Integración LLM · RAG
RAG (Retrieval Augmented Generation) conecta Notion, Confluence, Google Drive, SharePoint, tu archivo PDF y tu historial de Slack con ChatGPT, Claude o un bot propio. Las respuestas vienen con cita de fuentes y puntuación de confianza. Sin respuestas adivinadas, sin hechos inventados.
Qué obtienes
No solo conectamos fuentes a un LLM — construimos toda la pipeline de retrieval con automatización de actualización, reranking y monitoreo. Para que el sistema funcione durante meses, no solo en la demo.
Para qué se usa
El gestor consulta el historial del cliente en lenguaje natural en vez de hacer clic en 15 carpetas. Importante: acceso read-only conforme RGPD con audit log, opción on-premise para datos altamente sensibles.
El bot de clientes encuentra el producto correcto entre miles de artículos basándose en descripción natural (material, talla, rango de precio, uso). Respuestas con enlaces y stock.
Los nuevos empleados preguntan a la base de conocimiento en vez de interrumpir a los colegas experimentados. Indexamos hilos de Slack, Notion, Confluence, issues de GitHub. Cita de fuente por respuesta para que cada uno sepa quién tuvo la idea originalmente.
El técnico pregunta a la IA en campo sobre especificaciones, instrucciones de instalación, condiciones de garantía. El archivo PDF con miles de fichas se hace buscable — incluso cuando la palabra exacta no está en el documento.
El bot conserje responde consultas de huéspedes 24/7. Accede a FAQ interna, recomendaciones de insider, datos públicos sobre actividades en Mallorca. Escala a ti en caso de complejidad.
Cómo funciona
Una semana. Repasamos contigo y uno o dos empleados clave todas las fuentes de conocimiento. Valoración por calidad, actualidad y sensibilidad. Resultado: lista de tres a siete fuentes que entran en fase 1.
Construimos la pipeline de indexación. Estrategia de chunking por fuente (documentos largos distinto que FAQ), elección de modelo de embedding según idioma y dominio, setup de base vectorial (pgvector si ya usas Postgres, si no Qdrant self-hosted).
Construimos una test suite con 20-50 consultas reales que nos das antes. Criterio de éxito: 80%+ de consultas respondidas correctamente con la fuente adecuada. Si no, iteramos en chunking, reranking, prompt.
El sistema entra en producción, trackeamos volumen de consultas, tasa de éxito, deriva. Informe mensual. La automatización de actualización corre en background. Ajustamos la pipeline a nuevas fuentes o casos según hace falta.
Precio
Entrada con una fuente de conocimiento (p.ej. solo Notion o solo tu archivo PDF): desde 1.500 EUR único más 99 EUR/mes hosting. Varias fuentes o grandes volúmenes (más de 50.000 documentos) desde 3.500 EUR setup. Informes de monitoreo y detección de deriva incluidos. Costes LLM (OpenAI, Anthropic) corren separadamente en tu cuenta.
Ver precios y paquetesFAQ
RAG (Retrieval Augmented Generation) recupera los documentos relevantes de tu base en cada consulta y los da al LLM como contexto. Fine-tuning incorpora tu conocimiento directamente al modelo. Ventaja de RAG: mantienes el conocimiento actualizado sin reentrenar, tienes cita de fuentes, mantienes control. Fine-tuning requiere más setup y es inusable con datos dinámicos. Para el 95% de casos PYME, RAG es la elección correcta.
Por defecto pgvector si ya usas Postgres (sin servicio extra, bueno hasta unos millones de vectores). Qdrant para volúmenes mayores o requisitos de filtros especiales, self-hosted posible. Weaviate cuando necesitas multi-modal (texto más imágenes). Decidimos según tu volumen de datos y preferencia de hosting, no por hype.
Embeddings: Voyage AI v3 (estándar, muy bueno para alemán e inglés), OpenAI text-embedding-3-large (si ya usas OpenAI), Cohere embed-multilingual-v3 si necesitas muchos idiomas. Capa de respuesta LLM: Claude Sonnet 4.6 para respuestas complejas con contexto largo, GPT-4 para consultas rápidas, modelos locales (Llama 3.3, Mistral) para máxima sensibilidad de datos.
Hosting de base vectorial: 0 EUR si pgvector en tu Postgres, 49-149 EUR/mes si servicio separado. Actualizaciones de embeddings: 5-30 EUR por 100.000 chunks (única vez por actualización). Costes LLM por consulta: 0,005-0,05 EUR según modelo y largo de respuesta. Con 1.000 consultas mensuales estás en 10-50 EUR LLM más hosting. Te damos proyección antes según tu volumen esperado.
Setups simples (una fuente, menos de 10.000 documentos, caso estándar): tres a cuatro semanas desde kick-off a producción. Setups más complejos (varias fuentes, permisos, reranker custom): seis a diez semanas. Tras la auditoría te damos estimación honesta con hitos.
Entonces vamos on-premise o a tu propio cloud (cuenta AWS, Hetzner, etc). Modelo de embedding y LLM pueden correr localmente (Llama, Mistral vía Ollama). Ningún dato sale de tu infraestructura. Hacemos antes análisis de riesgo RGPD y documentamos el setup para que sea auditable.
Siguiente paso
Miramos qué fuentes de conocimiento tienes, si RAG es la palanca correcta para tu caso y qué herramientas recomendaríamos. Sin presión de venta. Si el resultado es *RAG no encaja*, también lo decimos.
