RAG para PYMEs: cómo crear un asistente de IA que responde con tus propios documentos (guía con n8n y Supabase)

RAG para PYMEs es la forma más práctica de crear un asistente de IA que responde con los documentos de tu propia empresa, citando siempre la fuente. En esta guía te explico qué es, cómo funciona y cómo montarlo paso a paso con n8n y Supabase, con costes, errores habituales y recomendaciones de privacidad.

El problema: la información existe, pero nadie la encuentra

Piensa en una semana normal en tu empresa. Alguien de ventas pregunta: «¿Cuál era el plazo de entrega que pactamos con este cliente?». Alguien nuevo en administración pregunta: «¿Cómo se tramita una devolución?». Un técnico necesita el procedimiento de un equipo que no toca desde hace un año.

La respuesta casi siempre existe. Está en un contrato en PDF, en un manual de Word, en una carpeta compartida con cuarenta subcarpetas o en un correo de hace dos años. El problema no es que falte información. Es que encontrarla cuesta tiempo, y cuando no se encuentra, se pregunta a la persona que «lo sabe todo».

Esa persona se convierte en un cuello de botella. Cada interrupción le quita concentración, y cuando se va de vacaciones o deja la empresa, el conocimiento se va con ella.

Por qué el buscador de siempre no resuelve esto

Los buscadores tradicionales (el del Drive, el del correo, el del sistema operativo) buscan palabras, no significado. Si buscas «devolución» y el documento dice «reembolso por producto defectuoso», no lo encuentras. Y aunque lo encuentres, te devuelve un documento de 40 páginas, no la respuesta.

Los asistentes de IA generales tienen el problema contrario: entienden muy bien el lenguaje, pero no conocen tu empresa. Si les preguntas por tu política de devoluciones, o dicen que no lo saben o, peor, inventan una respuesta que suena razonable. RAG une lo mejor de ambos mundos.

Qué es RAG, sin jerga

RAG (Retrieval-Augmented Generation) significa «generación aumentada con recuperación»: antes de responder, el sistema busca en tus documentos los fragmentos relevantes y se los entrega al modelo de IA para que responda basándose en ellos. Es la diferencia entre preguntarle a alguien de memoria y preguntarle con el manual abierto delante.

RAG no es «entrenar tu propia IA». No modificas el modelo ni necesitas cientos de miles de ejemplos. Tus documentos se guardan aparte, en una base de datos, y el modelo solo los consulta cuando hace falta. Por eso es mucho más barato y fácil de actualizar que un entrenamiento personalizado (fine-tuning).

Cómo funciona por dentro

Fase 1: Preparar el conocimiento (ingesta)

Se hace una vez, y después cada vez que añades o cambias un documento.

1. Extraer el texto de PDFs, Word, hojas de cálculo, páginas web o notas.
2. Dividir en fragmentos (chunking). Un documento de 50 páginas se trocea en piezas de unos cientos de palabras. El modelo trabaja mejor con fragmentos pequeños y concretos que con documentos enteros.
3. Convertir cada fragmento en un vector (embedding). Un modelo especial transforma cada texto en una lista de números que representa su significado. Textos con significado parecido quedan cerca entre sí, aunque usen palabras distintas.
4. Guardar los vectores en una base de datos vectorial junto con el texto original y datos de contexto (nombre del documento, fecha, categoría).

Fase 2: Responder preguntas (consulta)

1. La pregunta se convierte en un vector con el mismo modelo de embeddings.
2. Se buscan los fragmentos más cercanos en la base de datos.
3. Se construye un prompt con la pregunta, esos fragmentos y una instrucción clara: «Responde solo con la información proporcionada. Si no está, di que no lo sabes. Indica la fuente».
4. El modelo redacta la respuesta y el sistema la devuelve con las referencias a los documentos.

Un ejemplo concreto

Pregunta del usuario: «¿Cuántos días tiene un cliente para devolver un producto?»

El sistema encuentra este fragmento de politica-devoluciones-2026.pdf:

«El cliente dispondrá de 30 días naturales desde la recepción del pedido para solicitar la devolución, siempre que el producto se encuentre en su embalaje original.»

