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.
En otro corpus distinto, el archivo público de un autor con miles de fragmentos, el resultado es un agente al que se le pregunta en lenguaje normal y responde citando de dónde sale cada cosa: el legado de Antonio Escohotado, explorable con IA.
Qué se construye
Un sistema de recuperación sobre tu contenido y, encima, un agente que lo usa. En orden:
| Pieza | Para qué |
|---|---|
| Ingesta y troceado | Convertir documentos largos en fragmentos que un buscador pueda manejar sin perder de qué van |
| Búsqueda híbrida | Encontrar por concepto cuando no se sabe la palabra exacta, y por palabra exacta cuando sí se sabe |
| Agente con herramientas | Que consulte tu contenido en vez de improvisar, y cite la fuente de cada afirmación |
| Alcance por usuario | Que cada persona vea solo el corpus que le corresponde, con el límite aplicado en el servidor |
| Corrección humana | Que un experto arregle un resultado y esa corrección quede guardada y sirva para la siguiente versión |
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.
Un ejemplo concreto: en espacios de muchas dimensiones hay vectores que salen como vecinos de casi todo. Sin corregirlo, las categorías genéricas ganan siempre y lo específico deja de aparecer, sin que nadie reciba un error. Es un fallo silencioso, está en media implementación que hay por ahí, y lo explico con detalle en el post del RAG agéntico.
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.
Pruebas de esto mismo
Clasificar documentos en 77 categorías sin entrenar un modelo
El legado de Antonio Escohotado, explorable con IA
Un RAG agéntico servido como trece herramientas MCP
Un despliegue por cliente o un espacio por cliente
Coder: entornos de desarrollo remotos con devcontainers para todo el equipo
Postiz: programar publicaciones en redes sociales desde tu propio servidor
Hablemos
Si tienes un archivo que nadie consulta porque no se le puede preguntar nada, cuéntame qué contiene y quién necesitaría preguntarle. Con una conversación se ve si hay caso.