Qué es un sistema RAG y por qué tu agente de WhatsApp lo necesita

Un sistema RAG es lo que hace que un agente de IA conteste con los datos de tu empresa en vez de improvisarlos. RAG significa generación aumentada por recuperación: antes de escribir una sola palabra, el sistema busca en tu catálogo, tus precios y tus documentos, y le entrega al modelo únicamente lo que encontró. El modelo redacta con ese material. Si el dato no aparece, no hay nada que redactar, y el agente lo dice o pasa la conversación a una persona.

Esa es toda la idea. El resto de este artículo explica por qué importa tanto cuando el agente atiende clientes reales por WhatsApp, cómo se arma la base de conocimiento y en qué casos no hace falta.

El problema que resuelve

Un modelo de lenguaje general sabe escribir bien y no sabe nada de tu negocio. Si le preguntás cuánto sale el producto que vendés, no tiene de dónde sacarlo, y lo que hace por diseño es completar la frase con algo que suene plausible. En un chat de prueba eso es una curiosidad. En una conversación de WhatsApp con un cliente que está por comprar, es un precio inventado que después alguien tiene que desmentir.

Lo mismo pasa con el stock, con los plazos de entrega, con las condiciones de pago mayorista y con cualquier cosa que cambie cada semana. El modelo no sabe qué cambió. Solo sabe cómo suena una respuesta.

RAG corta ese camino. La respuesta deja de salir de la memoria del modelo y pasa a salir de tu base de datos.

Cómo funciona, paso a paso

Uno: ingesta. Se juntan las fuentes que ya existen en tu empresa. El catálogo con precios y disponibilidad, la lista de condiciones comerciales, las preguntas frecuentes que tu equipo contesta todos los días, los textos del sitio, los manuales de producto. No hace falta que estén prolijos; hace falta que estén. Dos: troceado. Cada documento se corta en fragmentos del tamaño de una idea. Un producto con su precio y su descripción es un fragmento. Una condición de pago es otro. Se trocea así porque después se recupera de a fragmentos, no de a documentos enteros. Tres: indexado. Cada fragmento se convierte en una representación numérica que captura de qué habla, no qué palabras usa. Por eso un cliente que escribe "el de quinientos gramos sale más barato por bulto" encuentra el fragmento correcto aunque ninguna de esas palabras aparezca tal cual en el catálogo. Cuatro: recuperación. Llega la pregunta del cliente. El sistema busca los fragmentos más parecidos y se queda con un puñado, los que mejor responden. Esta es la parte que decide la calidad de todo lo demás: si recupera lo que no era, el modelo va a redactar con elegancia un dato equivocado. Cinco: generación. El modelo recibe la pregunta y esos fragmentos, con la instrucción de responder solo con eso. Si los fragmentos no alcanzan, la instrucción es decir que no lo tiene y ofrecer pasar a una persona.

Qué cambia cuando el agente atiende por WhatsApp

Un buscador web perdona un error: el usuario ve tres resultados y elige. WhatsApp no perdona nada. Ahí hay una sola respuesta, escrita en primera persona, que el cliente lee como si se la hubiera dado tu empresa. Porque se la dio tu empresa.

Con RAG, el agente que vende por WhatsApp puede decir el precio de un producto puntual, avisar si hay disponibilidad, explicar la condición mayorista a partir de cuántas unidades y armar el pedido con los códigos reales del catálogo. Sin RAG, ese mismo agente hace algo mucho más pobre: contesta generalidades y deriva todo a una persona, con lo cual no resolvió nada.

Hay un segundo efecto, menos evidente. Cuando la respuesta sale de una fuente identificable, el error se vuelve auditable. Si el agente dijo un precio viejo, la falla está en la base de conocimiento y se corrige en un lugar. Si el agente lo inventó, no hay nada que corregir, y el problema vuelve mañana.

Un ejemplo con números

Tomemos una distribuidora con ochocientos productos en catálogo y precios que se actualizan cada quince días. Entran unas ciento veinte consultas por WhatsApp por día, y tres de cada cuatro son la misma familia de preguntas: precio, disponibilidad, mínimo por bulto y forma de pago.

Sin base de conocimiento, esas noventa consultas diarias las contesta una persona mirando una planilla. Con RAG, las contesta el agente leyendo la misma planilla, ya cargada como fuente, y la persona se queda con las treinta que requieren criterio: una negociación, un reclamo, un pedido especial.

Lo que cambia no es solo el volumen. Es el horario. Las consultas que entran a las once de la noche tienen respuesta a las once de la noche, con el precio de hoy.

