Brains y bases de conocimiento para IA: cómo estructurar tu documentación sin generar alucinaciones
Subes los manuales de tu empresa a una plataforma de IA, conectas un agente y esperas respuestas precisas. Sin embargo, el agente se contradice, cita procedimientos que ya no se aplican o se inventa datos que no aparecen en ningún documento. Es fácil pensar que la IA no tiene buena memoria. Casi siempre, el problema está en cómo se han preparado los documentos.
En el capítulo anterior viste cómo redactar instrucciones de sistema robustas. Ahora nos centramos en el otro pilar de un agente fiable: la información que consulta. Verás qué ocurre por dentro cuando subes un documento a un Brain y cómo preparar tu documentación para que el sistema la recupere bien. También tienes un protocolo para que el agente se ciña a sus fuentes y unas pautas para organizar varias bases de conocimiento.
El problema del «vertedero documental»
Hay un patrón que se repite en muchas empresas. Se sube a la plataforma todo lo que hay: PDF de cientos de páginas, presentaciones antiguas, actas de reuniones y hojas de cálculo sin revisar. Cuando el agente empieza a fallar, se culpa a la tecnología.
A esto lo llamamos síndrome del vertedero documental (data dump). No es un fallo de la IA, sino de diseño.
Como vimos en el capítulo 3, un modelo conectado a una base de conocimiento sigue el principio garbage in, garbage out: si entra basura, sale basura. La arquitectura RAG (generación aumentada por recuperación) no arregla los documentos ambiguos, desordenados o contradictorios. Lo que hace es entregárselos al modelo tal como están.
Para que una base de conocimiento funcione como fuente de verdad de tu empresa, tienes que preparar la información antes de subirla.
Documentación original
↓
Revisión y limpieza (en Markdown)
↓
Indexación (embeddings)
↓
Recuperación de fragmentos relevantes
↓
Respuesta basada en fuentes verificables
Qué ocurre cuando subes un documento a un Brain
Para mejorar una base de conocimiento, primero conviene entender su funcionamiento. El proceso tiene cuatro fases.
1. Fragmentación (chunking)
El sistema divide cada documento en bloques más pequeños. Su tamaño varía según la plataforma, pero suele estar entre unos cientos y unos mil tokens.
Si el documento está mal estructurado, un fragmento puede cortar una frase por la mitad o separar una tabla de su título. Ese fragmento pierde el sentido.
2. Vectorización (embeddings)
Cada fragmento se convierte en un vector, es decir, una lista de números que representa su significado. Como vimos en el capítulo 1, esto permite medir lo parecidas que son dos ideas aunque usen palabras distintas.
3. Recuperación por similitud
Cuando haces una pregunta, el sistema también la convierte en un vector. Después busca los fragmentos cuyo significado se parece más al de tu pregunta. Algunas plataformas combinan esta búsqueda con la búsqueda por palabras clave.
4. Inyección en el contexto
Los fragmentos recuperados se añaden a la ventana de contexto del modelo, junto a la instrucción de sistema. El modelo no recuerda tus documentos. Lee solo esos fragmentos en el momento de responder.
La consecuencia práctica: si los fragmentos recuperados se contradicen o tienen ruido, el modelo trabaja con premisas erróneas. Por ruido entendemos encabezados rotos, pies de página repetidos o errores de escaneo (OCR). La respuesta puede parecer segura y estar mal.
Tres principios para estructurar un Brain profesional
1. Convierte tus documentos a Markdown
El PDF está pensado para verse bien en pantalla o en papel, no para que una máquina lo interprete. Mezcla columnas, números de página, encabezados repetidos y tablas que se extraen mal.
Mejor práctica: convierte tus manuales y procedimientos clave a Markdown (.md), un formato de texto sencillo con una estructura clara.
Usa encabezados jerárquicos de forma estricta:
markdown
# Manual de operaciones ## Sección 4. Devoluciones ### 4.2 Plazos para clientes del Plan Empresa
Así, al fragmentar el documento, cada párrafo mantiene su relación con el tema al que pertenece. Revisa también que las tablas se conserven bien y que los títulos estén junto a su contenido.
2. Haz que cada sección se entienda por sí sola
Cada sección debería tener sentido aunque se lea aislada. El sistema puede recuperar un fragmento sin el texto que lo precede.
Redacción poco útil para la IA:
«En el caso mencionado anteriormente, la cuota será del 15 %».
Redacción útil para la IA:
«Para los clientes del Plan Empresa B2B (descrito en la sección 2), la cuota de renovación anual es del 15 % sobre la tarifa base».
Algunas pautas para conseguirlo:
- Repite el sujeto. Sustituye «este plan» o «dicho cliente» por el nombre concreto.
- Evita las referencias vagas como «lo anterior», «como ya se ha dicho» o «ver arriba».
