Raggo: asistente de IA con fuentes citadas
Raggo es el asistente de inteligencia artificial que desarrollamos en Coresis para responder con el conocimiento de una organización. Busca en documentos, sitios, cursos, videos y bases de datos autorizados, redacta la respuesta y cita la fuente de cada dato, de modo que cualquier persona pueda verificarla en un clic.
Funciona con modelos de lenguaje que se ejecutan en la infraestructura del cliente: el contenido y las conversaciones no se envían a proveedores externos de IA. Cuando la respuesta no está en las fuentes, lo dice en lugar de inventarla.
Capacidades principales
Respuestas con fuente
Cada respuesta incluye citas numeradas que enlazan al documento original. La verificación no depende de confiar en el modelo, sino de abrir la fuente.
Dice "no sé" cuando no sabe
Si el contenido no tiene la respuesta, lo informa con un mensaje claro y registra la pregunta como sin respuesta. Esa lista muestra qué documentación falta.
Permisos antes de buscar
El contenido restringido no se consulta, así que no puede filtrarse en una respuesta. Los grupos se toman del directorio que ya usa la organización.
Modelos en infraestructura propia
Los modelos de IA corren dentro de la organización, de modo que documentos y conversaciones no salen hacia proveedores externos de IA.
Búsqueda en español e inglés
Se puede preguntar en un idioma y encontrar contenido escrito en el otro; la respuesta llega en el idioma de la pregunta.
Fuentes siempre al día
La sincronización con cada fuente es programada y procesa solo lo que cambió, para que el asistente no responda con información vencida.
Cuándo conviene un RAG privado como Raggo
Raggo encaja cuando una organización tiene mucho conocimiento repartido entre manuales, normativas, cursos, videos y portales, y las mismas preguntas llegan una y otra vez por correo o por chat. Un buscador clásico devuelve listas de enlaces; Raggo devuelve una respuesta redactada con las fuentes que la sustentan. Para entender el enfoque antes que el producto, explicamos qué es RAG y cómo funciona en la empresa.
No encaja cuando la tarea es ejecutar acciones en otros sistemas, como registrar un caso o aprobar una solicitud: eso corresponde a agentes de IA con herramientas controladas, y cuando el trabajo exige reintentos y evidencia de cada paso lo ejecutamos sobre AquilaMesh. Tampoco reemplaza el orden del contenido: si la documentación está desactualizada, el primer trabajo es depurarla.
Cómo funciona Raggo
El proceso tiene tres pasos. Primero se conectan las fuentes: se suben archivos o se enlazan el sitio web, la plataforma de cursos, los videos o las bases de datos. Después Raggo lee y organiza ese contenido para entender lo que significa, no solo las palabras exactas, y en ese momento se define qué grupos de personas pueden consultar cada fuente. Por último, los usuarios preguntan desde un chat que se instala en el sitio con dos líneas de código, o desde un buscador con filtros, y reciben respuestas con enlace a la fuente.
El chat se personaliza con título, saludo y color. Un panel de analítica muestra qué se pregunta, qué no se pudo responder y qué contenido conviene crear o actualizar.
Seguridad y privacidad de los datos
Raggo se diseñó para que los datos se queden en la organización:
- Modelos de IA en infraestructura propia. Las conversaciones no se envían a proveedores externos de IA.
- Permisos antes de buscar. El contenido restringido ni siquiera se consulta, así que no puede aparecer en una respuesta.
- Acceso con la identidad actual. Google, Microsoft o el directorio corporativo; los grupos existentes definen qué ve cada persona.
- Privacidad por diseño. Datos personales ocultos en la analítica, retención de 90 días y exportación o borrado bajo solicitud.
Conectores y formatos compatibles
Raggo trae conectores para Drupal, Moodle, H5P, YouTube (a partir de las transcripciones), sitios web, bases de datos SQL y carga de archivos. Lee PDF, Word, PowerPoint, Excel, CSV, HTML y texto o Markdown. Si la organización usa otra fuente, desarrollamos un conector a la medida.
