Saltar al contenido principal
IA & Datos 10 min lectura

Chatbots RAG sobre tu ERP y documentación interna: cómo conectar IA a tus datos cumpliendo el RGPD

Qué hay entre un chatbot que responde con tu ERP y otro que filtra nóminas: arquitectura RAG, permisos, RGPD, opciones de despliegue y costes explicados sin humo.

W

Equipo Webycia

Expertos en IA para Empresas

Chatbots RAG sobre tu ERP y documentación interna: cómo conectar IA a tus datos cumpliendo el RGPD

1. RAG en una frase: buscar en tus datos antes de responder

RAG (Retrieval-Augmented Generation) significa que el modelo no responde de memoria. Primero busca en tus documentos y en tu ERP los fragmentos relevantes, los coloca en el contexto de la pregunta y redacta la respuesta apoyándose en ellos. Si el dato no está en la fuente, la respuesta correcta es decir que no lo sabe.

La diferencia práctica es enorme: tu información sigue en tus sistemas, se actualiza sin reentrenar nada y cada afirmación enlaza al documento del que sale. Eso convierte la promesa en algo verificable: el empleado abre la fuente y el responsable la audita.

Un RAG no sabe más que tus datos. Sabe encontrar mejor lo que ya tienes escrito.

Por qué no empezar por un fine-tuning

El ajuste fino enseña al modelo a hablar de una manera, a clasificar o a extraer datos con un formato concreto. No es una base de datos. Si lo usas para memorizar precios o procedimientos, tendrás que reentrenar con cada tarifa, no podrás citar la fuente y revocar el acceso de un empleado será casi imposible.

El orden sensato es otro: primero recuperación y permisos, después evaluación, y solo si hace falta, un ajuste fino para tono, formato o tareas muy repetitivas. La calidad de un RAG se decide en la recuperación, no en el modelo.

2. Cómo conectar el ERP y la documentación sin abrir la puerta de atrás

La parte difícil no es el modelo, sino que el sistema lea datos de negocio sin abrir un atajo hacia información que un usuario no debería ver. Un conector bien hecho se parece a una vista SQL acotada, no a un permiso global.

Tres decisiones que definen el conector

  • Réplica de solo lectura o API, nunca escritura directa: el asistente consulta, no modifica. Si el caso de uso exige crear un pedido o lanzar una factura, eso es una acción de agente con confirmación humana y un diseño aparte.
  • Mínimo privilegio: un usuario técnico dedicado, vistas que exponen solo las tablas necesarias y campos excluidos por defecto. La contraseña vive en un gestor de secretos, no en el prompt ni en el repositorio.
  • Sincronización incremental: marca de agua sobre la fecha de modificación, captura de cambios o ejecuciones nocturnas. Los borrados se propagan en el mismo ciclo; si un documento desaparece del origen, sus fragmentos desaparecen del índice.

En un ERP típico conviene leer facturas, pedidos, stock y clientes; en el CRM, oportunidades e incidencias; en la unidad de red, procedimientos, contratos y actas. No conectes todo el primer día: dos o tres fuentes bien gobernadas demuestran valor antes que diez a medio permisar.

Permisos y datos personales antes del embedding

Cada fragmento necesita metadatos: departamento, clasificación, propietario y vigencia. El filtro se aplica durante la recuperación, con el rol de quien pregunta. Si filtras después de generar, el modelo ya ha leído lo que no debía y basta una respuesta para filtrarlo. Los permisos se prueban con un usuario de cada rol, no con la cuenta de administrador.

Los datos personales requieren otra decisión. Antes de generar embeddings puedes redactar o pseudonimizar NIF, IBAN, teléfonos y correos. Pero si el asistente debe decir en qué estado está el pedido de un cliente, esa consulta va al ERP en tiempo real con los permisos del usuario, no a un almacén vectorial con copias.

3. Arquitectura de referencia: del PDF al párrafo citado

Un RAG en producción es una cadena de decisiones, no una llamada a una API. Esta es la secuencia mínima que deberías poder dibujar antes de firmar un proveedor:

Fase 1

Ingesta

Conectores al ERP, CRM, gestor documental y unidades de red. Registran origen, fecha y versión.

