Loading…
ES/EN
En toda empresa hay personas que se convierten en cuellos de botella porque son las únicas que saben responder ciertas preguntas: políticas de RRHH, condiciones de precios para clientes, pasos de procesos internos. Un agente de IA entrenado sobre la base de conocimiento de la empresa puede responder esas preguntas directamente, liberando tiempo de las personas que hoy las absorben. El desafío está en construirlo bien: con una fuente de conocimiento ordenada y con expectativas claras sobre lo que el agente puede y no puede hacer.
Hay un patrón que se repite en casi todas las empresas medianas: existe una persona — o a veces dos — a quienes el equipo acude constantemente con preguntas operativas.
"¿Cuántos días de vacaciones corresponden después del primer año?" "¿Qué precio le damos a un cliente que compra más de 50 unidades?" "¿Cómo se maneja una devolución cuando el producto ya fue instalado?"
La persona que recibe esas preguntas las responde bien y rápido porque tiene el conocimiento. Pero ese conocimiento está en su cabeza, no en ningún sistema. Y cada interrupción — por mínima que parezca — fragmenta su tiempo de trabajo.
El costo de esto no aparece en ningún reporte. Nadie contabiliza cuántas veces al mes el gerente de operaciones tuvo que pausar una tarea importante para responder algo que ya respondió la semana pasada. Pero el costo es real y acumulable.
Un agente de IA para preguntas internas es una solución directa a este problema. No reemplaza a la persona — sigue necesitando que esa persona construya y mantenga la base de conocimiento. Pero sí elimina la mayor parte de las interrupciones de primer nivel.
Un agente de conocimiento interno es un sistema conversacional que responde preguntas usando una base de documentos curada por la empresa. La persona hace una pregunta en lenguaje natural — en WhatsApp, Slack, o un chat interno — y el agente busca la respuesta en los documentos que tiene disponibles.
No es un buscador de palabras clave. No es un chatbot con respuestas predefinidas. Es un sistema que entiende la pregunta, busca el fragmento de información más relevante en la base de conocimiento, y genera una respuesta en lenguaje natural con base en ese contexto. Para que funcione bien, los datos tienen que estar en orden: hay que ordenar los datos antes de implementar IA.
Los componentes técnicos que lo hacen posible:
El agente solo puede responder bien preguntas cuya respuesta esté en los documentos que tiene disponibles. Eso significa que el primer trabajo no es técnico — es editorial. Hay que identificar qué preguntas se hacen con más frecuencia, dónde vive esa información hoy (si es que está documentada en algún lugar), y cómo organizarla de manera clara.
Los formatos más comunes para la base de conocimiento son documentos de texto, PDFs, páginas de Notion, o tablas de precios exportadas. Lo importante es que el contenido sea preciso, actualizado y bien redactado. Un agente que trabaja sobre documentos desactualizados o contradictorios va a dar respuestas incorrectas con total confianza.
Los documentos no se buscan por palabras clave exactas. Se convierten en representaciones numéricas (embeddings) que capturan su significado. Cuando llega una pregunta, el sistema busca los fragmentos de texto cuyo significado es más similar a la pregunta, independientemente de que las palabras exactas coincidan.
Esto permite que el agente entienda que "¿cuántos días libres tengo?" y "¿cuál es la política de vacaciones?" son variantes de la misma pregunta, aunque usen vocabulario diferente.
El agente puede vivir en distintos canales dependiendo de dónde trabaje el equipo. Las opciones más comunes para empresas medianas en LatAm:
La elección del canal importa porque afecta la adopción. El agente más sofisticado no sirve si el equipo no lo usa porque está en una herramienta que no forma parte de su flujo de trabajo habitual.
Una empresa de consultoría con 60 empleados tiene tres personas que absorben la mayor parte de las preguntas internas: la coordinadora de RRHH, el gerente comercial y la directora de operaciones.