Calidad medida en pruebas internas
Antes de prometer resultados, los medimos. Estas son las cifras de nuestras pruebas internas:
| Indicador | Resultado |
|---|---|
| Calidad de búsqueda (nDCG@10) con reordenamiento | 0,93, frente a 0,86 sin reordenamiento |
| Preguntas fuera del contenido rechazadas correctamente | 100% |
| Tiempo de búsqueda con reordenamiento | ~0,4 s |
| Tiempo típico de una respuesta completa con citas | 6–9 s |
Las cifras provienen de pruebas controladas en la infraestructura del laboratorio de innovación de Coresis, sobre un servidor con GPU NVIDIA RTX 5080. La evaluación usó un corpus sintético de 110 registros en español e inglés, con 90 preguntas que el contenido puede responder y 8 que no, para medir también el rechazo. No son resultados de clientes: con el contenido real de cada organización repetimos la evaluación durante la demo.
Preguntas frecuentes sobre Raggo
¿Los documentos se envían a OpenAI, Google u otra empresa?
No. Raggo funciona con modelos de IA que se ejecutan en la infraestructura de la organización, de modo que el contenido y las conversaciones no se envían a proveedores externos de IA.
¿Qué pasa si la respuesta no está en los documentos?
Raggo responde con un mensaje claro indicando que no encontró información y registra la pregunta como sin respuesta, para identificar qué contenido falta. No inventa datos.
¿Una persona puede ver información que no le corresponde?
No. Los permisos se aplican antes de buscar: el contenido restringido nunca llega al modelo ni a la respuesta. Los grupos pueden tomarse del directorio de Google, Microsoft o Active Directory.
¿En qué idiomas funciona?
En español e inglés, con búsqueda entre idiomas: una persona puede preguntar en español, encontrar contenido escrito en inglés y recibir la respuesta en su idioma.
¿Cómo se instala en un sitio web?
El asistente se incorpora con dos líneas de código y se personaliza con título, saludo y color. También hay una página de resultados de búsqueda con filtros.
¿Cuánto tarda la puesta en marcha?
Depende de las fuentes y de la infraestructura disponible. En la demo revisamos el caso y proponemos un plan realista; preferimos no prometer plazos sin conocer el contenido.
Guía de decisión
Cómo evaluar un asistente de IA sobre contenido propio
Un asistente que responde con documentos internos solo es útil si sus respuestas se pueden verificar, respeta lo que cada persona puede ver y no inventa cuando falta información. Antes de comparar modelos conviene revisar fuentes, permisos, infraestructura y la forma de medir la calidad con preguntas reales.
Bibliotecas y universidades
Un buscador con IA para recursos, normativas y cursos, en español e inglés, con filtros y respuestas con cita.
Soporte y áreas internas
Un asistente que resuelve las preguntas frecuentes de empleados o clientes con la documentación vigente.
Gobierno y atención ciudadana
Información de trámites y servicios consultable en lenguaje natural, con control de acceso y trazabilidad.
Cómo encaja en la arquitectura
La identidad de la persona define sus grupos y los grupos definen las fuentes permitidas. Sobre esas fuentes Raggo busca por significado, reordena los resultados por relevancia y entrega el contexto a un modelo que corre en la infraestructura de la organización, que redacta la respuesta con citas. Los conectores mantienen el contenido al día y el panel de analítica registra qué se pregunta y qué queda sin respuesta, sin exponer datos personales.
Qué validar antes de adoptarlo
- Inventariar las fuentes, sus responsables y su frecuencia de actualización.
- Definir qué grupos del directorio pueden consultar cada fuente.
- Preparar preguntas reales, incluidas algunas que el contenido no puede responder.
- Confirmar la infraestructura para ejecutar los modelos y la política de retención.
Cuándo no elegirlo
Si el objetivo es ejecutar acciones en otros sistemas, la pieza adecuada es un agente con herramientas controladas, no un asistente de consulta. Si la documentación está desactualizada o no tiene responsables, el asistente repetirá esos problemas con más rapidez: primero hay que ordenar el contenido. Y si las preguntas se resuelven encontrando un único documento, un buscador bien configurado puede ser suficiente.
Cómo lo aplica Coresis
Raggo es un producto propio de Coresis. Lo conectamos a portales Drupal, plataformas de cursos y repositorios documentales, y lo validamos con el contenido real de cada organización antes de proponer un plan. Cuando el caso pide agentes de producto usamos Dify; para trabajo delegado con control, AquilaMesh; y el acompañamiento lo da nuestra agencia de IA.
Demo y tecnologías relacionadas
Agenda una demo con documentos propios por WhatsApp o desde el formulario de contacto. Te mostramos Raggo en acción y te decimos con honestidad si encaja en tu caso.