Fase 2

Normalización

Extracción de texto de PDF, Word y correo; limpieza de cabeceras repetidas, tablas rotas y ruido de escaneo.

Fase 3

Chunking

División en fragmentos con sentido propio, respetando títulos, cláusulas y filas de tabla. Cada uno conserva su origen.

Fase 4

Embeddings y almacén vectorial

Cada fragmento se convierte en un vector y se guarda con sus metadatos para búsqueda semántica.

Fase 5

Recuperación híbrida

Búsqueda por significado más búsqueda por palabra exacta. Los códigos de artículo y las referencias legales necesitan ambas.

Fase 6

Reranking

Un segundo modelo ordena los candidatos por utilidad real para la pregunta y descarta los que solo se parecen.

Fase 7

Ensamblado del prompt

Instrucciones, pregunta, fragmentos seleccionados y reglas de abstención. Más contexto no es mejor contexto.

Fase 8

Citas y evaluación

Cada respuesta enlaza su fuente. Un conjunto de preguntas con respuesta esperada mide acierto, abstención y fuga.

El chunking decide la mitad de la calidad

Un fragmento de 300 a 800 tokens suele funcionar mejor que un documento entero, pero el número importa menos que el corte. No separes una cláusula de su encabezado ni una línea de factura de su total. Si el documento tiene estructura, úsala: títulos, apartados y tablas son mejores fronteras que un contador de caracteres.

Los permisos se aplican antes de recuperar

El índice debe conocer qué puede ver cada rol. En la consulta se filtra por departamento, clasificación y propietario, y solo después se recuperan fragmentos. Si no puedes explicar esa secuencia en una frase, el sistema no está listo. La prueba: un comercial no debe poder obtener una nómina ni citándola.

4. RGPD, AI Act y datos privados: las decisiones que no se delegan

Esta sección es un mapa de decisiones, no un dictamen jurídico. Un RAG sobre datos internos trata información de empleados, clientes y proveedores, y exige tener claro quién responde de qué.

Base jurídica, roles y contrato

La empresa que decide para qué se usa el sistema es la responsable del tratamiento; el proveedor que aloja el índice o el modelo actúa como encargado. Eso exige un contrato de encargo con la lista de subencargados, las medidas de seguridad, la ayuda para atender derechos y el destino de los datos al terminar. La base habitual es la ejecución de un contrato o el interés legítimo, pero el uso sobre empleados tiene límites que conviene revisar aparte.

Evaluación de impacto, retención y derechos

Una evaluación de impacto no es obligatoria para todo RAG. Se dispara con tratamiento sistemático a gran escala, datos sensibles, elaboración de perfiles o tecnologías nuevas aplicadas a personas vulnerables. Un asistente comercial probablemente no la necesite; uno que responde sobre expedientes de recursos humanos o salud, sí puede necesitarla.

  • Retención: define cuánto viven documentos, fragmentos, vectores y logs. Un embedding de datos personales sigue siendo dato personal.
  • Borrado: elimina el vector cuando desaparezca el origen, incluidos respaldos dentro de su ventana y cachés de recuperación.
  • Derechos: poder localizar qué fragmentos provienen de la información de una persona y corregirlos o eliminarlos sin reconstruir el índice a mano.
  • Seguridad: cifrado en tránsito y en reposo, control de acceso por rol, registro de consultas y separación de entornos de prueba y producción.

Transparencia y AI Act

Los empleados deben saber qué datos entran, quién puede consultarlos y cómo ejercer sus derechos. Los clientes deben saber cuándo hablan con una IA y qué información se usa. El Reglamento Europeo de IA añade obligaciones de transparencia para los chatbots y exige gestionar el riesgo cuando el sistema se aplica a selección de personal, crédito o educación. No es lo mismo un buscador interno que un filtro de candidatos.

Deja por escrito estas respuestas antes de firmar: si el proveedor entrena con tus datos, dónde se alojan, qué subencargados intervienen, cuánto se conservan los logs y cómo se notifica una brecha.

