Cómo crear una base de conocimiento para chatbot de la que su agente de IA pueda responder

Una base de conocimiento para chatbot es el conjunto de contenido aprobado en el que su agente de IA busca antes de responder: respuestas a preguntas frecuentes, detalles de productos y servicios, políticas, ubicaciones y horarios de apertura. Cuando un cliente pregunta algo, el agente recupera los fragmentos más relevantes y redacta su respuesta a partir de ellos. Constrúyala a partir de las preguntas que los clientes realmente hacen, escriba cada dato una sola vez en lenguaje claro, divídala en secciones centradas en un tema y actualícela cada vez que cambie su negocio.

La mayoría de los agentes de IA decepcionantes no están limitados por el modelo, sino por lo que pueden consultar. Si su política de devoluciones está en un PDF escaneado de hace tres años, el agente la citará o adivinará. Esta guía explica qué incluir, cómo estructurarlo, cómo funciona la recuperación en palabras sencillas y cómo mantener el contenido preciso cuando los clientes ya están hablando con el agente.

Qué hace realmente una base de conocimiento para chatbot

Un modelo de lenguaje de gran tamaño sabe mucho del mundo y nada de su negocio. No conoce sus precios, sus sucursales ni si entregan los domingos. La base de conocimiento cierra esa brecha.

La técnica estándar es la generación aumentada por recuperación (RAG). En palabras sencillas:

1. El cliente hace una pregunta por WhatsApp, Instagram o el chat de su sitio web.
2. El sistema busca en su base de conocimiento los fragmentos que mejor coinciden con el sentido de la pregunta, no solo con sus palabras exactas.
3. El agente recibe esos fragmentos junto con la pregunta y sus instrucciones.
4. El agente redacta la respuesta a partir de los fragmentos, y lo ideal es que no diga nada que ellos no respalden.

Por eso no necesita “entrenar” ni ajustar (fine-tuning) un modelo para que responda a partir de sus documentos. Usted cambia el contenido y la siguiente respuesta cambia con él.

Qué incluir en su base de conocimiento

Parta de las preguntas de los clientes, no de los documentos que casualmente tenga. Extraiga las últimas cientos de conversaciones de su bandeja de entrada, de su soporte por correo y de las notas de sus llamadas, y agrúpelas por tema. Los temas que más se repiten son sus primeras secciones.

Tipo de contenido	Ejemplos	Por qué lo necesita el agente
Preguntas frecuentes	”¿Hacen envíos al extranjero?”, “¿Puedo cambiar mi reserva?”	Cubre la mayor parte de las consultas del día a día
Productos y servicios	Nombres, variantes, qué incluyen, a quién se dirigen	Permite al agente recomendar y comparar
Precios y tarifas	Listas de precios, gastos de envío, depósitos	Evita precios inventados o desactualizados
Políticas	Devoluciones, cancelaciones, garantía, privacidad	Respuestas de alto riesgo que deben ser exactas
Ubicaciones y horarios	Direcciones, horarios de apertura, cierres por festivos	Datos sencillos que los clientes preguntan constantemente
Procesos	Cómo reservar, cómo pagar, cómo reclamar la garantía	Convierte las respuestas en próximos pasos
Reglas de escalado	Lo que el agente nunca debe responder por sí mismo	Le indica cuándo pasar la conversación a una persona

Deje fuera las notas internas, los borradores, las condiciones de campañas antiguas y todo lo que contenga datos personales. El agente puede citar la base de conocimiento ante cualquier cliente, así que trate cada línea como información pública.

Cómo estructurar el contenido para que la recuperación lo encuentre

La recuperación trabaja con fragmentos de texto, no con archivos completos. La forma de redactar y dividir el contenido importa más que la cantidad.

Un tema por sección

Una sección titulada “Devoluciones de pedidos online” con cinco párrafos breves se recupera mucho mejor que un documento de condiciones de 40 páginas en el que las devoluciones aparecen en la página 31. Si una página trata varios temas, divídala.

La respuesta primero

Empiece cada sección con la respuesta directa y añada después las condiciones y excepciones. El fragmento que se recupere debe contener la respuesta, no solo el contexto.

Débil:  Nuestra empresa se fundó en 2009 y siempre ha cuidado la
        satisfacción de sus clientes. A lo largo de los años, nuestro
        proceso de devoluciones...

