El problema: tu información está, pero no la encuentras
Tu empresa tiene miles de documentos. Contratos con proveedores, facturas, manuales de procedimiento, políticas internas, correos con clientes, reportes financieros, actas de reuniones. Están en carpetas de Google Drive, en el sistema de facturación, en el correo, en el CRM y en el disco duro de alguien que ya no trabaja ahí.
Cuando necesitas encontrar algo (¿qué dice el contrato con el proveedor X? ¿cuál es la política de devoluciones? ¿qué precio acordamos con el cliente Y en marzo?), pierdes horas. Abres carpetas, buscas por nombre de archivo, lees documentos enteros. Y a veces no lo encuentras y tienes que preguntarle a alguien que ya no está.
Los buscadores tradicionales (Ctrl+F, búsqueda de Google Drive) solo encuentran palabras exactas. Si buscas "política de devoluciones" y el documento se llama "procedimiento de cambios y reembolsos", no lo encuentras. Si buscas "precio acordado con cliente Y" y el documento dice "tarifa negociada", no lo encuentras.
La IA puede resolver esto. Un sistema de RAG (Retrieval-Augmented Generation) puede buscar en todos tus documentos, entender el contexto y responder preguntas en lenguaje natural. No necesitas saber el nombre del archivo ni las palabras exactas. Solo preguntas y la IA responde.
Pero hay un problema: la mayoría de las soluciones de RAG envían tus documentos a servidores de terceros (OpenAI, Google, etc.). Tus contratos, tus facturas, tus datos de clientes salen de tu control. Y si la Ley 21.719 exige que protejas los datos personales, enviar documentos a terceros es un riesgo.
La solución es RAG con inferencia local: la IA busca y responde en tu infraestructura, sin enviar datos a nadie.
Lo que dicen los datos
Informe de Materialidad de Grandes Empresas (La Tercera, junio 2025): La escasez de talento y la irrupción de la IA son los principales desafíos para las empresas chilenas. La conclusión: las empresas saben que necesitan IA, pero no tienen el equipo para implementarla. Y sin datos organizados, la implementación de IA para búsqueda de información falla.
Microemprendedoras IA (Fundación Luksic, mayo 2026): Encuesta a más de 15.000 mujeres emprendedoras. El 80% usa IA en su negocio y el 77% usa IA generativa. El dato revela que la adopción de IA es masiva, incluso entre microempresas, pero el uso de IA para buscar información en documentos no siempre acompaña.
Tráfico de personnn.com (21-27 oct 2026): La página /search tuvo visitas en la última semana (no aparece en el top 20, lo que indica baja visibilidad). La página /inference tuvo 44 visitas (creció un 91%). Esto indica interés en inferencia local, pero baja conciencia sobre herramientas de búsqueda con IA. El contenido sobre RAG puede ayudar a revertir esta tendencia.
Ley 21.719 (vigente desde 1 de diciembre de 2026): Exige que las empresas protejan los datos personales de sus clientes. Si tus documentos contienen datos personales (nombres, RUT, direcciones) y los envías a un proveedor de IA en la nube, puedes violar la ley.
La conclusión es que las empresas chilenas necesitan IA para buscar información en sus documentos, pero sin enviar datos a terceros.
Qué es RAG y cómo funciona
RAG (Retrieval-Augmented Generation) es una técnica que combina búsqueda de información con generación de texto. En vez de que el modelo de IA responda desde su memoria (que puede estar desactualizada o ser incorrecta), el modelo busca en tus documentos la información relevante y la usa para generar una respuesta precisa.
El proceso tiene 3 pasos:
Paso 1: Ingesta de documentos
Tus documentos (PDF, Word, Excel, correos, etc.) se procesan y se dividen en fragmentos (chunks). Cada fragmento se convierte en un vector (una representación numérica) que captura su significado. Los vectores se almacenan en una base de datos vectorial.
Lo que pasa: Tu contrato de 20 páginas se divide en 50 fragmentos. Cada fragmento se convierte en un vector. Los 50 vectores se guardan en la base de datos.
Paso 2: Búsqueda semántica
Cuando haces una pregunta, la pregunta se convierte en un vector. El sistema busca los fragmentos más similares a la pregunta en la base de datos vectorial. No busca palabras exactas: busca significado.
Lo que pasa: Preguntas "¿qué dice el contrato sobre penalidades por retraso?" El sistema busca fragmentos que hablen de penalidades, retrasos, incumplimiento, multas. Encuentra 3 fragmentos relevantes.
Paso 3: Generación de respuesta
Los fragmentos relevantes se envían al modelo de IA junto con tu pregunta. El modelo genera una respuesta basada en la información de los fragmentos, no en su memoria.