Las preguntas más frecuentes a RRHH: vacaciones, permisos, proceso de reembolso de gastos, fechas de pago. A comercial: condiciones de descuento por volumen, cómo manejar una solicitud de cliente fuera del scope del contrato. A operaciones: pasos para entregar un proyecto, cómo escalar un problema con un proveedor.
Toda esa información existía dispersa: parte en correos archivados, parte en una carpeta de Drive sin estructura clara, parte nunca escrita. El primer paso fue documentar esa información en un formato consistente — no como un manual formal, sino como respuestas directas a las preguntas reales que se hacen.
Con esa base, el agente puede responder el 70 o 75 por ciento de las preguntas de primer nivel directamente. Las preguntas que quedan son excepciones — casos que la política estándar no cubre, situaciones que requieren juicio, conversaciones sobre contexto específico de un cliente o proyecto. Esas sí llegan a la persona indicada, pero con mucha menos frecuencia.
Es igual de importante saber qué esperar que saber qué no esperar.
No responde preguntas cuya respuesta no está en los documentos. Si alguien pregunta sobre un cliente específico y esa información no está en la base de conocimiento, el agente no lo sabe. No adivina ni inventa — simplemente indica que no tiene esa información. Esto es un comportamiento correcto, pero requiere configurarlo bien para que no haga lo contrario.
No maneja excepciones con buen juicio. Si la política de devoluciones dice "30 días" pero el cliente es estratégico y el contexto amerita flexibilidad, el agente va a citar los 30 días. El juicio sobre cuándo hacer una excepción sigue siendo humano.
No reemplaza decisiones. Un agente de conocimiento informa; no decide. Si la pregunta implica elegir entre opciones o evaluar un riesgo, la respuesta del agente es punto de partida para una conversación, no el final.
No se mantiene solo. La base de conocimiento necesita actualizarse cuando cambian las políticas, los precios o los procesos. Si nadie mantiene los documentos, el agente empieza a dar respuestas desactualizadas. Alguien en la empresa tiene que ser responsable de ese mantenimiento.
Antes de construir el agente, vale la pena hacer tres preguntas:
¿Sabes cuáles son las preguntas internas más frecuentes? Si no tienes claridad sobre eso, el primer paso es mapear las interrupciones durante dos o tres semanas antes de construir nada.
¿Existe la información en alguna forma documentada? Si la respuesta a las preguntas más frecuentes solo existe en la cabeza de una persona y nunca ha sido escrita, el primer trabajo es documentarla — independientemente de si vas a construir un agente o no.
¿Hay alguien que pueda ser responsable de mantener la base de conocimiento? Un agente sin mantenimiento se convierte rápidamente en un generador de respuestas incorrectas. Esa responsabilidad tiene que estar asignada antes de lanzar.
Si las tres respuestas son sí, el agente puede construirse con relativa velocidad y aportar valor visible desde las primeras semanas de uso.
¿Tu equipo tiene preguntas internas que consumen tiempo de personas clave? En una sesión de diagnóstico identificamos cuáles son esas preguntas, revisamos si la base de conocimiento existe o hay que construirla, y definimos qué canal de despliegue tiene más sentido para tu empresa.
MÁS EN ESTA CATEGORÍA
Qué es un sistema de ticketing interno y cuándo necesitas uno
Qué es un sistema de ticketing interno, qué problemas resuelve y cuándo tiene sentido implementarlo en una empresa mediana. Para directivos de operaciones en LATAM.
Cómo construir un reporte semanal de operaciones que se genera solo
Guía para eliminar el reporte operativo manual con un sistema que recopila, estructura y distribuye datos sin intervención humana. Para empresas en LATAM.
Qué automatizar primero cuando tu empresa tiene 20-50 personas
Framework para identificar el primer proceso a automatizar en empresas medianas: frecuencia, tiempo y costo de error. Candidatos típicos y por qué empezar pequeño funciona