la palabra RAG en pantalla, pero eso es exactamente lo que hacen.

Puesto al lado de las otras dos formas de que una IA conozca tu información, el lugar de RAG se ve claro. Pegar el texto en cada conversación es gratis y funciona bien cuando son uno o dos documentos que casi no cambian; su costo es que lo pagas otra vez cada vez. Entrenar tu propio modelo —lo que en inglés llaman fine-tuning— casi nunca tiene sentido para un negocio: cuesta caro, necesita equipo técnico y hay que repetirlo cada vez que cambian tus documentos.

RAG queda en medio, y es donde cae la mayoría: varios documentos que consultas seguido, costo cero o incluido en el plan que ya pagas, y el mismo resultado práctico que buscabas del entrenamiento —la IA contestando con tu información— sin nada de la complejidad.

Dos ideas que conviene tirar antes de empezar

La primera es creer que si subes tus documentos la IA ya se los aprendió para siempre. No: los busca en cada pregunta, y si los quitas del proyecto, se quedan sin ellos. Eso que suena a limitación es en realidad la mejor propiedad del mecanismo, porque significa que corregir el documento corrige todas las respuestas futuras sin volver a configurar nada.

La segunda es pensar que entre más documentos subas, mejor va a contestar. No siempre. Si subes archivos desordenados o que se contradicen entre sí, la búsqueda se confunde igual que una persona buscando en un archivero mal organizado. Una base de pocos documentos limpios rinde más que una llena de archivos donde conviven versiones distintas de la misma lista de precios.

Cuándo no te sirve

Si solo tienes uno o dos documentos y casi no cambian. Pegar el texto directo en el chat cada vez es más simple que armar y mantener un proyecto. La base de conocimiento se justifica cuando repetir ya te está costando tiempo, no antes.

Si la información cambia todos los días y nadie va a actualizarla. Una IA que contesta con seguridad usando un documento que ya quedó viejo es peor que una que admite no saber, porque su respuesta se ve igual de confiable que la correcta. Sin alguien que mantenga el documento, no armes la base.

Si la información es sensible y no quieres subirla a la nube. Contratos con datos personales, expedientes, información de clientes que no te pertenece: si tienes dudas legales o simplemente no te sientes cómodo, no lo fuerces. Hay maneras de hacer esto en tu propia infraestructura, pero ya no son un proyecto de una tarde.

Si lo que necesitas es que decida, no que conteste. RAG mejora la calidad de las respuestas porque las ancla a tus datos. No convierte al asistente en alguien que puede aprobar un descuento, elegir proveedor o decidir a quién le extiendes crédito. Eso sigue siendo tuyo.

Qué hacer el lunes

Paso 1 (10 minutos). Reúne en una sola carpeta los tres a cinco documentos que más consultas: catálogo, lista de precios, políticas o preguntas frecuentes. Si un documento no lo abriste en el último mes, déjalo fuera de esta primera versión.

Paso 2 (15 minutos). Abre un Proyecto en Claude —la cuenta gratuita permite hasta cinco— o un GPT personalizado en ChatGPT, y sube ahí esos documentos. No configures nada más todavía.

Paso 3 (10 minutos). Hazle las cinco dudas que más te repiten tus clientes y compara la respuesta contra lo que habrías contestado tú. Ahí, y no antes, se ve si tus documentos están lo bastante ordenados para servir de base.