Y la respuesta final será algo así:

«El cliente tiene 30 días naturales desde la recepción para solicitar la devolución, con el producto en su embalaje original. Fuente: politica-devoluciones-2026.pdf«

Sin inventar, y con la referencia para verificar.

Cuándo merece la pena (y cuándo no)

Cuándo SÍ

• Tu equipo repite las mismas consultas internas una y otra vez: soporte, administración, onboarding, consultas técnicas.
• Tienes documentación extensa que cambia poco: manuales, procedimientos, políticas, catálogos, contratos tipo.
• El conocimiento está concentrado en pocas personas y quieres reducir esa dependencia.
• Quieres atender consultas de clientes con información fiable.

Cuándo NO

• Tienes pocos documentos. Con veinte archivos bien ordenados, un buscador y buenas carpetas dan el mismo resultado sin montar nada.
• La información cambia cada día. Para datos en tiempo real (por ejemplo, stock) necesitas consultar una base de datos directamente.
• Los documentos están desordenados o desactualizados. RAG no arregla un problema de gestión documental; lo amplifica. Si hay tres versiones contradictorias del mismo procedimiento, el asistente responderá con cualquiera de ellas.
• Manejas datos muy sensibles y no has resuelto antes dónde y cómo se procesan.

Arquitectura recomendada para una PYME

Una arquitectura sencilla, con pocas piezas y todas reemplazables:

[Fuentes de documentos]        [n8n]                    [Supabase]
 Google Drive / SharePoint  →  Flujo de ingesta   →   Tabla con vectores
 PDFs, Word, Notion                                      (pgvector)
                                                              ↑
[Usuario]                                                     │
 Chat web / Slack / WhatsApp → Flujo de consulta  →  Búsqueda por similitud
                                    │
                                    ↓
                              [Modelo de IA]
                                    │
                                    ↓
                          Respuesta + fuentes

• n8n orquesta todo sin programar mucho, se puede alojar en tu propio servidor y tiene nodos específicos para IA, bases vectoriales y agentes.
• Supabase con pgvector te da una base PostgreSQL normal con soporte para vectores: una sola herramienta para datos y vectores, con plan gratuito para empezar.
• Un modelo de IA de tu elección para generar la respuesta, que puedes cambiar sin rehacer nada.

Hay alternativas (Pinecone, Qdrant, Weaviate, Chroma), pero para una PYME que empieza, mantener todo en PostgreSQL reduce la complejidad.

Implementación paso a paso

Paso 0: Elegir el alcance (media jornada)

No indexes toda la empresa el primer día. Elige un conjunto de documentos y un grupo de usuarios. Buenos candidatos: las preguntas frecuentes de atención al cliente, el manual de procedimientos internos o el catálogo técnico de producto.

Antes de empezar, escribe 20 preguntas reales que tu equipo hace a menudo, con su respuesta correcta. Te servirán para evaluar si el sistema funciona.

Paso 1: Preparar la base de datos en Supabase

Activa la extensión de vectores y crea la tabla donde se guardarán los fragmentos:

-- Activar soporte de vectores
create extension if not exists vector;

-- Tabla de fragmentos
create table documentos (
  id bigserial primary key,
  contenido text not null,
  metadata jsonb,                -- nombre del archivo, fecha, categoría...
  embedding vector(1536)         -- la dimensión depende del modelo de embeddings
);

-- Índice para acelerar las búsquedas
create index on documentos
  using hnsw (embedding vector_cosine_ops);

-- Función de búsqueda por similitud
create or replace function buscar_documentos(
  query_embedding vector(1536),
  num_resultados int default 5
)
returns table (id bigint, contenido text, metadata jsonb, similitud float)
language sql stable as $$
  select
    id,
    contenido,
    metadata,
    1 - (embedding <=> query_embedding) as similitud
  from documentos
  order by embedding <=> query_embedding
  limit num_resultados;
$$;

Importante: la dimensión del vector (1536 en este ejemplo) debe coincidir con la del modelo de embeddings que uses. Compruébalo en su documentación antes de crear la tabla.

