Agente de IA para base de conocimiento

Desafío

Un equipo en crecimiento había acumulado tres años de documentación de la empresa repartida entre carpetas de Google Drive, una wiki en Notion y archivos de correo. El conocimiento institucional estaba encerrado en PDFs y documentos que nadie podía encontrar rápidamente. Los nuevos empleados pasaban sus primeras semanas haciendo a colegas senior preguntas cuyas respuestas técnicamente ya estaban documentadas en algún lugar. Los agentes de soporte reescribían la misma respuesta a la misma pregunta de cliente una y otra vez porque la respuesta canónica no aparecía en ninguna parte.

Opciones consideradas

1. Mejor estructura de carpetas y búsqueda — probado anteriormente. La búsqueda de texto completo ayudaba con palabras clave exactas pero fallaba en preguntas conceptuales como "cuál es nuestra política sobre reembolsos parciales de productos digitales".
2. Herramienta de wiki dedicada (Confluence, Guru) — requería migración manual de los documentos existentes y curaduría continua. La adopción cayó tras tres meses en un intento anterior.
3. Agente de IA con RAG sobre los documentos existentes — elegida. Funciona con los documentos donde ya viven, no requiere migración y responde preguntas en lenguaje natural en lugar de devolver un enlace a una página que el usuario aún debe leer.

Decisión

El agente indexa toda la documentación existente — Google Drive, páginas de Notion, PDFs subidos — en una base de datos vectorial. Un bot de Slack y una interfaz web permiten a los miembros del equipo hacer preguntas en lenguaje sencillo. El agente recupera los fragmentos de documentos relevantes, sintetiza una respuesta y cita el documento fuente con un enlace. Los agentes de soporte tienen un botón "borrador de respuesta al cliente" que genera una respuesta lista para soporte desde la misma base de conocimiento.

Implementación

Una canalización de ingesta de documentos sincroniza Google Drive y Notion vía sus APIs, divide los documentos en segmentos superpuestos y los embebe usando OpenAI Embeddings en un índice de Pinecone. El índice se actualiza de forma incremental cuando los documentos cambian. La capa de recuperación usa búsqueda híbrida — similitud vectorial densa más palabras clave BM25 — para mejorar el recall en entidades nombradas y códigos de producto.

El bot de Slack usa el framework Bolt de Slack y responde en hilos para mantener los canales limpios. La interfaz web añade historial de conversación y un botón de retroalimentación (pulgar arriba/abajo) que registra respuestas de baja calidad para el ajuste de prompts. El modo "borrador de respuesta al cliente" aplica un prompt separado que reformatea la respuesta para audiencias externas, elimina la jerga interna y añade una apertura y un cierre corteses.

Resultado

El tiempo de incorporación de nuevos empleados en la fase de documentación se redujo de 2 semanas a 3 días. El equipo de soporte redujo el tiempo promedio de atención en preguntas de política en 65%. Los miembros senior del equipo reportaron menos interrupciones por preguntas que "ya estaban documentadas en algún lugar". El sistema respondió el 80% de las consultas sin ninguna escalación humana.