# RAG con tu documentación: chatbot que solo responde con tu info

_Published: 2026-09-11_

Un chatbot conectado a GPT sin más responde con lo que sabe el modelo entero, que es internet hasta 2024. Si le preguntas por tu producto te puede contestar mezclando datos reales con inventados. RAG (Retrieval Augmented Generation) lo arregla: el chatbot solo responde basándose en tu documentación verificada.

**En 1 frase:** RAG es una técnica que combina búsqueda en tu documentación (retrieval) con generación de respuesta por un LLM. El LLM no inventa: solo reformula lo que ya está en tus documentos.

## Por qué un chatbot conectado a GPT sin más es peligroso

El error más común al implantar un chatbot en una empresa: enchufar GPT-4 (o Claude, o Mistral) directamente a una interfaz de chat sin más configuración, asumir que "es muy inteligente" y dejarlo responder a clientes. Funciona razonablemente bien para preguntas genéricas ("¿qué es un CRM?", "¿cómo se hace un balance?"). Pero falla espectacularmente para todo lo que tiene que ver con tu empresa concreta.

Los modelos de lenguaje generalistas:

- No saben tu catálogo de producto: si tu CRM tiene 4 planes con precios y condiciones específicas, el modelo no los conoce.
- No saben tu pricing actualizado: lo que invente lo basa en datos generales, probablemente inexactos.
- No saben tus condiciones de servicio: política de devoluciones, SLA, garantía. Cero contexto.
- Si insistes en preguntar, "alucinan": inventan una respuesta plausible pero falsa con tono confiado.
- El usuario se cree la respuesta, ejecuta lo que dice y termina con expectativa fallida o, peor, decisión basada en información incorrecta.

Esto no es teoría. Empresas reales han tenido que rectificar promesas que el chatbot hizo: descuentos inventados, plazos imposibles, funcionalidades que no existen. La reputación se daña; en algunos casos hubo que cumplir lo prometido por el chatbot porque legalmente era oferta vinculante.

RAG (Retrieval Augmented Generation) es la técnica estándar para evitar este problema: el chatbot solo responde basándose en tu documentación verificada, no en lo que sabe el modelo de su entrenamiento general.

## Qué es RAG y cómo funciona paso a paso

RAG combina dos sistemas: una **base de conocimiento vectorial** con tu documentación indexada y un **modelo de lenguaje** que genera respuestas pero solo a partir de lo que la base le proporciona en cada pregunta.

### Flujo técnico

1. Ingesta: subes tu documentación al sistema (PDFs, páginas web, FAQs, manuales internos, posts de blog, política de servicio).
2. Trocheado (chunking): cada documento se divide en trozos de 500-1.000 palabras con cierto solapamiento entre ellos.
3. Vectorización: cada trozo se convierte en un vector numérico (embedding) que representa su significado semántico.
4. Indexación: los vectores se almacenan en una base de datos vectorial (Pinecone, Weaviate, Qdrant, pgvector).
5. Pregunta del usuario: el usuario hace una pregunta en el chat.
6. Vectorización de la pregunta: la pregunta se convierte en vector con el mismo modelo de embedding.
7. Retrieval (búsqueda semántica): el sistema busca los 3-5 trozos de documentación más similares semánticamente a la pregunta.
8. Generación: el LLM recibe la pregunta + los trozos recuperados como contexto y genera respuesta basándose solo en ellos.
9. Citación: la respuesta incluye links o referencias a los documentos fuente exactos.

El resultado: respuestas grounded en tu información verificada, no en lo que el modelo se invente. Si la información no está en tu base, el chatbot dice "no tengo esa información" en lugar de alucinar.

## Qué documentos meter en tu base de conocimiento (y qué NO)

### Buenos candidatos para tu base RAG

- FAQs actualizadas: la fuente más directa de "preguntas frecuentes" reales.
- Manuales de producto: cómo se usa, funcionalidades, configuración.
- Documentación técnica: API, integraciones, troubleshooting.
- Condiciones de servicio y políticas: SLA, devoluciones, garantía, RGPD.
- Catálogo con descripciones: planes, precios, qué incluye cada uno.
- Posts de blog técnicos y educativos sobre tu sector.
- Casos de uso reales: testimonios y casos prácticos publicables.
- Onboarding y guías de inicio: documentos para nuevo usuario.

### Qué NO meter (importantísimo)

- Documentos obsoletos: si los metes, el chatbot los citará con autoridad y dará información incorrecta. Limpia primero.
- Información confidencial que no debe llegar al usuario público: roadmap interno, salarios, contratos con proveedores.
- Documentos con datos personales de clientes o empleados: violación RGPD inmediata.
- Borradores o documentos en revisión: solo lo aprobado y publicado.
- Notas internas tipo Slack o conversaciones: contienen sesgos, frases informales, decisiones no oficiales.
- Información que cambia muy rápido sin proceso de actualización: precios diarios, disponibilidad de stock por horas.

