Preparar documentación para que la use un agente de IA tiene cinco capas posibles: curación, taxonomía, ontología, recuperación semántica y gobernanza. Unas describen el conocimiento, otras cómo se recupera y otras cómo se usa, y existen por motivos distintos.
La decisión que importa no es cuál es mejor: es cuántas necesita este proyecto. En la mayoría son bastantes menos de las que se presentan como obligatorias, y acertarle a esa cuenta es la mitad del trabajo. La otra mitad es sostenerla.
Por qué el orden importa
Una organización con ochenta mil documentos de proyectos, informes de fallas, planos y lecciones aprendidas pone un asistente encima y pregunta qué penalidad fija un contrato por demora. El asistente contesta. Contesta bien redactado, con seguridad, y citando la revisión 1 de un contrato que ya va por la 3.
Nadie lo nota hasta que importa.
Ese resultado casi nunca es culpa del modelo: el modelo hizo lo único que podía hacer con lo que encontró. La diferencia entre un asistente que sirve y uno que es un riesgo está casi siempre debajo, en el estado del conocimiento.
Y ese estado se puede arreglar sin tener todavía ningún agente. Es más: conviene arreglarlo antes, porque buena parte del beneficio —búsqueda que encuentra, auditoría que cierra, permisos que se sostienen— llega aunque después no se ponga ninguna IA encima.
Los cinco bloques, y cuáles son opcionales
1 · Curación documental
Clasificar, detectar duplicados, identificar versiones vigentes, extraer el texto —incluido el de los escaneos— y definir metadatos, propietarios y permisos.
Es el punto de partida y no tiene sustituto. Ningún índice vectorial arregla un repositorio donde hay tres copias de un contrato y ninguna dice cuál rige.
¿Hace falta? Siempre.
2 · Taxonomía, vocabulario y semántica
Qué conceptos existen en el negocio, cómo se relacionan y en qué se diferencian. En una planta: proyecto, equipo, falla, causa, acción correctiva. En una obra social: prestación, convenio, afiliado, autorización.
Una taxonomía con vocabulario controlado es lo que hace que dos áreas distintas llamen igual a la misma cosa. Sin eso, la búsqueda depende de que quien pregunta use las mismas palabras que quien escribió.
¿Hace falta? Casi siempre, y en la enorme mayoría de los casos con esto alcanza.
3 · Ontología formal
Declarar conceptos, relaciones y restricciones de modo que una máquina pueda razonar sobre ellos: que una falla tiene una causa, que una acción correctiva responde a una falla, que un equipo pertenece a una planta.
Es el bloque que más se nombra y el que menos se necesita. Se justifica cuando el dominio tiene conceptos que se confunden entre sí y confundirlos sale caro.
¿Hace falta? Sólo si el dominio lo justifica. Empezar por acá es el error más común y el más caro.
4 · Embeddings, búsqueda semántica y RAG
Convertir fragmentos de documentos en vectores para recuperarlos por significado, y entregárselos al modelo para que funde su respuesta en ellos. Es lo que permite preguntar por una falla de una bomba y encontrar el informe aunque use otras palabras.
¿Hace falta? Si se va a consultar en lenguaje natural, sí. Si lo que hace falta es que la gente encuentre documentos, una búsqueda híbrida sobre metadatos bien puestos resuelve más de lo que se supone.
5 · Tools, skills y gobernanza
Qué puede consultar o ejecutar el sistema —buscar un documento, verificar el estado de un trámite, iniciar una aprobación—, con qué procedimientos reutilizables, con qué límites, y en qué casos tiene que intervenir una persona.
¿Hace falta? La gobernanza, en una organización, sí. Las herramientas, sólo las que el caso de uso necesite.
Dos confusiones que hacen comprar de más
Semántica no es embeddings
Se usan como sinónimos y no lo son.
La semántica modela el significado: qué es una falla, qué es una causa, en qué se diferencian y cómo se vinculan. Es una afirmación sobre el mundo.
Los embeddings son representaciones numéricas que permiten comparar textos por parecido. Un embedding acerca dos textos que se parecen; no sabe que uno causó al otro.
La diferencia se nota cuando importa. Un embedding puede traer un informe de falla parecido al que buscás. Una relación declarada puede responder qué acción correctiva se tomó por esta falla en este equipo, que es otra pregunta y no la contesta ningún parecido.
Ninguna reemplaza a la otra, y confundirlas lleva a pagar por un índice vectorial esperando algo que un índice vectorial no hace.
Un RAG no es un agente
Un RAG recupera documentos pertinentes y contesta siguiendo un flujo fijo: buscar, recuperar, redactar con lo recuperado, citar.
Un agente decide: qué pasos dar, qué herramienta usar, si hace falta buscar otra vez o si ya tiene con qué responder.
La enorme mayoría de los casos empresariales se resuelven con lo primero. Un agente agrega capacidad y agrega superficie de error: más decisiones automáticas, más formas de equivocarse y más trabajo para auditar qué pasó. Conviene cuando hay varios pasos reales que coordinar, no porque suene mejor.
Qué se puede hacer sin un agente, en orden
- Auditoría y curación. Inventario, duplicados, versiones, clasificación, extracción de texto, metadatos y permisos. Deja un repositorio confiable.
- Modelado. Taxonomía, vocabulario, entidades y relaciones. Deja el modelo conceptual escrito.
- Preparación para búsqueda. Partido de documentos, embeddings, índice, filtros por metadatos y permisos. Deja un índice que recupera lo pertinente.
- Diseño de capacidades. Qué preguntas hay que responder, con qué herramientas y con qué límites. Deja la especificación del asistente.
- Validación. Preguntas reales con respuestas esperadas, para comprobar que se recupere lo correcto, que se cite la fuente y que los permisos se respeten.
Las cinco se hacen antes de que exista el agente. Y muchas organizaciones descubren, al terminar la segunda, que ya resolvieron lo que les dolía.
Qué automatiza la herramienta y qué no
La extracción de texto, el OCR, la detección de duplicados, el partido de documentos y la indexación se automatizan, y conviene automatizarlos.
Lo que no se automatiza es decidir: qué tipos de documento existen de verdad, qué metadatos importan para el negocio, qué significa que una versión esté vigente y quién puede ver qué. Esas decisiones son de la organización. El trabajo de quien acompaña es hacerlas explícitas, no tomarlas en su lugar.
Es la parte que más se subestima al presupuestar y la que define si el resultado sirve.
Esto es lo que hacemos en el servicio de base de conocimiento para IA, y es la etapa previa del asistente de IA sobre la documentación.