Resumen
Muchos proyectos RAG no fracasan por la IA en sí, sino porque se buscan demasiados documentos sin un control suficiente del contexto. Las respuestas precisas dependen de un buen context engineering, en el que primero se identifican informaciones relevantes como el modelo del producto, el tipo de cliente o la versión del software antes de realizar cualquier búsqueda. Al limitar de forma dirigida el ámbito de búsqueda, se pueden reducir significativamente los falsos positivos, la información contradictoria y las alucinaciones. RAG solo se convierte en un sistema fiable cuando los documentos correctos se seleccionan en el contexto adecuado para el llamante correspondiente.
RAG no es una varita mágica
Retrieval Augmented Generation, o RAG, se ha convertido en una de las tecnologías más importantes para los asistentes telefónicos modernos con IA. Las empresas suben sus bases de conocimiento, manuales, documentación de producto o material de soporte y esperan que la IA responda correctamente a cualquier pregunta después.
En la práctica, sin embargo, muchos proyectos RAG no fallan por la IA en sí, sino por una configuración incorrecta del contexto.
Un error típico consiste en subir todos los documentos disponibles a una única base de conocimiento y asumir que el modelo de lenguaje grande elegirá automáticamente la información correcta.
Por desgracia, eso rara vez funciona de forma fiable.
El verdadero problema: context engineering
Quien desarrolla asistentes telefónicos con IA necesita entender qué significa context engineering.
El context engineering es el arte y la disciplina de proporcionar al modelo de lenguaje exactamente la información que necesita para la tarea actual, ni más ni menos.
Un modelo de lenguaje responde preguntas en función del contexto que recibe. Si ese contexto se construye mal, las respuestas incorrectas son inevitables.
Muchas personas se centran solo en el retrieval, es decir, en la idea de que "la IA encuentra la información". Olvidan la pregunta mucho más importante:
¿La IA encuentra la información correcta en el contexto correcto?
Un ejemplo clásico de atención al cliente
Tomemos como ejemplo un fabricante o distribuidor de cafeteras.
El sistema RAG contiene los manuales de todos los modelos disponibles:
- Modelo A
- Modelo B
- Modelo C
- Modelo D
Un cliente llama y pregunta:
¿Después de cuántas tazas debo hacer el mantenimiento?
Técnicamente, el retrieval funciona al principio. La IA encuentra varios fragmentos relevantes en los manuales subidos.
El problema es que cada modelo tiene intervalos de mantenimiento distintos.
- Modelo A: mantenimiento después de 500 tazas
- Modelo B: mantenimiento después de 1.000 tazas
- Modelo C: mantenimiento después de 750 tazas
- Modelo D: mantenimiento después de 1.500 tazas
Como todos los documentos contienen información similar, la IA puede usar por error un fragmento del manual equivocado.
El resultado es una respuesta que suena plausible, pero que puede ser incorrecta.
Por qué el retrieval por sí solo no basta
Muchas personas creen que RAG resuelve el problema automáticamente.
Eso es un malentendido.
RAG solo responde a la pregunta:
¿Qué documentos podrían ser relevantes?
Pero no responde:
¿Qué documento es el correcto para este llamante concreto?
Esa capa adicional debe crearla el flujo conversacional del asistente telefónico.
El enfoque correcto: identificar primero, buscar después
En lugar de buscar de inmediato en la base de conocimiento, el asistente telefónico con IA debería determinar primero la información crítica:
¿De qué modelo se trata?
El flujo de conversación podría ser así:
Llamante: "¿Después de cuántas tazas debo hacer el mantenimiento?"
Asistente: "¿Para qué modelo necesita la información?"
Llamante: "Para la CoffeeMaster X200."
Solo entonces debe realizarse la búsqueda en la base de conocimiento.
Pero ya no en todos los documentos subidos. La búsqueda debe limitarse solo al manual de la CoffeeMaster X200.
Eso reduce drásticamente el espacio de búsqueda y aumenta mucho la probabilidad de una respuesta correcta.
Menos contexto suele significar mejores respuestas
Otro error común es:
Cuantos más documentos suba, mejor será la IA.
En realidad, muchas veces ocurre lo contrario.
Si hay muchos documentos similares, aumenta el riesgo de:
- información contradictoria
- coincidencias falsas
- alucinaciones
- mezcla de variantes de producto
- respuestas inciertas
Un buen context engineering a menudo significa excluir información de forma deliberada.
La mejor respuesta no viene del contexto más grande, sino del contexto más relevante.
Cómo implementarlo en VoiceBooker
En VoiceBooker, este problema puede resolverse de forma muy sencilla.
En lugar de buscar siempre de forma global en la base de conocimiento, primero se puede determinar el producto o modelo correcto.
Después, la búsqueda se limita solo a los documentos relevantes.
Para ello, VoiceBooker ofrece la función kbLookup.
Con kbLookup, se puede pasar un array de documentos que define la base de búsqueda.
Así es posible restringir la búsqueda, por ejemplo, a:
- solo el manual del modelo X de lavadora
- solo los documentos de la cafetera modelo Y
- solo los manuales de una serie de productos concreta
El asistente telefónico con IA recibe así solo la información que es relevante para el llamante actual.
Otros errores comunes en sistemas RAG
1. No cualificar previamente al llamante
Muchos desarrolladores dejan que la IA busque de inmediato, aunque todavía falte información importante.
Ejemplos:
- ¿Qué producto tiene el cliente?
- ¿Qué versión de software se usa?
- ¿Para qué país aplica la consulta?
- ¿Se trata de un cliente particular o de empresa?
Sin esta información, la IA suele buscar en un conjunto de datos demasiado grande.
2. Mezclar tipos distintos de documentos
Es habitual guardar manuales, instrucciones internas, material de marketing y especificaciones técnicas en la misma base de conocimiento.
Eso genera conflictos, porque una misma pregunta puede responderse de forma distinta según el documento.
3. Buscar en demasiados documentos
Muchas empresas suben miles de documentos y esperan resultados perfectos.
Cuanto mayor es el espacio de búsqueda, más difícil le resulta al sistema de retrieval identificar la información realmente relevante.
4. No usar metadatos
Los documentos deberían llevar metadatos como:
- nombre del producto
- número de modelo
- tipo de producto
- idioma
- país
- versión del documento
Esta información permite acotar las búsquedas con mucha más precisión.
5. Confiar ciegamente en los resultados de búsqueda
Que el sistema de retrieval haya encontrado un fragmento no significa automáticamente que ese fragmento contenga la respuesta correcta.
RAG aumenta la probabilidad de respuestas correctas, pero no sustituye una estructura de datos limpia ni un diseño conversacional bien pensado.
Conclusión
El mayor error en los proyectos RAG no es subir pocos documentos. Es subir demasiados documentos sin controlar el contexto.
Un asistente telefónico con IA no solo debe saber qué información existe. Primero debe entender qué información es relevante para el llamante actual.
Ahí es donde entra el context engineering.
Si primero se determinan los parámetros necesarios del llamante, como el número de modelo, la variante del producto o el tipo de cliente, y después se restringe el retrieval en consecuencia, se obtienen respuestas mucho más precisas y una satisfacción del cliente bastante mayor.
Por eso RAG no es solo una base de conocimiento para IA.
RAG solo se convierte en un sistema fiable cuando se combina con un buen context engineering.
Quien entiende esto construye asistentes telefónicos con IA que no solo dan respuestas, sino las respuestas correctas.