Mejor:  Los pedidos online pueden devolverse en un plazo de 14 días
        desde la entrega. Los artículos deben estar sin usar y en su
        embalaje original. Los artículos rebajados pueden cambiarse,
        pero no reembolsarse.

Cada dato una sola vez

Si la tarifa de envío aparece en cuatro documentos y usted actualiza solo tres, el agente puede recuperar la antigua. Mantenga una única fuente de verdad por cada dato y elimine los duplicados.

Use las palabras de los clientes

Los clientes escriben “que me devuelvan el dinero”, no “procedimiento de reembolso”. Añada como títulos de pregunta las formulaciones que vea en los chats reales, para que la búsqueda por significado tenga más con qué coincidir.

Mantenga las tablas y listas sencillas

Las tablas de precios sencillas y las listas con viñetas suelen conservarse bien al dividirse. Las hojas de cálculo complejas con celdas combinadas y las imágenes escaneadas, en muchos casos no. Si tiene dudas, reescríbalas como frases cortas.

Los chunks en palabras sencillas

Antes de que el contenido pueda buscarse por significado, se corta en chunks (fragmentos) y cada uno se convierte en una lista de números llamada embedding, que se guarda en una base de datos vectorial. En el momento de responder, la pregunta se convierte de la misma manera y se devuelven los chunks más cercanos.

Dos ajustes determinan los resultados:

• Tamaño del chunk. Los chunks pequeños son precisos, pero pueden perder contexto (“en un plazo de 14 días” sin decir de qué). Los chunks grandes conservan el contexto, pero arrastran texto no relacionado, que puede confundir la respuesta.
• Solapamiento. Repetir un poco de texto entre chunks contiguos reduce la probabilidad de que una frase clave quede partida por la mitad.

Rara vez necesitará ajustarlos el primer día. Los valores predeterminados razonables funcionan con contenido bien estructurado. Vuelva a ellos solo cuando las pruebas muestren que el agente recupera el documento correcto, pero la parte equivocada.

Separe el conocimiento por finalidad

Un único montón de documentos empeora las respuestas a medida que crece. Un asistente de ventas no necesita sus procedimientos internos de turnos, y un agente de soporte no debería citar una lista de precios en borrador. Divida el contenido en dominios separados, como atención al cliente, ventas y operaciones internas, y dé a cada agente solo los dominios que necesita.

Esto también reduce el riesgo. El contenido que un agente no puede recuperar es contenido que no puede filtrar. Para saber más sobre qué datos deben y no deben llegar a un sistema de IA, consulte nuestra lista de verificación de privacidad para chatbots de IA.

Combine el conocimiento estático con datos en tiempo real

Una base de conocimiento contiene contenido que cambia despacio: políticas, descripciones de productos, horarios de apertura. No es el lugar para el estado de un pedido, el nivel de stock o la próxima cita de un cliente. Esos datos deben venir de sus sistemas en el momento de la pregunta, mediante llamadas a herramientas (function calling) o integraciones.

Una buena regla: si un dato puede cambiar varias veces al día, consúltelo en tiempo real. Si cambia unas pocas veces al año, póngalo en la base de conocimiento.

Mantenga la base de conocimiento al día

Una base de conocimiento que era correcta en el lanzamiento se desactualiza rápido. Incorpore el mantenimiento a su rutina:

1. Asigne un responsable a cada sección; por ejemplo, operaciones se encarga de horarios y ubicaciones, y finanzas, de los precios.
2. Actualice al cambiar algo. Cuando cambie una política o un precio, actualice la base de conocimiento ese mismo día y vuelva a indexarla.
3. Revise cada semana las preguntas sin respuesta. Cada pregunta que el agente no pudo responder es una laguna, un problema de redacción o un caso para una persona.
4. Haga una auditoría mensual. Lea las secciones principales, elimine el contenido obsoleto y compruebe que la información de temporada (horarios de festivos, condiciones de campañas) haya caducado.
5. Vigile los traspasos. Si el mismo tema sigue llegando a las personas, añada contenido o decida que siempre debe atenderlo una persona. Nuestra guía sobre el traspaso de IA a humano explica las reglas.