Paso 2: Flujo de ingesta en n8n

[Google Drive Trigger: archivo nuevo o modificado]
        ↓
[Google Drive: descargar archivo]
        ↓
[Extract from File: extraer texto del PDF/Word]
        ↓
[Text Splitter: dividir en fragmentos]
        ↓
[Embeddings: generar vector de cada fragmento]
        ↓
[Supabase Vector Store: insertar en la tabla]

Configuración recomendada del troceado:

• Tamaño de fragmento: 500-1.000 caracteres (aproximadamente 100-200 palabras) como punto de partida.
• Solapamiento: 10-20 % entre fragmentos consecutivos, para que una idea no quede cortada entre dos piezas.
• Metadatos: guarda siempre el nombre del archivo, la fecha de última modificación y, si puedes, la sección o página. Los necesitarás para citar fuentes.

Si prefieres controlar el troceado con código, este es un ejemplo mínimo en Python:

def trocear(texto: str, tamano: int = 800, solapamiento: int = 120) -> list[str]:
    """Divide un texto en fragmentos con solapamiento."""
    fragmentos = []
    inicio = 0
    while inicio < len(texto):
        fin = inicio + tamano
        fragmentos.append(texto[inicio:fin].strip())
        inicio = fin - solapamiento
    return [f for f in fragmentos if f]

Un detalle práctico: cuando un documento se modifica, elimina primero sus fragmentos antiguos (filtrando por el nombre del archivo en metadata) y vuelve a insertarlos. Si no, tendrás versiones viejas y nuevas mezcladas.

Paso 3: Flujo de consulta en n8n

[Chat Trigger / Slack / WhatsApp]
        ↓
[AI Agent]
   ├── Modelo de chat (el LLM que redacta)
   ├── Memoria (últimos mensajes de la conversación)
   └── Herramienta: Supabase Vector Store (recuperar documentos)
        ↓
[Respuesta con fuentes al usuario]

El punto clave está en las instrucciones del sistema del agente. Un prompt base que funciona bien:

Eres el asistente interno de [Nombre de la empresa].
Responde SOLO con la información de los documentos recuperados.
Si la información no aparece en los documentos, responde:
"No he encontrado esa información en la documentación."
No inventes datos, cifras ni plazos.
Al final de cada respuesta, indica el nombre del documento de donde procede.
Responde en español, de forma clara y breve.

Esas líneas son la mayor defensa contra las alucinaciones. Ajústalas con las pruebas.

Paso 4: Probar con tus 20 preguntas

Lanza las preguntas que preparaste y anota para cada una: ¿es correcta la respuesta?, ¿cita el documento correcto? y, si falla, ¿falló la búsqueda (no encontró el fragmento) o la redacción (lo encontró pero respondió mal)? Si falla la búsqueda, ajusta el troceado, el número de fragmentos recuperados o la calidad del documento. Si falla la redacción, ajusta el prompt o el modelo.

Paso 5: Lanzamiento controlado

Empieza con 3-5 personas del equipo durante dos semanas. Añade una forma sencilla de dar feedback (un 👍 / 👎 en cada respuesta, o una columna en una hoja de cálculo). Revisa cada semana las respuestas valoradas negativamente: son tu lista de mejoras.

Casos de uso para PYMEs

• Soporte interno para nuevas incorporaciones: «¿cómo pido vacaciones?», «¿a quién le paso esta incidencia?». Reduce las interrupciones al equipo veterano.
• Atención al cliente de primer nivel: un chat que responde preguntas frecuentes con información del catálogo, plazos y políticas. Lo prudente es que escale a una persona cuando no encuentra la respuesta.
• Consulta técnica de producto: especificaciones, compatibilidades y procedimientos en segundos, en lugar de buscar en fichas PDF.
• Consulta de contratos y condiciones: «¿qué penalización tiene el contrato con este proveedor?» con la cláusula exacta. Útil como ayuda, nunca como sustituto de un profesional cuando hay implicaciones legales.
• Base de conocimiento de servicios: proyectos anteriores, propuestas y buenas prácticas para acelerar nuevas ofertas.