Lo que RAG no arregla

RAG no mejora un catálogo desordenado. Si tus precios viven en cuatro planillas que no coinciden entre sí, el agente va a recuperar las cuatro y responder con alguna. La base de conocimiento hereda la calidad de las fuentes, no la corrige.

Tampoco reemplaza las reglas del negocio. Que el agente sepa el precio de lista no significa que sepa cuándo puede dar un descuento: eso es una regla, se escribe aparte y no se deja librada al modelo. En nuestros agentes, las decisiones comerciales sensibles son reglas explícitas, y lo que el modelo hace es redactar dentro de ellas.

Y no es magia sobre datos que no existen. Si nunca escribiste tus condiciones de devolución, el agente no las va a poder explicar. Ese es el trabajo real de una implementación: dejar escrito lo que hoy vive en la cabeza de dos personas del equipo.

Dónde falla la recuperación en la práctica

Cuando un sistema RAG responde mal, el culpable casi nunca es el modelo. Hay tres fallas mucho más frecuentes.

Los fragmentos son demasiado grandes. Si toda la lista de precios entra como un solo bloque, el buscador le entrega al modelo cincuenta productos cuando el cliente preguntó por uno. El dato correcto está ahí, enterrado, y la respuesta sale difusa. Las fuentes se contradicen. Dos planillas con precios distintos para el mismo artículo, las dos cargadas. El sistema recupera las dos y elige una. Eso no se arregla dentro del modelo. El vocabulario no coincide. Tu catálogo dice "desengrasante industrial por cinco litros" y el cliente escribe "el limpiador fuerte". La búsqueda semántica absorbe buena parte de esa diferencia, pero no toda, y lo que queda afuera aparece como preguntas sin responder.

Las tres se arreglan en los datos, no en el prompt. Eso es una buena noticia: salen baratas y, una vez arregladas, quedan arregladas.

Cómo se mantiene la base de conocimiento

Una base de conocimiento no es un proyecto que termina: es un archivo vivo. Si tus precios cambian cada quince días, la base tiene que cambiar cada quince días, o el agente va a responder con seguridad absoluta un precio viejo.

Hay dos maneras de mantenerla y conviene elegir a conciencia.

La primera es que la fuente sea tu sistema de gestión o tu planilla de precios, y que la base se actualice sola cuando eso cambia. Es la buena: nadie tiene que acordarse de nada, y el dato tiene un solo dueño.

La segunda es cargar los cambios a mano en la base. Sirve para lo que no vive en ningún sistema, como las condiciones comerciales o las preguntas frecuentes nuevas, y falla cuando se usa para lo que sí tiene sistema, porque tarde o temprano alguien se olvida.

La regla práctica: todo dato que ya existe en otro lado se sincroniza, nunca se copia. Todo dato que no existe en ningún lado se escribe una vez y se revisa cuando cambie el negocio.

Y hay un mantenimiento que no es de datos sino de lenguaje. Los clientes le ponen nombres a los productos que no son los del catálogo. Leer las conversaciones del último mes y agregar esos nombres como sinónimos mejora la recuperación más que cualquier ajuste técnico.

Cuándo no lo necesitás

Si vendés cinco servicios con precio fijo y las preguntas son siempre las mismas, no hace falta armar una base de conocimiento: esas cinco respuestas se cargan directo y listo. RAG empieza a rendir cuando el catálogo es grande, cambia seguido, o cuando las preguntas son demasiado variadas para anticiparlas una por una.

La pregunta útil no es si querés RAG. Es cuántas preguntas distintas recibe tu negocio por semana y cuántas de ellas tienen respuesta en algún archivo que ya existe.

Cómo lo implementamos

El pack Vendedor WhatsApp incluye la base de conocimiento con tu catálogo, tus precios y tus preguntas frecuentes, el agente que la consulta en cada respuesta, la derivación a una persona cuando corresponde y el panel donde ves todas las conversaciones. La implementación es de USD 1.000, el abono de ARS 220.000 por mes y la entrega en quince días hábiles.

Si además necesitás que el agente lea el stock real y registre el pedido en tu sistema, eso es el pack Operación Completa, que integra la tienda, el backoffice y el agente en un solo circuito.

Antes de decidir, puede servirte leer la diferencia concreta entre un agente de IA y un chatbot, porque es exactamente esta: de dónde sale la respuesta.

¿Querés ver cómo quedaría con tu catálogo? Escribinos por WhatsApp y lo revisamos con tus propios datos.