Convertimos pilotos de RAG que no llegaron a producción en sistemas verificables, auditables, precisos y operables.
Construiste un sistema que embebe documentos, recupera los fragmentos más similares y genera una respuesta. Funcionó en la demo. En producción, la búsqueda vectorial simple no basta: es un problema de arquitectura, no de prompt engineering.
"Legal nos ha prohibido lanzar la herramienta porque no podemos garantizar que no filtre datos confidenciales."
"El bot mezcla políticas de 2021 con las de 2024 porque no entiende la vigencia temporal."
"Si pregunto por impagos no encuentra nada, porque en los documentos pone deuda pendiente."
Cortes fijos de 500 tokens que rompen tablas y parten ideas por la mitad. Necesitas chunking semántico.
Los modelos de propósito general fallan en dominios específicos. Sin adaptación al dominio, la precisión cae.
Recuperación, reranking y generación suman más de tres segundos. Sin optimización, el sistema se siente roto.
No hay pipelines automáticos de evaluación. Si el modelo alucina, te enteras por un ticket de soporte, no por tus métricas.
Facturas altas por bases vectoriales gestionadas y modelos gigantes para preguntas que un modelo local resolvería.
En 2023 se desestimaron muchas startups como simples envoltorios de un modelo. Hoy, empresas como Perplexity demuestran que el valor está en la orquestación. Estas son tus opciones actuales:
Scripts simples de LangChain. Embeddings básicos y búsqueda vectorial pura.
Copilot, NotebookLM, Azure AI Search, Glean. Soluciones todo en uno.
El nuevo estándar para razonamiento complejo en varios saltos.
Sistemas que razonan, planifican y usan herramientas.
Nuestra misión: llevarte de cualquier etapa al RAG corporativo en producción más avanzado, sin reconstruirlo todo desde cero.
La búsqueda híbrida ya no es una mejora opcional: es el estándar mínimo. Si no combinas recuperación vectorial con palabras clave y reranking, pierdes hasta un 45% de precisión en la recuperación.
Con reranking de cross-encoders y arquitecturas multimodales reales, el sistema deja de ser una caja negra y se convierte en un activo medible.
Con búsqueda híbrida y reranking, la recuperación de información relevante mejora drásticamente frente a la búsqueda vectorial simple.
Tratamos los documentos como imágenes, preservando el contexto visual de gráficos y tablas que el OCR tradicional destruye.
El sistema se evalúa a sí mismo antes de responder. Si la confianza es baja, busca más información o admite que no lo sabe.
Migramos de stacks gestionados caros a arquitecturas open source optimizadas, evitando facturas mensuales de cinco cifras.
Lógica capaz de conectar información repartida en documentos separados, algo imposible para el RAG básico.
Pipelines automáticos que miden fidelidad y relevancia en cada despliegue. Sabrás si el sistema mejora o empeora con cada cambio.
En resumen: pasas de un prototipo a un sistema de producción. Dejamos de perseguir el último paper académico para centrarnos en lo que funciona: evaluación, latencia y despliegue.
Análisis y reportes que hemos publicado sobre el ecosistema RAG. Si te surge cualquier duda sobre ellos, escríbenos.
Degradación del enrutamiento de habilidades en agentes LLM al crecer la biblioteca.
Las bibliotecas de habilidades de agentes se han vuelto una pieza común en los agentes basados en modelos de lenguaje. A medida que pasan de un puñado de habilidades a varios cientos, distintos equipos reportan un enrutamiento degradado: el agente invoca la habilidad equivocada o pasa por alto la correcta. Llamamos a este fenómeno skill collapse y presentamos un estudio controlado para medirlo.
Recuperación consciente de la topología para documentos híbridos de texto y tabla.
Un marco que desafía la suposición de que todo es texto. Proponemos una arquitectura dual que respeta la topología de los datos: la narrativa fluida pasa por recuperadores densos tradicionales, mientras las estructuras tabulares se procesan con un mecanismo de interacción tardía consciente de celdas, preservando sus relaciones espaciales. Evaluado en SEC-25, mejora un 18.4% el nDCG@10 en consultas híbridas frente a la linealización estándar.
Análisis comparativo de la IA generativa frente a la consultiva en el dominio jurídico, con lecciones para cualquier corpus de conocimiento.
Los LLMs pueden automatizar tareas jurídicas, pero las alucinaciones son inaceptables en dominios de alto rigor. Cuantificamos el riesgo comparando generación generalista, RAG básico y RAG consultivo avanzado, con dos métricas: tasa de citas falsas (FCR) y tasa de hechos fabricados (FFR). La generación pura falla (FCR superior al 30%); el RAG básico reduce el error más de cien veces; el RAG avanzado baja la fabricación por debajo del 0.2%.
La paradoja de la dilución vectorial en RAG corporativos.
Las técnicas recientes de chunking contextualizado inyectan resúmenes para mejorar el contexto, pero introducen una dilución vectorial que opaca el contenido local. Evaluando distintos ratios de inyección, demostramos una curva en U invertida: una inyección moderada mejora el recall un 18%, pero superar un umbral crítico reduce la precisión un 22% en consultas específicas. Proponemos un marco teórico para calcular el ratio óptimo.
Un marco técnico-jurídico, métricas forenses y evidencias auditables.