5. Opciones de despliegue: SaaS, nube privada en la UE u on-premise

No hay opción ganadora universal. Hay tres formas de repartir el control y el esfuerzo, y cada una cambia lo que puedes prometer a tu comité, a tus clientes y a tu delegado de protección de datos.

Comparativa de despliegue para un RAG empresarial

Criterio SaaS con API Nube privada en la UE On-premise
Dónde están los datos En la plataforma del proveedor En tu cuenta cloud, región europea En tu sala de servidores
Quién accede al contenido El proveedor, según contrato Tu equipo y el proveedor que autorices Solo tu equipo
Transferencias internacionales Posibles; exigen garantías Se evitan si todo queda en la UE No aplican
Latencia Baja al empezar, variable con la red Predecible dentro de la región Baja en red local, limitada por tu hardware
Coste inicial y operación Bajo al inicio, consumo recurrente Medio; requiere configuración y vigilancia Alto; compra, mantenimiento y relevo técnico
Encaje típico Primer piloto con datos poco sensibles Producción con datos de negocio y clientes Sectores con exigencia de aislamiento

La combinación más habitual en una pyme no es pura: modelo con región europea, almacén vectorial y documentos en tu cuenta cloud, y una capa que aplica permisos. Así reduces la superficie de datos que sale de tu perímetro sin renunciar a la calidad.

Sobre la latencia, cuidado con las promesas absolutas. On-premise elimina el viaje a internet, pero un modelo grande en hardware modesto puede tardar más que una API remota. Mide la respuesta completa: recuperación, reranking y generación.

6. Coste real: lo que compras y lo que encarece el proyecto

Un RAG no se presupuesta por número de documentos, sino por decisiones. Estas son las piezas del catálogo de precios y la pregunta que resuelve cada una:

  • Auditoría Digital 360° & Hoja de Ruta 100/100, 490 € pago único: cuando aún no sabes qué fuentes existen, quién puede verlas ni qué caso de uso tiene retorno.
  • Sprint de Diagnóstico & Hoja de Ruta IA, desde 850 €: cuando ya hay una idea y necesitas alcance, arquitectura, riesgos y criterios de aceptación.
  • Chatbots IA RAG, desde 1.800 €: primer asistente sobre documentación y una fuente de negocio, con citas y permisos básicos.
  • Implantación Llave en Mano, desde 2.400 €: cuando hay que integrar varios sistemas, aplicar un modelo de permisos y poner el servicio en producción.
  • Partner Tecnológico & Evolución Continua, desde 690 €/mes: reindexado, evaluación continua, ajustes de calidad y evolución de fuentes.

Para dimensionar el valor, usa aritmética de tu propia empresa. Si una consulta que hoy obliga a abrir tres sistemas consume 15 minutos y se repite 200 veces al mes, son 3.000 minutos: 50 horas mensuales. Multiplícalas por tu coste horario. No es un ahorro garantizado: es la magnitud que hay que superar.

Lo que mueve el presupuesto

  • Número y tipo de fuentes: no cuesta lo mismo una carpeta de PDF que un ERP con API, tablas y borrados que propagar.
  • Modelo de permisos: un rol único es barato; permisos por departamento, cliente o expediente exigen metadatos y pruebas.
  • Evaluación: construir un conjunto de preguntas reales y medir abstención es trabajo, y separa una demo de un sistema.
  • Mantenimiento: reindexar, vigilar consultas fallidas y actualizar documentos es recurrente, no un cierre de proyecto.
  • Despliegue: la nube privada y el on-premise añaden configuración, monitorización y responsabilidad operativa.

¿Quieres un RAG que responda con tus datos y no con los de nadie más?

Revisamos tus fuentes, tus permisos y tus obligaciones antes de escribir una línea de código. Diagnóstico gratuito y sin compromiso.