- Define los términos internos la primera vez que aparecen en cada sección importante.
- Una idea por sección. Si una sección trata tres temas, divídela.
3. Mantén una sola versión vigente
Si en el mismo Brain conviven Politica_Devoluciones_2023.pdf y Politica_Devoluciones_2025.pdf, el sistema recuperará fragmentos de los dos porque se parecen mucho. El modelo puede mezclar reglas incompatibles en una misma respuesta.
Regla básica: un Brain debe contener una única versión vigente de cada documento. Las versiones anteriores deben eliminarse o guardarse en un archivo fuera de la base operativa.
Para mantener el orden con el tiempo:
- Asigna una persona responsable de cada documento.
- Añade al inicio la fecha de la última revisión y el número de versión.
- Revisa el Brain de forma periódica y cada vez que cambie una política.
- Elimina los borradores, actas y documentos de trabajo que no sean normas vigentes.
Protocolo para que el agente se ciña a sus fuentes
Una base de conocimiento bien preparada debe ir acompañada de instrucciones de sistema que obliguen al agente a basarse en ella. Es lo que se conoce como anclaje a las fuentes (grounding).
Puedes incluir en la instrucción de sistema un bloque como este:
PROTOCOLO DE RECUPERACIÓN Y ANCLAJE A FUENTES 1. Basa tus afirmaciones únicamente en los fragmentos recuperados de tu base de conocimiento (Brain). 2. Si la documentación no contiene datos suficientes para responder, no deduzcas ni completes lagunas. Indica de forma explícita qué dato concreto falta. 3. En cada afirmación numérica, técnica o de procedimiento, cita la sección exacta del documento de origen. Ejemplo: [Manual de operaciones - Sección 4.2]
Este protocolo hace que el modelo trabaje en modo extracción y síntesis. Así deja mucho menos espacio para rellenar huecos con información inventada.
Recuerda, eso sí, que reduce mucho el riesgo de alucinación, pero no lo elimina. El modelo puede interpretar mal un fragmento o citar una sección equivocada. Por eso:
- Comprueba las citas en las respuestas importantes.
- Haz pruebas con preguntas cuya respuesta conoces y con preguntas que el Brain no puede responder.
- Registra qué fragmentos se recuperaron en cada respuesta. Como vimos al hablar de los sistemas de alto riesgo, esta trazabilidad te permite reconstruir por qué el agente dijo lo que dijo.
Brains especializados en lugar de uno gigante
No crees una única base de conocimiento para toda la empresa. Cuantos más temas mezcla un Brain, más probable es que el sistema recupere fragmentos que no vienen al caso.
Es mejor diseñar bases de conocimiento por función, cada una conectada al agente que la necesita:
EMPRESA
│
┌────────────────┼────────────────┐
▼ ▼ ▼
BRAIN TÉCNICO BRAIN COMERCIAL BRAIN NORMATIVO
· Manuales de · Tarifas y · Políticas internas
producto condiciones · Contratos tipo
· Procedimientos · Casos de éxito · Cumplimiento
y APIs y preguntas normativo
frecuentes
│ │ │
▼ ▼ ▼
Agente de Agente Agente de
soporte comercial operaciones
- Mejora la precisión, porque cada agente busca solo en su ámbito.
- Facilita el mantenimiento, porque cada Brain tiene sus propios responsables.
- Protege la información sensible, porque puedes limitar quién accede a cada base. Por ejemplo, los datos de recursos humanos no deberían estar al alcance del agente comercial.
Si tus documentos contienen datos personales, recuerda también el RGPD: sube solo los datos necesarios y revisa las condiciones de la plataforma, como vimos al hablar de la soberanía del dato.
Lista rápida para revisar tu Brain
Antes de conectar una base de conocimiento a un agente, comprueba que:
- Solo contiene documentos vigentes y necesarios.
- Hay una sola versión de cada política o procedimiento.
- Los documentos clave están en Markdown con encabezados claros.
- Cada sección se entiende sin leer las anteriores.
- Las tablas conservan sus títulos y se leen bien.
- Cada documento tiene responsable, fecha y versión.
- La instrucción de sistema obliga a citar fuentes y a declarar lo que falta.
- Has probado el agente con preguntas que el Brain puede y no puede responder.
Conclusión
La memoria de un agente es tan buena como los documentos que le das. Si conviertes tus manuales a un formato claro, redactas secciones que se entienden solas y mantienes una única versión vigente de cada documento, el sistema recupera mejor la información. Si además obligas al agente a citar sus fuentes y lo conectas solo a la base de conocimiento que le corresponde, tu documentación se convierte en una fuente de verdad fiable.
¿Quieres organizar tu documentación en bases de conocimiento que tus agentes puedan usar con fiabilidad? Visita libertadia.com y regístrate en la aplicación.