Errores comunes a evitar

1. Subir documentos desactualizados

El asistente responderá con total seguridad algo que dejó de ser cierto hace un año. Revisa y retira versiones obsoletas antes de indexar, incluye la fecha en los metadatos y define un responsable de cada conjunto de documentos.

2. No pedir citas de fuente

Sin referencia, nadie puede comprobar la respuesta y el equipo acaba desconfiando de la herramienta. Exige en el prompt que cada respuesta indique el documento de origen.

3. Trocear mal los documentos

Fragmentos demasiado grandes diluyen la respuesta; demasiado pequeños pierden contexto. Empieza con 500-1.000 caracteres y solapamiento, prueba con tus preguntas reales y ajusta. Para tablas y listados, evita partir una fila por la mitad.

4. Querer que lo sepa todo desde el primer día

Indexar toda la empresa a la vez genera ruido y contradicciones. Un ámbito acotado, medido y mejorado; después amplías.

5. No tener un «no lo sé» claro

El modelo intenta ser útil y rellena huecos con suposiciones. Añade la instrucción explícita y, si es posible, un umbral de similitud mínimo: si ningún fragmento lo supera, el sistema ni siquiera llama al modelo.

6. Ignorar los permisos

El asistente puede acabar respondiendo a cualquier empleado con información que solo debería ver dirección o RR. HH. Guarda el nivel de acceso en los metadatos y filtra la búsqueda según el usuario, o crea asistentes separados por área.

Privacidad, seguridad y RGPD

Estás enviando fragmentos de documentos de tu empresa a servicios externos, así que conviene ir con cuidado. Antes de empezar, revisa:

• Qué proveedor procesa tus datos (embeddings, modelo de chat y base de datos) y dónde están sus servidores.
• Si el proveedor usa tus datos para entrenar sus modelos. Los planes de API suelen ofrecer que no, pero compruébalo en sus condiciones.
• Si hay datos personales (clientes, empleados). Entra en juego el RGPD: necesitas base legal, minimización de datos y, normalmente, un contrato de encargado del tratamiento con el proveedor.

Buenas prácticas básicas: no indexes documentos con datos personales si no es imprescindible (anonimiza antes), mantén un inventario de qué documentos están indexados, controla quién puede preguntar y ver cada fuente, y si la sensibilidad es alta valora un modelo en tu propia infraestructura. Esto no sustituye el asesoramiento de tu responsable de protección de datos o de un profesional jurídico.

Costes y retorno esperable

Los costes dependen de los proveedores y cambian con frecuencia, así que verifica los precios actuales antes de presupuestar. Lo que sí se puede decir es de dónde sale el gasto:

Para consultas internas con un modelo económico, el gasto mensual en APIs suele ser pequeño comparado con el tiempo que ahorra. Lo que realmente conviene presupuestar son las horas de preparación de los documentos y de revisión periódica.

Para estimar el retorno no necesitas cifras sofisticadas:

Consultas internas repetitivas por semana:     N
Minutos medios que cuesta resolver cada una:   M
Coste hora medio del personal implicado:       C

Ahorro anual aproximado = N × (M / 60) × C × 48 semanas × % que resuelve el asistente

Con 40 consultas semanales, 10 minutos cada una, 25 €/hora y un asistente que resuelva el 60 %, el ahorro estimado sería de unos 4.800 € al año, sin contar el valor de no interrumpir a las personas clave. Es un ejemplo ilustrativo: sustituye los números por los de tu empresa.

Cómo medir si funciona

Define desde el principio tres indicadores sencillos:

1. Tasa de respuestas correctas: sobre tu batería de 20-50 preguntas, qué porcentaje responde bien y con la fuente correcta.
2. Calidad del «no lo sé»: cuántas veces dice que no encuentra la información cuando de verdad no está (bueno) frente a cuántas veces lo dice cuando sí estaba (fallo de búsqueda).
3. Satisfacción de los usuarios: el 👍 / 👎 de cada respuesta y los comentarios libres.