Lo que pasa: El modelo lee los 3 fragmentos, entiende que el contrato establece una penalidad del 2% mensual por retraso, y te responde: "Según el contrato con el proveedor X, la penalidad por retraso es del 2% mensual sobre el monto total del contrato."
La diferencia con un chatbot tradicional: Un chatbot tradicional responde desde su memoria (que puede estar desactualizada o ser incorrecta). RAG responde desde tus documentos (que son la fuente de verdad).
Los 5 casos de uso más comunes
1. Búsqueda en contratos
El problema: Necesitas saber qué dice un contrato específico sobre una cláusula, pero el contrato tiene 30 páginas y no recuerdas en qué página está.
Cómo RAG ayuda: Preguntas "¿qué dice el contrato con el proveedor X sobre penalidades por retraso?" y el sistema busca en todos tus contratos y te responde con la cláusula exacta y el número de página.
Ejemplo: "¿Qué dice el contrato con el proveedor de hosting sobre tiempo de respuesta (SLA)?" → "El contrato establece un SLA de 99,9% de disponibilidad mensual. Si el tiempo de respuesta supera las 4 horas, se aplica un crédito del 10% sobre la factura mensual. (Contrato hosting, cláusula 7.3, página 12)"
2. Consultas de políticas internas
El problema: Un empleado nuevo pregunta "¿cuál es la política de vacaciones?" y nadie recuerda los detalles. Hay que buscar el manual de RRHH y leerlo.
Cómo RAG ayuda: Preguntas "¿cuál es la política de vacaciones?" y el sistema busca en el manual de RRHH y te responde con los detalles exactos.
Ejemplo: "¿Cuántos días de vacaciones tiene un empleado con 2 años de antigüedad?" → "Según el manual de RRHH (sección 4.2), un empleado con 2 años de antigüedad tiene 15 días hábiles de vacaciones anuales, más 3 días adicionales por año de servicio."
3. Análisis de facturas y gastos
El problema: Necesitas saber cuánto gastaste en un proveedor específico en el último año, pero las facturas están en diferentes carpetas y sistemas.
Cómo RAG ayuda: Preguntas "¿cuánto gasté en el proveedor X en 2025?" y el sistema busca en todas las facturas y te responde con el total.
Ejemplo: "¿Cuánto gasté en el proveedor de internet en 2025?" → "En 2025 gastaste $1.200.000 en el proveedor de internet (12 facturas de $100.000 cada una). La última factura fue de enero 2026 por $105.000."
4. Búsqueda en correos
El problema: Necesitas encontrar un correo específico donde acordaste algo con un cliente, pero tienes miles de correos y no recuerdas la fecha ni el asunto.
Cómo RAG ayuda: Preguntas "¿qué acordé con el cliente Y sobre el proyecto Z?" y el sistema busca en tus correos y te responde con el acuerdo.
Ejemplo: "¿Qué acordé con el cliente Y sobre el proyecto Z?" → "En el correo del 15 de marzo de 2026, acordaron que el proyecto Z se entregaría en 3 fases: Fase 1 (diseño) para el 30 de abril, Fase 2 (desarrollo) para el 30 de junio y Fase 3 (testing) para el 31 de julio. El monto acordado fue de $5.000.000."
5. Onboarding de empleados
El problema: Un empleado nuevo necesita aprender cómo funciona la empresa. Hay manuales, políticas y procedimientos, pero nadie tiene tiempo de explicarlos.
Cómo RAG ayuda: El empleado nuevo pregunta al sistema y recibe respuestas inmediatas basadas en los documentos de la empresa.
Ejemplo: "¿Cómo solicito una licencia médica?" → "Para solicitar una licencia médica, debes: 1) Obtener el certificado médico de tu doctor, 2) Enviar el certificado al correo [email protected] dentro de 48 horas, 3) Informar a tu supervisor directo. La licencia se tramita en 5 días hábiles. (Manual de RRHH, sección 6.3)"
Los 4 requisitos para implementar RAG
1. Documentos digitales
RAG necesita documentos digitales. Si tus documentos están en papel, primero debes digitalizarlos (escanear y convertir a texto con OCR).
Si no cumples este requisito: El sistema no puede buscar en documentos que no existen digitalmente.
2. Datos en tu infraestructura
RAG necesita que los documentos y la base de datos vectorial estén en tu infraestructura (o en infraestructura en Chile con garantías de protección de datos). Si envías los documentos a un proveedor en la nube, tus datos salen de tu control.
Si no cumples este requisito: Tus datos (contratos, facturas, datos de clientes) pueden estar expuestos.
3. Modelo de IA local
RAG necesita un modelo de IA que genere las respuestas. Si usas un modelo en la nube (OpenAI, Google), las consultas y los fragmentos de documentos se envían a terceros.
