Respuestas con su fuente.

Generación aumentada por recuperación (RAG) y Document AI sobre contratos, expedientes, facturas y bases de conocimiento internas. Cada respuesta cita el documento y la página de los que sale; si la información no está, el sistema lo dice.

Cuéntanos qué documentos tienes
Para quién
Equipos legales, de riesgo, cumplimiento y soporte
Empieza con
Una prueba de concepto sobre tus documentos
Después
Un MVP en producción, en tu cuenta de nube
Casos de uso
Cumplimiento, análisis de riesgo, soporte, búsqueda interna

Recuperar bien
es la mitad.

La otra mitad es medir si la respuesta es correcta.

RAG es una forma de usar un modelo de lenguaje sobre tus propios documentos: primero se buscan los fragmentos relevantes y después el modelo responde a partir de ellos, citándolos. Document AI es la parte que convierte PDFs, escaneos y formularios en texto y datos estructurados que se pueden buscar y validar.

  1. IngestaPDFs, escaneos, correos y bases de datos, con OCR donde hace falta.
  2. TroceadoPor la estructura del documento (cláusulas, secciones), no por número de caracteres.
  3. ÍndiceBúsqueda semántica y por palabras clave, reordenada y filtrada por permisos.
  4. EvaluaciónMedimos si recupera el fragmento correcto y si la respuesta se ciñe a él. Aquí es donde se rompen la mayoría de RAG.
  5. PersonaRevisa las respuestas con baja confianza.
  6. RespuestaCon cita al documento y a la página.
Stack habitual
  • Embeddings
  • Búsqueda híbrida
  • Reranking
  • OCR
  • Extracción estructurada
  • Langfuse
  • AWS Bedrock
  • Vertex AI
  • Azure OpenAI
  • Modelos abiertos

Los términos, en una frase

Embeddings
Representación numérica de un texto que permite buscar por significado y no solo por palabras exactas.
Búsqueda híbrida
Combina búsqueda por significado y por palabras clave, para no perder nombres propios, referencias o códigos.
Reranking
Un segundo modelo reordena los resultados por relevancia real antes de pasárselos al modelo de lenguaje.
OCR
Reconocimiento de texto en imágenes y documentos escaneados.
Extracción estructurada
Convertir un documento en campos concretos (fechas, importes, partes) validados contra un esquema.
Fine-tuning y LoRA
Reentrenar un modelo con ejemplos propios; LoRA ajusta solo una pequeña parte del modelo, lo que lo abarata.

Qué te llevas.

  • Pipeline de ingestaConectores a tus fuentes, OCR y troceado adaptado a tus documentos.
  • Índice con permisosCada usuario solo recupera lo que ya puede ver en tus sistemas.
  • EvaluaciónPreguntas reales con respuesta esperada y métricas de recuperación y fidelidad a la fuente.
  • Coste y latencia medidosCoste por consulta y tiempo de respuesta, antes de escalar.
  • El sistema es tuyoCódigo, infraestructura y documentación, en tu repositorio y tu cuenta de nube desde el primer día.

Lo que nos preguntan.

¿Qué documentos podéis procesar?

PDFs nativos y escaneados, Word, correos, hojas de cálculo y contenido de bases de datos o herramientas internas. En la prueba de concepto revisamos una muestra real antes de comprometer nada.

¿Cómo sé que la respuesta es correcta?

Cada respuesta enlaza al fragmento y al documento de origen. Además medimos, con un conjunto de preguntas reales, si el sistema recupera el fragmento correcto y si la respuesta se ciñe a él. Por debajo de un umbral de confianza, responde que no lo sabe o lo pasa a una persona.

¿RAG o fine-tuning?

Para que el modelo use tus datos, casi siempre RAG: se actualiza al momento y cita la fuente. El fine-tuning (por ejemplo con LoRA) sirve para fijar un formato, un estilo o una clasificación muy repetida. A veces combinamos los dos.

¿Dónde se quedan nuestros documentos?

Donde decidas: en tu cuenta de AWS, Google Cloud o Azure, en la región que elijas, o con modelos abiertos en tu propia infraestructura si los datos no pueden salir de ella.

¿El sistema es nuestro?

Sí. El código, la infraestructura y la documentación viven en tu repositorio y en tu cuenta de nube desde el primer sprint. Si quieres, seguimos operándolo y evolucionándolo contigo.

Caso relacionado · Soporte técnicoAgente de soporte con IA
Leer el caso