## Buenas prácticas que separan un chatbot bueno de uno mediocre

- Gobernanza del contenido: define un responsable por categoría de documentos. Sin propietario, la base se desactualiza.
- Revisión periódica: trimestral mínimo. Borrar lo obsoleto, actualizar lo cambiado, añadir lo nuevo.
- Tono y estilo unificado: si tus documentos están escritos en estilos muy distintos, el chatbot dará respuestas de tono incoherente. Limpia y unifica.
- Documentos cortos y bien estructurados: párrafos claros, encabezados, listas. Los chunks resultantes son más útiles.
- Etiquetar por audiencia: documentos para usuarios finales vs documentos para administradores vs documentos técnicos. El chatbot puede filtrar según contexto del usuario.
- Versionado: cuando actualizas un documento, mantén histórico para auditoría. El chatbot usa el último; tú tienes registro de cambios.
- Test de regresión: define 30-50 preguntas representativas de tus clientes y validar respuestas tras cada actualización mayor.
- Fallback claro: si la pregunta está fuera del scope, el chatbot dice "no tengo esa información" y ofrece derivar a humano. Nunca inventar.

## Cómo lo monta REPLAI Chatbot

En REPLAI Chatbot el flujo de implantación es:

1. Subes tu documentación: drag-and-drop de PDFs, conexión con tu web mediante crawler que indexa páginas automáticamente, o conexión con tu sistema de ayuda (Zendesk, Intercom, Notion).
2. Procesamiento automático: el sistema trocea, vectoriza e indexa todo. Minutos para 200-500 documentos.
3. Definición de tono y personalidad del chatbot: formal/cercano, idiomas activos, fallback cuando no sabe.
4. Configuración de derivación a humano: en qué casos abrir ticket de soporte (frustración detectada, pregunta fuera de scope, cliente VIP).
5. Test y ajuste: lanzas internamente, validas respuestas con tu equipo, ajustas documentación que no rinda.
6. Publicación: chatbot disponible en tu web, app o canal embebido.

### Características que aporta REPLAI

- Cada respuesta cita las fuentes con link clickable.
- Si la pregunta está fuera del scope, dice "no tengo esa información" sin inventar.
- Conectores con CRM: cuando un usuario hace una pregunta relevante para ventas, queda registrada como interés en la ficha del contacto.
- Derivación inteligente a humano: el chatbot puede pasar la conversación a un agente real con todo el contexto previo.
- Multi-idioma: si tu base está en varios idiomas, responde en el del usuario.
- Analítica integrada: qué preguntan más, qué temas tienen baja confianza, dónde derivar más.

## Errores frecuentes al implantar RAG

- Meter toda la documentación sin curar. Si subes 2.000 documentos sin revisar, el chatbot cita los obsoletos. Calidad > cantidad.
- No definir caso de uso claro. Si el chatbot intenta resolver soporte técnico, ventas y consultas legales a la vez, hace los tres mal. Empieza acotado.
- No tener plan de actualización. La base se desactualiza en 6 meses sin gobernanza. Define proceso desde el día 1.
- Confiar ciegamente en el modelo. Aunque RAG reduce alucinaciones, no las elimina al 100%. Test de regresión trimestral.
- No medir resultado. Sin métricas (tasa de respuesta útil, derivaciones a humano, satisfacción) no sabes si funciona.
- Esperar perfección desde el día 1. RAG bien implantado mejora con iteración. Lanza pronto, ajusta.

## Preguntas frecuentes

¿RAG es lo mismo que fine-tuning?No, son técnicas distintas con propósitos distintos. Fine-tuning entrena el modelo con tus datos para que "aprenda" tu dominio (cambia los pesos del modelo). RAG no entrena nada; solo recupera contexto relevante de tu documentación y se lo pasa al modelo en cada pregunta. RAG es más barato, más rápido de iterar y mucho más fácil de mantener (actualizas documentos, el chatbot los usa al instante). Fine-tuning tiene sentido solo en casos muy específicos de tono o estilo muy técnico.

¿Cada cuánto debo actualizar la documentación del chatbot?Cuando cambie en tu producto o procesos. RAG es reactivo: si subes la nueva versión de la FAQ esta tarde, el chatbot la usa desde ese momento sin necesidad de re-entrenar nada. Lo importante es tener gobernanza: alguien responsable de cada categoría que revise trimestralmente y actualice cuando hay cambios. Sin gobernanza, la base se desactualiza en 6 meses.

¿Funciona en varios idiomas a la vez?Sí. Si tu documentación está en varios idiomas (español, inglés, catalán, francés), el chatbot detecta el idioma del usuario y responde en ese idioma usando los trozos relevantes en ese idioma o, si falta documentación en uno, traduciendo desde otro. El modelo de embeddings multilingüe permite encontrar correspondencia semántica entre idiomas.

¿Cuánto tiempo lleva configurarlo bien?Indexar 200-500 documentos en REPLAI Chatbot toma minutos. Configurar el flujo conversacional, validar respuestas, definir derivaciones y refinar prompt típicamente lleva entre 2 y 4 semanas para una PYME. La mayor parte del tiempo es validación de respuestas con casos reales, no setup técnico. Una vez en producción, mantenimiento son 2-4 horas al mes.

### ¿Quieres un chatbot conectado a tus datos reales?

REPLAI Chatbot usa RAG sobre tu documentación, deriva a humano cuando hace falta y conecta con tu CRM. Pruébalo gratis 30 días.

[Prueba REPLAI 30 días gratis](https://app.replai.net/signup)
[Conocer REPLAI Chatbot →](https://replai.net/chatbot/)