Si no cumples este requisito: Tus consultas y los fragmentos de documentos pueden ser almacenados por el proveedor de IA.
4. Permisos de acceso
RAG necesita control de acceso. No todos los empleados deben poder ver todos los documentos. Un empleado de ventas no debe poder ver las facturas de otro departamento.
Si no cumples este requisito: Cualquier empleado puede acceder a cualquier documento, incluyendo información sensible.
El checklist: ¿está tu empresa lista para RAG?
Nivel 1: Lo básico (hazlo antes de empezar)
- Inventario de documentos: Lista todos los sistemas que contienen documentos. Identifica qué documentos están en cada sistema.
- Digitalización: Verifica que los documentos estén en formato digital (PDF, Word, Excel, texto).
- Clasificación: Clasifica los documentos por tipo (contratos, facturas, manuales, políticas, correos).
- Infraestructura: Verifica que tienes infraestructura para correr la IA localmente (o un proveedor en Chile).
Nivel 2: Lo importante (hazlo en las primeras 2 semanas)
- Ingesta de documentos: Procesa los documentos y crea la base de datos vectorial.
- Permisos de acceso: Define quién puede acceder a qué documentos.
- Prueba con casos reales: Prueba el sistema con 10 preguntas reales de tu equipo.
- Ajuste de precisión: Ajusta el sistema basándote en los resultados de las pruebas.
Nivel 3: Lo avanzado (hazlo en el primer mes)
- Actualización automática: Implementa un proceso para que nuevos documentos se agreguen automáticamente a la base de datos.
- Monitoreo de uso: Monitorea qué preguntas se hacen y qué documentos se consultan.
- Feedback de usuarios: Implementa un mecanismo para que los usuarios indiquen si la respuesta fue útil.
- Mejora continua: Usa el feedback para mejorar la precisión del sistema.
El trade-off: búsqueda tradicional vs. RAG
| Aspecto | Búsqueda tradicional (Ctrl+F, Google Drive) | RAG con IA (Personnn Search + Inference) |
|---|---|---|
| Tipo de búsqueda | Palabras exactas | Significado (semántica) |
| Precisión | Baja (depende de recordar las palabras) | Alta (entiende el contexto) |
| Velocidad | Lenta (hay que leer documentos) | Rápida (respuesta directa) |
| Cobertura | Limitada (un sistema a la vez) | Completa (todos los documentos) |
| Privacidad | Depende del sistema | Alta (todo en tu infraestructura) |
| Coste | Bajo (ya lo tienes) | Medio (infraestructura propia) |
| Escalabilidad | No escala (más documentos = más tiempo) | Escala (más documentos = misma velocidad) |
| Requiere conocimiento técnico | No | Sí (o un proveedor como Personnn) |
Qué hace Personnn
Personnn tiene productos que ayudan a implementar RAG sin enviar datos a terceros:
Search: Motor de búsqueda semántica que busca en tus documentos por significado, no por palabras exactas. Encuentra información en contratos, facturas, manuales y correos.
Inference: Modelos de IA que corren en tu infraestructura. El sistema RAG puede generar respuestas basadas en tus documentos sin enviarlas a terceros.
DataForge: Prepara, limpia y estructura tus documentos para que el sistema RAG pueda procesarlos. Conecta tus sistemas y consolida los documentos en una fuente única.
Browser: Navegador con IA que puede buscar información en la web y en tus documentos locales.
Para empezar, entra a personnn.com/search y revisa cómo funciona la búsqueda semántica con IA.
Fuentes
- Informe de Materialidad de Grandes Empresas. La Tercera, junio 2025. Escasez de talento + irrupción de IA. Verificado por web search (vuelta 16).
- Microemprendedoras IA. Fundación Luksic, encuesta mayo 2026, +15.000 mujeres. 80% usa IA, 77% IA generativa. Verificado por web search (vuelta 16).
- Tráfico de personnn.com (21-27 oct 2026): /search con visitas (no aparece en top 20, baja visibilidad); /inference con 44 visitas (+91%). Fuente interna (marketing_trafico).
- Ley 21.719: vigente desde el 1 de diciembre de 2026. Protección de datos personales en Chile. Fuente: tramitacion.senado.cl + varelaabogados.cl + boostify.cl + tline.cl. Verificado por web search (vuelta 16).
- Las cifras de "5 casos de uso", "4 requisitos" y "12 puntos" son una estructura editorial, no datos verificables. Se tratan como framework de evaluación.
- Los ejemplos ilustrativos (contratos, facturas, correos) son ejemplos genéricos, no datos verificables. Se tratan como estimaciones no verificadas.