Un marco integral de gobernanza para sistemas de IA en el sector legal, diseñado para garantizar el cumplimiento verificable del Reglamento de IA de la UE. Integra una cartografía normativa de la ley a controles técnicos, una arquitectura forense para sistemas RAG y un sistema de evaluación con métricas ponderadas por riesgo jurídico. Como principal contribución se presenta rag-forense, una implementación de código abierto acompañada de un protocolo experimental de conformidad.
Análisis de alucinaciones, optimización de RAG y principios para una integración responsable.
Este informe analiza las alucinaciones en los LLMs aplicados al derecho: sus causas, manifestaciones y la efectividad del RAG como mitigación, exponiendo sus limitaciones y proponiendo optimizaciones holísticas. Concluye que la solución no reside en mejorar incrementalmente los modelos generativos, sino en adoptar un paradigma de IA consultiva que priorice la veracidad y la trazabilidad, amplificando el juicio profesional en lugar de sustituirlo.
Recuperación en dos etapas frente a ajuste fino de embeddings en sistemas RAG con pocos datos.
El despliegue de RAG en dominios corporativos especializados se enfrenta al problema del arranque en frío: vastos corpus documentales, pero muy pocos pares de entrenamiento etiquetados. Este estudio presenta un experimento controlado que compara el ajuste fino few-shot de modelos bi-encoder con una arquitectura de recuperación en dos etapas basada en búsqueda híbrida y reranking con cross-encoder.
Mejores prácticas para la generación aumentada por recuperación en español. En preparación.
Dejamos atrás la era del wrapper y entramos en la era de la arquitectura de información. El éxito en RAG no depende de qué modelo uses, sino de cómo gestionas tus datos.
Una metodología de ingeniería estricta para pasar de la demo a un RAG corporativo en producción.
Revisamos tu estrategia de datos, fuentes y casuísticas para definir la mejor forma de crear semántica y relación entre todos los datos del corpus.
Sustituimos modelos genéricos por embeddings específicos o ajustados que entienden la jerga de tu sector: legal, financiero, sanitario.
Vectores, palabras clave y reranking con cross-encoder: la combinación que maximiza la precisión de la recuperación.
Un pipeline automático de evaluación. Conocerás la fidelidad y relevancia de tus respuestas antes de cada despliegue.
Dotamos al sistema de capacidad de planificación y reflexión para resolver consultas complejas de múltiples pasos.
Resolvemos el muro de latencia: cachés, inferencia y costes optimizados para que el sistema sea rápido y rentable.
Respuestas honestas a las preguntas que surgen cuando el piloto falla.
Si tu base de conocimiento es estática y menor a 10 GB, a veces un fine-tuning funciona mejor y es más barato. RAG es para datos dinámicos y vastos. Te ayudaremos a decidir con honestidad si realmente lo necesitas.
Es la causa número uno de respuestas pobres. Si cortas una frase a la mitad, el embedding pierde el sentido semántico. Implementar chunking semántico es una deuda técnica que conviene pagar desde el día uno.
Es impresionante para preguntas de resumen global, como qué dicen cincuenta contratos sobre riesgos, pero es complejo y caro. Si tus preguntas son de búsqueda directa, el RAG tradicional optimizado es suficiente y más rápido.
Porque una cita puede ser irrelevante, ambigua o no contener la evidencia exacta. En entornos críticos la pregunta no es si hay enlace, sino si prueba la afirmación, con el alcance correcto, para este usuario, hoy.
Estructuras no lineales como anexos, tablas y referencias cruzadas, versiones múltiples, contenido escaneado, mezcla de idiomas, entidades similares y verdades que dependen de fecha, jurisdicción o rol.
Sí. Normalmente el problema no es la marca, sino el sistema completo. Trabajamos de forma agnóstica al proveedor: mejoramos calidad, control y operación sobre el stack que ya tienes, o te ayudamos a decidir cambios con evidencia.
Porque las demos usan datos limpios y preguntas predecibles. En producción, el ruido de los documentos reales y la ambigüedad de los usuarios confunden al modelo. La ingeniería de demo es muy distinta de la ingeniería de producción.
Raramente. Solemos reutilizar la infraestructura, pero rediseñamos la lógica de ingesta y la estrategia de recuperación. A menudo el problema no es la herramienta, sino cómo se ha configurado.
En IA generativa el riesgo cero no existe, pero lo mitigamos con verificaciones de groundedness, en las que el modelo comprueba su propia respuesta contra la fuente, y forzando al sistema a responder que no lo sabe si la evidencia es débil. Preferimos el silencio al error.
No inyectamos documentos en el contexto de forma indiscriminada. Aplicamos filtrado de permisos antes de la búsqueda vectorial: si el usuario no tiene acceso a un documento, el sistema ni siquiera lo ve para esa consulta.
La diferencia es la arquitectura. Cuéntanos qué construiste y te diremos, con honestidad, qué falla y cómo arreglarlo.
hola@humanizinginternet.comAnalizamos tu sistema actual, modelo de negocio y producto para explicarte los puntos de fallo.
Un plan paso a paso, con quick wins, hacia una arquitectura híbrida o agéntica escalable y estable.
Pipelines de evaluación implementados para que nunca vuelvas a volar a ciegas.