Caso de uso · IA aplicada a la Industrial Business Layer
Un asistente de soporte que conoce sus manuales
Un asistente de IA basado en sus propios manuales, fichas técnicas e historial de soporte: responde a las preguntas técnicas con las fuentes adjuntas y lo dice claramente cuando no sabe la respuesta.
Este caso de uso describe cómo aborda INDNOV este problema. Se trata de una arquitectura representativa, no de un caso real de un cliente concreto.
Señales de que lo necesita
- Las mismas preguntas técnicas llegan a soporte cada semana, y solo un puñado de expertos sabe responderlas.
- Responder implica encontrar la página correcta en la versión correcta de un manual, una ficha técnica o un ticket antiguo.
- El personal nuevo tarda meses en ser útil ante preguntas técnicas.
- El equipo comercial espera a soporte antes de responder a la pregunta de un cliente sobre una especificación.
El problema
Los productos industriales vienen acompañados de mucha documentación: manuales, fichas técnicas, guías de instalación, certificados, notas de aplicación y años de tickets de soporte. El conocimiento existe, pero está repartido entre unidades compartidas, archivos PDF y herramientas de soporte, en varios idiomas y versiones. Encontrar la respuesta correcta depende de unas pocas personas con experiencia que saben dónde buscar. Se convierten en un cuello de botella, y su conocimiento se va con ellas.
Los chatbots de IA genéricos no lo resuelven. Responden con soltura a partir de conocimiento general, no de sus documentos, y pueden equivocarse con total seguridad en el único detalle que importa: un par de apriete, un rango de temperatura, una restricción de compatibilidad.
El enfoque: respuestas basadas en sus propios documentos
El asistente no se apoya en lo que un modelo de IA «sabe». Primero recupera los fragmentos relevantes de su propia documentación y después hace que el modelo redacte una respuesta usando únicamente esos fragmentos, con un enlace a cada fuente.
Su conocimiento, indexado. Los manuales, fichas técnicas, notas técnicas, tickets de soporte y datos de producto del ERP o el PIM se incorporan, se dividen en fragmentos y se etiquetan por producto, versión e idioma. El índice se actualiza cuando cambian los documentos, de modo que las respuestas siguen la documentación vigente.
Recuperar antes de generar. Cada pregunta lanza primero una búsqueda —por significado, no solo por palabras clave— filtrada por producto, versión y permisos del usuario. Solo los fragmentos relevantes llegan al modelo de IA.
Respuestas con fuentes. El modelo redacta la respuesta a partir de esos fragmentos y los cita, de modo que el lector puede comprobar la página original con un clic. Una pregunta formulada en español puede responderse a partir de un manual en inglés, y viceversa.
Salvaguardas. Cuando no encuentra una fuente fiable, el asistente lo dice y pasa la pregunta a un experto en lugar de adivinar. Cada respuesta puede valorarse o corregirse, y las lagunas recurrentes señalan documentación que hay que escribir.
Cómo se implanta
- Auditoría del conocimiento y alcance piloto. Se inventarían la documentación y el historial de tickets, se acuerda qué líneas de producto e idiomas van primero y se reúne un conjunto de preguntas reales con respuestas correctas conocidas para medir la calidad de forma objetiva.
- Indexación y asistente interno. Se conectan las fuentes, se construye el índice y se entrega el asistente al equipo de soporte dentro de las herramientas que ya utiliza: la herramienta de soporte, Teams o la intranet. La calidad de las respuestas se mide con el conjunto de preguntas antes de la puesta en marcha.
- Retroalimentación, ampliación y acceso opcional para clientes. Las valoraciones y correcciones mejoran la documentación y el índice; se añaden más líneas de producto; y, solo cuando la calidad está demostrada, se puede abrir una versión a clientes o distribuidores, por ejemplo en un portal B2B.
Resultados esperados
- Respuestas más rápidas y coherentes a las preguntas técnicas, con la fuente adjunta.
- Expertos liberados de las preguntas repetitivas para centrarse en las difíciles.
- Personal nuevo productivo antes, con el conocimiento de la empresa a mano.
- Visibilidad sobre lo que realmente preguntan los clientes y dónde se queda corta la documentación.
Riesgos y ventajas e inconvenientes
- Las respuestas son tan buenas como la documentación. Los documentos desactualizados o contradictorios producen respuestas desactualizadas; la auditoría y el ciclo de retroalimentación existen para sacarlos a la luz.
- La IA puede equivocarse. Las citas, la regla del «no lo sé» y la revisión humana de todo lo que llega al cliente mantienen los errores visibles y acotados.
- Privacidad y confidencialidad de los datos. Los documentos y tickets pueden contener datos de clientes. Se respetan los permisos de acceso, los datos personales pueden excluirse del índice y hay opciones de despliegue alojadas en la UE o privadas.
- Es un producto que hay que cuidar, no un proyecto puntual. Las fuentes cambian, los modelos mejoran y la calidad de las respuestas debe medirse con regularidad.
La idea central
El valor no está en el modelo de IA, sino en el conocimiento técnico acumulado de su empresa, hecho fácil de encontrar. Un buen asistente de soporte responde a partir de sus documentos, muestra de dónde sale cada respuesta y sabe cuándo pasar la pregunta a una persona.