Cómo probar una base de conocimiento antes del lanzamiento

Redacte un conjunto de pruebas de 30 a 50 preguntas reales y la respuesta que espera para cada una. Incluya:

• Preguntas habituales formuladas como las escriben los clientes, con erratas y mensajes cortos incluidos.
• Casos límite en los que la política tiene excepciones.
• Preguntas que no están cubiertas, para confirmar que el agente dice que no lo sabe en lugar de adivinar.
• Preguntas en otros idiomas si atiende a clientes internacionales.

Prueba: "puedo devolver unos zapatos que me puse una vez"
Esperado: Explica que las devoluciones deben ser de artículos sin usar
          y ofrece poner al cliente en contacto con el equipo para
          las excepciones.
Falla si: Acepta un reembolso o inventa otro plazo.

Compruebe por separado dos cosas: si el sistema recuperó el fragmento correcto y si el agente lo usó bien. Una respuesta incorrecta a partir del fragmento correcto es un problema de prompt. Una respuesta incorrecta a partir del fragmento equivocado es un problema de contenido o de chunking. Nuestra guía para probar un agente de IA antes del lanzamiento profundiza en los conjuntos de pruebas y las métricas.

Errores comunes en una base de conocimiento

• Subir todos los documentos que tiene en lugar del contenido que necesitan los clientes.
• Dejar precios o promesas de entrega en las instrucciones del agente, donde nadie se acuerda de actualizarlos.
• Mantener versiones antiguas de las políticas junto a las nuevas.
• Tratar imágenes escaneadas u hojas de cálculo complejas como contenido legible.
• No tener una alternativa cuando no se encuentra nada relevante, lo que invita a la alucinación.

Cómo crear su base de conocimiento de IA en MonoChat

MonoChat le ofrece dos formas de construir lo que sabe su agente, según el control que quiera tener.

El inicio rápido: MonoChat Start

MonoChat Start lee su sitio web y escribe la base de conocimiento por usted: un perfil de empresa, sus productos y servicios, sus ubicaciones, sus políticas y unas cuarenta preguntas que sus clientes realmente hacen. ¿No tiene sitio web, o tiene uno con poco contenido? Responda cinco preguntas en su lugar.

Todo lo que el asistente puede decir está en cuatro pestañas: Questions, Products & services, Locations y Policies (Preguntas, Productos y servicios, Ubicaciones y Políticas). Puede editar cualquier entrada, activarla o desactivarla, o exportarla. El asistente nunca indica un precio, un plazo de entrega o una garantía que no esté escrito ahí. Las respuestas que redactó a partir del conocimiento general de su sector, y no de su sitio, llegan desactivadas con una insignia “Check this” (Revisar) hasta que usted las apruebe.

Cuando no tiene respuesta, no improvisa. Anota la solicitud en Messages taken (Mensajes recibidos) y avisa al cliente de que una persona se pondrá en contacto, y sus informes enumeran las preguntas que no pudo responder, que son su lista de actualización semanal. Responde por WhatsApp, Instagram, Telegram o el chat de su sitio web.

Control total: la base de conocimiento de IA y RAG

Para conjuntos de contenido más grandes, la base de conocimiento de IA le permite subir PDF, archivos de Excel, texto y páginas web, con carga masiva, metadatos y etiquetas. Usted organiza el contenido en ámbitos (scopes), como atención al cliente, ventas o procedimientos internos, cada uno con su propio control de acceso, y asigna cada ámbito a los agentes y flujos que deben usarlo.

MonoChat divide el contenido en chunks y genera los embeddings con valores predeterminados listos para usar, y usted puede elegir el modelo de embeddings, el tamaño del chunk, el solapamiento y las reglas de preprocesamiento cuando lo necesite. Los vectores se almacenan en las bases de datos vectoriales integradas de MonoChat o en las suyas propias mediante la integración con VectorDB. Cuando el contenido cambia, usted actualiza el ámbito y lo vuelve a indexar, y el asistente recupera la información de la nueva versión sin que tenga que reconstruir sus flujos.

Para combinar documentos con datos en tiempo real, la orquestación RAG encadena pasos como la reescritura de la consulta, la recuperación, el reordenamiento, las llamadas a herramientas, las citas y la respuesta final, y las herramientas de función de IA consultan datos como el estado de un pedido o un registro de CRM en la misma respuesta.

Puede empezar con el plan Basic gratuito (un agente, un canal) en app.monochat.ai y comparar los planes en nuestra página de precios.

Fuentes

• Meta for Developers: WhatsApp Business Platform overview
• WhatsApp Business Messaging Policy