Blog · 24 de septiembre de 2026 · 7 min de lectura
Cómo conectar una IA local a los documentos de la empresa (RAG)
El verdadero valor de una IA en la empresa llega cuando responde con la información de la empresa: procedimientos, tarifas, contratos, manuales. La técnica se llama RAG. Así funciona y así se configura bien en una IA local.
En resumen: el RAG (retrieval-augmented generation) divide los documentos en fragmentos pequeños, los indexa con un modelo de embedding y, en cada pregunta, pasa a la IA solo los fragmentos pertinentes. En Open WebUI se hace creando una Knowledge (base de conocimiento) y vinculándola a un modelo. Para el italiano conviene sustituir el modelo de embedding predeterminado por uno multilingüe, como bge-m3 o qwen3-embedding, y aumentar el contexto del modelo.
Cómo funciona, sin jerga
- Preparación: cada documento se divide en bloques de texto (en Open WebUI, por defecto, unos 1.000 caracteres con 100 de solapamiento).
- Indexación: un modelo de embedding transforma cada bloque en una "huella" numérica que representa su significado.
- Búsqueda: cuando haces una pregunta, el sistema busca los bloques con el significado más cercano (por defecto, los 3 mejores).
- Respuesta: el modelo recibe la pregunta junto con esos bloques y responde citando las fuentes.
Todo ocurre en el ordenador de la empresa: ni los documentos ni las preguntas salen de ella.
Configurarlo en Open WebUI
- Descarga un modelo de embedding multilingüe:
ollama pull bge-m3(1,2 GB) oollama pull qwen3-embedding:4b(2,5 GB). - En Panel de administración → Ajustes → Documentos elige Ollama como motor de embedding y selecciona el modelo descargado. El modelo predeterminado de Open WebUI está pensado sobre todo para el inglés.
- En Workspace → Knowledge crea una base de conocimiento por tema (por ejemplo "Procedimientos de calidad", "Tarifas 2026") y sube los documentos.
- Vincula la Knowledge a un modelo en Workspace → Modelos, o invócala en el chat escribiendo
#. - Aumenta el contexto del modelo (
num_ctx): con el valor predeterminado de 4.096 tokens en GPU de menos de 24 GB, los bloques recuperados pueden no caber.
Importante: si cambias el modelo de embedding después de subir los documentos, hay que volver a indexarlos. Elígelo antes de subir el archivo.
Por qué las respuestas a veces son incorrectas
- PDF escaneados: si el PDF es una imagen sin texto, la IA no lee nada. Primero hace falta el reconocimiento de texto (OCR).
- Tablas y tarifas: divididas en bloques pierden la estructura. Para datos tabulares suele ser mejor una conexión directa al software de gestión o a la base de datos que el RAG.
- Documentos duplicados o antiguos: si en el archivo hay tres versiones del mismo procedimiento, la IA puede citar la equivocada. Sube solo las versiones vigentes.
- Demasiados documentos en una única base: bases más pequeñas y temáticas dan respuestas más precisas.
- Preguntas demasiado genéricas: "dime todo sobre el cliente X" funciona peor que "¿cuáles son las condiciones de pago del contrato con el cliente X?".
Permisos: quién puede ver qué
Una IA conectada a los documentos ve todo lo que le das. Antes de cargar contratos, datos del personal o información confidencial:
- crea bases de conocimiento separadas por departamento o nivel de confidencialidad;
- usa los grupos de Open WebUI para decidir quién puede usar cada base;
- no cargues datos personales innecesarios: el principio de minimización del RGPD también se aplica a la IA.
Cuándo conviene pedir ayuda
¿Quieres todo en un PDF para imprimir o pasar a tus compañeros? Descarga gratis la guía completa: hardware, modelos, instalación, seguridad y checklist de 20 puntos.
Una prueba en un ordenador se hace en una tarde. Llevarla a producción para una empresa es otro trabajo: cuentas y permisos por departamento, acceso remoto seguro, copias de seguridad, actualizaciones, conexión con los programas de gestión y formación del personal (útil también para el AI Act).
Si la prueba te ha convencido y quieres una instalación fiable, escríbenos: partimos de lo que ya has probado. La consultoría de Dabryx empieza desde 100 € la hora.
Preguntas frecuentes
¿Qué es el RAG?
Es una técnica que permite a un modelo de IA responder usando documentos que no conocía: el sistema busca los fragmentos pertinentes en el archivo y se los pasa al modelo junto con la pregunta.
¿Hay que volver a entrenar el modelo con los documentos de la empresa?
No, en la mayoría de los casos. El RAG es más sencillo, más económico y se actualiza al instante cuando cambias los documentos; el entrenamiento (fine-tuning) sirve para necesidades específicas de estilo o formato.
¿Cuántos documentos se pueden conectar?
Incluso miles. El límite práctico es la calidad: bases temáticas, documentos actualizados y texto legible importan más que la cantidad.
¿Quieres una estimación para tu empresa?
Cuéntanos cuántas personas usarán la IA y para qué: te diremos qué configuración necesitas.
Tiempos de respuesta
En menos de 2 horas en días laborables (9:00–18:00) para clientes con contrato de asistencia.
Consultoría de IA
Desde 100 € la hora, en los servidores o Mac de tu empresa.
Dónde trabajamos
En toda Italia, en remoto y en tus instalaciones.