Cómo una empresa tecnológica rusa convirtió el conocimiento corporativo en un sistema RAG operativo

El problema de la memoria corporativa le resulta familiar a cualquier empresa tecnológica que haya superado los cien empleados. La documentación está dispersa en decenas de sistemas, la experiencia está encerrada en la cabeza de unas pocas personas clave, y un ingeniero nuevo tarda semanas en encontrar la respuesta a una pregunta que alguien ya resolvió hace seis meses. Los ingenieros de Tsifra, desarrolladora rusa de soluciones de plataforma para la industria, decidieron atacar el problema de forma sistemática y construyeron un pipeline RAG completo para uso interno.

RAG, o Retrieval-Augmented Generation, hace tiempo que dejó de ser una rareza en el mundo de la IA corporativa. La idea es sencilla: en lugar de confiar en que el modelo de lenguaje «recuerde» la información necesaria, el sistema primero localiza documentos relevantes en una base de conocimiento y luego se los pasa como contexto para generar la respuesta. Pero entre un bonito diagrama de arquitectura y un producto que funciona hay un abismo de decisiones de ingeniería, y son esos detalles los que hacen que el caso de Tsifra sea realmente valioso para el sector.

La arquitectura, descrita por Dmitri Omarov, ingeniero principal del centro de formación, y su colega Fiódor Arefiev, se apoya en varios principios clave. El primero, y quizá el más importante, es la decisión deliberada de no reentrenar los modelos de lenguaje. El ajuste fino de un LLM corporativo suena atractivo en las presentaciones, pero en la práctica es un proceso caro que exige actualizaciones constantes cada vez que cambia la documentación.

El equipo apostó por una base de conocimiento dinámica: los documentos se indexan, se convierten en representaciones vectoriales y se almacenan localmente. Cuando un empleado hace una pregunta, el sistema encuentra los fragmentos más relevantes mediante búsqueda vectorial y después pasa los resultados por una etapa de reranking, una clasificación adicional que descarta el ruido y mejora la precisión. Solo entonces el contexto ensamblado se envía a un modelo de lenguaje en la nube para generar la respuesta final.

El enfoque de seguridad de la información merece atención aparte, ya que es un tema delicado para cualquier empresa que trabaja con clientes industriales. Enviar documentos internos a un servicio de IA en la nube sin filtrarlos es un camino directo a la fuga de datos. Los ingenieros de Tsifra implementaron una capa local de limpieza: antes de que el contexto salga del perímetro de la empresa, se elimina automáticamente la información sensible.

Es una solución elegante que permite aprovechar la potencia de los LLM en la nube sin ceder en seguridad. En la práctica, la empresa obtiene lo mejor de ambos mundos: control local sobre sus datos y la calidad de generación que solo ofrecen los grandes modelos en la nube.

La lucha contra las alucinaciones es otro frente en el que el equipo logró resultados notables. Los modelos de lenguaje tienden a generar información que suena verosímil pero es falsa, y en un entorno corporativo eso es inadmisible. Una referencia errónea a un reglamento o una recomendación técnica equivocada puede tener consecuencias reales en la planta. La solución resultó ser en parte de ingeniería y en parte metodológica: un prompt de sistema cuidadosamente diseñado limita con rigidez al modelo, exigiéndole basarse exclusivamente en el contexto proporcionado y acompañar cada respuesta con enlaces a las fuentes primarias. Si la base de conocimiento no contiene información para responder, el modelo debe reconocerlo con honestidad en lugar de inventar.

Este caso importa menos por sus decisiones técnicas concretas que por su enfoque general. Las empresas rusas operan en condiciones particulares: el acceso a las principales plataformas de IA en la nube está restringido, los requisitos de los reguladores sobre el tratamiento de datos son estrictos y los presupuestos para infraestructura de IA distan de ser ilimitados. En ese contexto, los sistemas RAG con una capa de búsqueda local y una interacción controlada con la nube se están convirtiendo, en la práctica, en la arquitectura estándar. Permiten equilibrar calidad, coste y seguridad, tres parámetros que en la IA corporativa casi siempre están en conflicto entre sí.

La experiencia de Tsifra también ilustra una tendencia más amplia: en 2026, la IA corporativa ya no consiste en experimentar con chatbots, sino en construir infraestructura de gestión del conocimiento. Las empresas que aprendan a hacer accesible su experiencia colectiva mediante búsqueda inteligente obtendrán una ventaja competitiva medible. Se reduce el tiempo de adaptación de los nuevos empleados, se acaba la resolución repetida de problemas ya resueltos y la información crítica deja de depender de expertos concretos. En la práctica, un sistema RAG convierte la memoria corporativa de un archivo pasivo en una herramienta de trabajo activa, y ahí reside su verdadero valor.