Solicitar diagnóstico gratuito

7. Los errores que arruinan un RAG

Casi todos los proyectos atascados fallan por las mismas causas, y ninguna es el modelo:

  • Ingestar sin curar: borradores, duplicados y documentos obsoletos compiten con la versión buena. El sistema aprende a citar el ruido.
  • Trocear por número de caracteres: una cláusula separada de su título o una tabla partida por la mitad producen respuestas incompletas que parecen correctas.
  • Dejar los permisos para después: añadir filtros al final obliga a reindexar y, mientras tanto, el riesgo de fuga ya existe.
  • Evaluar con preguntas fáciles: diez preguntas que el equipo ya conoce no miden nada. Hacen falta preguntas reales, ambiguas y con respuesta legítima "no lo sé".
  • Citar sin comprobar: un enlace a un documento que no contiene la respuesta es peor que no citar, porque destruye la confianza en el sistema.
  • No asignar dueño al contenido: sin responsable de vigencia, el índice responde con seguridad sobre procesos derogados.
  • Confundir leer con actuar: consultar un pedido y modificarlo son niveles de riesgo distintos. La escritura exige confirmación, trazabilidad y límites explícitos.

El orden de trabajo que evita la mayoría de estos fallos es siempre el mismo: decidir las fuentes, definir los permisos, construir el conjunto de evaluación y solo entonces elegir modelo y proveedor. Si empiezas por la herramienta, acabarás reconstruyendo el proyecto; si prefieres revisar primero el alcance, mira nuestros servicios de IA.

8. Preguntas frecuentes

¿En qué se diferencia un RAG de un chatbot normal?

Un chatbot normal responde con guiones o con conocimiento general del modelo. Un RAG busca primero en tus documentos y en tu ERP, recupera los fragmentos relevantes y redacta la respuesta citando la fuente. Eso le permite responder con precios, procedimientos o estados reales, actualizarse sin reentrenar y abstenerse cuando el dato no existe. La diferencia no es el tono: es la procedencia de la respuesta y la posibilidad de auditarla.

¿Puede leer mi ERP?

Sí, siempre que se haga con un conector de solo lectura: una réplica de base de datos, una API con permisos acotados o una exportación periódica. Nunca se le da escritura directa. Se limita a las tablas necesarias, se sincroniza de forma incremental y se aplican los permisos del usuario en el momento de recuperar. Si el caso exige crear pedidos o modificar datos, eso es una acción de agente distinta, con confirmación humana y trazabilidad.

¿Mis datos se usan para entrenar el modelo?

No debería. Un RAG bien contratado usa un proveedor que no entrena con los datos del cliente y lo deja por escrito en el contrato y en el encargo de tratamiento. Aun así, conviene comprobarlo: pregunta por la política de retención, el uso de las consultas para mejora del servicio y la lista de subencargados. Si el proveedor no puede confirmarlo por contrato, cambia de proveedor o de despliegue.

¿Dónde se alojan los datos?

Depende del despliegue. En SaaS los datos están en la plataforma del proveedor, a veces fuera de la UE; en nube privada quedan en tu cuenta y en la región que elijas; en on-premise no salen de tus servidores. Lo importante es que la ubicación esté documentada, que las transferencias internacionales tengan base legal y que el proveedor no acceda al contenido sin autorización.

¿Cumple RGPD?

El RGPD no certifica productos: obliga a tomar decisiones. Un RAG puede cumplirlo si defines la base jurídica, firmas el encargo de tratamiento, documentas el tratamiento, evalúas el impacto cuando proceda, limitas permisos, cifras, aplicas retención y borrado y eres transparente con empleados y clientes. También debes atender las obligaciones de transparencia del Reglamento de IA. Esto es un mapa de trabajo, no un dictamen jurídico.

¿Cuánto cuesta y cuánto tarda?

El catálogo parte de 1.800 € para un chatbot RAG, 850 € para el sprint de diagnóstico, 2.400 € para una implantación llave en mano, 690 €/mes para el partner de evolución y 490 € para la auditoría. El plazo varía con las fuentes, los conectores, el modelo de permisos y la evaluación; un primer piloto sobre documentación suele ser más corto que una integración de ERP con permisos por departamento.

Publicado por el equipo de Webycia.

arrow_back Volver