Repite la batería de pruebas cada vez que cambies el troceado, el prompt, el modelo o los documentos. Así sabrás si un cambio mejora o empeora.

Próximos pasos

Si quieres hacerlo tú mismo

• Semana 1: elegir el conjunto de documentos y el grupo piloto, depurar los documentos y redactar las 20 preguntas de prueba.
• Semana 2: crear el proyecto en Supabase y la tabla de vectores, montar el flujo de ingesta en n8n y cargar los documentos.
• Semana 3: montar el flujo de consulta y el prompt del sistema, ejecutar la batería de pruebas y ajustar.
• Semana 4: lanzamiento al grupo piloto con feedback integrado y revisión semanal de respuestas valoradas negativamente.

Si prefieres apoyo profesional

Busca a alguien que haya puesto RAG en producción (no solo demos), que te ayude a evaluar la calidad con tus propias preguntas, que deje el sistema documentado y portable, y que te explique cómo mantenerlo sin depender de él.

Conclusión

Un asistente con RAG no es magia ni sustituye a las personas. Es una forma de hacer que el conocimiento que tu empresa ya tiene esté disponible en segundos, con fuente, para quien lo necesite.

Lo que marca la diferencia no es la tecnología, que hoy es accesible, sino tres decisiones de gestión: empezar con un ámbito pequeño, mantener los documentos al día y medir los resultados. Si cumples esas tres, en unas semanas tendrás algo útil. Si no, tendrás una demo vistosa que nadie usa.

¿Cuál es la pregunta que más se repite en tu equipo? Ahí es donde empezaría.

Recursos

• n8n: n8n.io, documentación de nodos de IA, agentes y vector stores.
• Supabase: supabase.com/docs, guías de pgvector y búsqueda semántica.
• pgvector: extensión de PostgreSQL para vectores, con su documentación en GitHub.

Preguntas frecuentes

¿Qué es RAG en inteligencia artificial?

RAG (Retrieval-Augmented Generation) es una técnica en la que, antes de responder, el sistema busca en tus documentos los fragmentos relevantes y se los entrega al modelo de IA. Así responde con información de tu empresa y puede citar la fuente.

¿Necesita una PYME programar para montar un asistente con RAG?

No necesariamente. Con n8n y Supabase se puede montar con pocos nodos y algo de configuración. Programar ayuda para afinar el troceado o la seguridad, pero no es imprescindible para un primer piloto.

¿Es lo mismo RAG que entrenar mi propia IA?

No. En RAG no modificas el modelo: tus documentos se guardan aparte en una base de datos y el modelo solo los consulta al responder. Es más barato y mucho más fácil de actualizar.

¿Es seguro subir documentos de mi empresa?

Depende del proveedor y de los documentos. Conviene revisar dónde se procesan los datos, si se usan para entrenar modelos y evitar subir datos personales innecesarios, teniendo en cuenta el RGPD.

¿Por dónde empezar?

Elige un conjunto pequeño de documentos (por ejemplo, las preguntas frecuentes de atención al cliente), prepara 20 preguntas de prueba y mide cuántas responde bien el asistente durante dos semanas.

¿Hablamos de tu empresa?

Si quieres un asistente de IA que responda con los documentos de tu empresa, pero no sabes por dónde empezar, un diagnóstico de procesos y estrategia digital te da una hoja de ruta con prioridades claras. Y si prefieres comentarlo directamente, cuéntanos tu caso y lo vemos contigo.

Sigue leyendo

• RAG + Agentes. Cómo tus datos ahora hablan solos (Guía 2026)
• OpenAI acaba de darle una oficina a sus agentes de IA
• Predicción de demanda e inventario para pymes con IA
• Empresa data-driven: guía para pymes, de los datos a las decisiones

Pedro Alcázar | Consultor IT · Automatización con IA · n8n · Datos
Newsletter «Automatiza con IA y cabeza» — Para PYMEs que quieren hacer más con menos