Base de conocimiento de un agente de IA: qué incluir y cómo mantenerla

En una empresa, la expresión «base de conocimiento» designa a menudo un centro de ayuda o una wiki interna, que consultan personas. Para un agente de IA, el sentido es parecido pero el uso es distinto: la base la lee un programa que, ante cada pregunta, busca los pasajes pertinentes y los utiliza para redactar su respuesta. En este funcionamiento, no sirve para entrenar el modelo: se le proporciona en el momento de responder y, por tanto, puede corregirse en cualquier momento.

Reúne dos tipos de contenido: la información, es decir, lo que usted ofrece, en qué condiciones, dónde y cuándo; y las instrucciones, que indican cómo debe comportarse el agente, qué debe rechazar y cuándo debe pasar el relevo.

El principio tiene nombre: generación aumentada por recuperación, o RAG por sus siglas en inglés. La expresión procede de un artículo de Patrick Lewis y sus coautores, presentado en la conferencia NeurIPS en 2020. Los autores constatan que los grandes modelos de lenguaje almacenan conocimientos en sus parámetros, pero les cuesta acceder a ellos con precisión, indicar la procedencia de sus respuestas y actualizar esos conocimientos. Proponen combinar esa memoria interna con una memoria externa, un índice de documentos (artículos de Wikipedia en sus experimentos) consultado en el momento de responder; en sus tareas de generación, las respuestas obtenidas eran más específicas, más variadas y más factuales que las de un modelo de referencia sin recuperación.

Aun así, una base de conocimiento no elimina todos los errores. Un artículo de investigación publicado en 2025 (Kalai et al.) sostiene que los modelos de lenguaje a veces adivinan cuando no están seguros en lugar de reconocerlo, porque su entrenamiento y su evaluación recompensan el intento de respuesta: si la información falta en la base, el riesgo de una respuesta inventada persiste. Por eso la base debe completarse con una instrucción explícita: decir «no lo sé» y proponer transmitir la solicitud. OWASP señala además que la recuperación de documentos no impide por completo las inyecciones de instrucciones, y que fuentes contradictorias pueden provocar conflictos de conocimiento.

Parta de las preguntas que sus clientes hacen realmente: mensajes recibidos, llamadas, solicitudes de presupuesto. Para cada una, compruebe que la base contiene una respuesta validada. En general se incluye: la presentación de la empresa y sus actividades, los servicios y lo que incluyen, la zona de actuación, los horarios y los periodos de cierre, el funcionamiento de las citas, las condiciones públicas (plazos, garantías, documentos que hay que aportar), las preguntas frecuentes y sus respuestas.

Añada las instrucciones de comportamiento: temas que no se deben tratar, formulaciones que hay que evitar, compromisos que el agente nunca debe asumir (un precio cerrado, un plazo garantizado) y qué hacer cuando la solicitud supera su ámbito. Precise también lo que el agente debe recoger antes de transmitir una solicitud: nombre, medio de contacto, motivo.

Una información por pasaje, formulada de forma autónoma: «Trabajamos en Toulouse y en los municipios limítrofes» es mejor que una remisión a un mapa. Prefiera títulos explícitos, frases completas y documentos cuyo texto se pueda seleccionar en lugar de imágenes escaneadas. Evite las tablas complejas, la información dispersa en varios lugares y, sobre todo, los duplicados: dos versiones de una misma tarifa o de un mismo horario acabarán contradiciéndose.

Ponga fecha a los contenidos vinculados a un periodo, como un horario de verano o una oferta temporal, y retírelos a su vencimiento. Si su sitio web sirve de fuente, compruebe que también está actualizado: el agente repetirá sus errores.

Ni datos personales de clientes ni secretos. El RGPD exige que los datos personales sean adecuados, pertinentes y limitados a lo necesario en relación con los fines: es el principio de minimización. Un historial nominativo de clientes no tiene cabida en la base de un agente que informa al público. Tampoco contraseñas, claves de acceso, procedimientos internos de seguridad ni información financiera confidencial.

OWASP incluye la divulgación de información sensible entre los riesgos principales de las aplicaciones de modelos de lenguaje, y recuerda que las instrucciones que prohíben al modelo revelar ciertos datos pueden eludirse. Lo más seguro es, por tanto, que esos datos nunca sean accesibles para el agente. La ANSSI, la agencia nacional de ciberseguridad de Francia, pide que el sistema de IA integre los derechos de acceso y el respeto de la «necesidad de conocer» en las respuestas que da: un usuario no debe poder obtener, a través del agente, una información que no tiene derecho a consultar.

Por último, desconfíe de los documentos cuyo origen no controla. OWASP describe el caso de un currículum que contiene un texto oculto, escrito en blanco sobre fondo blanco, que da instrucciones al sistema encargado de leerlo: todo documento debe verificarse antes de entrar en la base.

Designe a un responsable de la base y un ritmo de revisión. Cada cambio en la empresa, ya sea un nuevo servicio, una nueva tarifa o un cierre excepcional, debe dar lugar a una actualización. Revise con regularidad las preguntas a las que el agente no ha sabido responder: revelan las carencias de su base.

Antes de la puesta en marcha, compruebe que todas las preguntas frecuentes reales tienen una respuesta validada, que ninguna información figura por duplicado, que los contenidos temporales están fechados, que no figura ningún dato personal de clientes ni ningún secreto, que la instrucción de no responder y transmitir la solicitud está escrita y que el agente se ha probado con preguntas fuera de su ámbito.

En Alyas, la base de conocimiento se crea a partir de la dirección de su sitio web, de un texto libre o de documentos PDF. El agente, tanto por teléfono como en el chat de su sitio web, responde a partir de esa información; si no sabe algo, lo dice y propone transmitir la solicitud recogiendo los datos de contacto. Por teléfono, anuncia que es una IA y que la llamada se graba; las grabaciones, transcripciones y resúmenes de las llamadas se alojan en la Unión Europea. Puede probarlo 10 días, sin tarjeta bancaria.