Cómo alimentar la base de conocimiento de un agente de IA (y por qué falla)

Antes de seguir leyendo, abre el chat de tu propio sitio y pregúntale a tu agente cuánto cuesta tu plan más caro. Si te contesta con un precio que dejaste de cobrar hace dos meses, o con una función que sacaste del producto hace semanas, el modelo no se equivocó: nadie le avisó del cambio.

Ese es el problema real detrás de “alimentar” un agente de IA: no termina el día que subes unos PDF. Hay que mantenerlo, porque las fuentes se desactualizan, se contradicen o dejan de revisarse. La parte técnica de conectar documentos es la fácil. La que casi nadie explica es por qué, meses después, el agente empieza a contestar cosas que ya no son ciertas.

De dónde saca el agente lo que sabe

Un agente de IA para soporte no “sabe” nada por sí solo. Responde buscando en un conjunto de fuentes que alguien de tu equipo eligió, y cuanto más ordenadas estén esas fuentes, mejor responde. En la práctica, hay tres formas de cargarlas: pegar una URL para que el agente rastree una página (tu sitio, tu centro de ayuda actual), subir documentos directamente (PDF, Word, texto plano) y sincronizar contenido que ya existe en otro lugar para que se actualice solo en vez de copiarlo a mano.

Hay una cuarta fuente que se pasa por alto porque parece obvia: la documentación pública de tu propio producto. En MelonHelp, cada página de docs está pensada con un doble propósito desde el día que se escribe: sirve para que un cliente se resuelva solo el problema, y también se agrega como fuente de conocimiento del agente (Knowledge → Add source → URL de la doc). Una guía de “cómo conectar Slack” no vive en dos lugares con dos versiones. Vive en un lugar, y el agente responde citando el mismo texto que ve un humano que busca en Google.

Esto importa porque resuelve el problema más común de la primera semana con un agente nuevo: la sensación de que hay que escribir todo de cero. Si ya tienes documentación pública decente, ya tienes la mitad del trabajo hecho. Lo que falta es la otra mitad, que no es documentación: son los casos que nunca se escribieron en ningún lado.

El ciclo que resuelve lo que la documentación no cubre

La documentación cubre lo previsible: cómo instalar, cómo configurar, qué significa cada estado. No cubre la excepción que un cliente inventó la semana pasada, ni la pregunta rara que solo se hizo una vez pero que puede volver a aparecer. Esa parte se alimenta distinto.

Cuando un agente de MelonHelp no encuentra la respuesta y escala el caso a un humano (el mecanismo completo está en cuándo un agente de IA debe escalar a un humano), el ticket resuelto por tu equipo no se archiva sin más. Se convierte en una lección candidata: un resumen de la pregunta y la respuesta correcta, listo para sumarse al conocimiento del agente. Pero esa lección no entra sola. Alguien de tu equipo la tiene que aprobar primero.

Ese paso de aprobación es la parte que distingue a un agente que mejora de uno que solo repite lo que le cargaste el primer día. Sin el filtro humano, cualquier respuesta improvisada de un agente de soporte con apuro se convertiría en verdad oficial para la próxima vez. Con el filtro, el conocimiento crece al ritmo real de los tickets que se resuelven, y crece con la versión corregida, no con la primera que se le ocurrió a alguien.

Las cuatro formas en que esto se rompe en la práctica

No hace falta que el modelo esté mal entrenado para que el agente empiece a fallar. Alcanza con que el mantenimiento de las fuentes se descuide, y eso pasa de maneras bastante predecibles.

Una fuente que dejó de estar viva. El caso del precio viejo con el que abrió este artículo es el más común. Subiste un PDF con la lista de precios en enero, cambiaste el pricing en julio y el PDF sigue ahí, citado como si nada hubiera pasado. El agente no tiene forma de saber que ese documento venció; para él, sigue siendo una fuente válida hasta que alguien lo saque o lo actualice.

Dos fuentes que se contradicen. Pasa seguido cuando una empresa crece rápido: el manual viejo de onboarding dice una cosa, la guía nueva que escribió otra persona dice otra, y ambas quedan cargadas al mismo tiempo. El agente no elige la más reciente por instinto. Elige la que le parece más relevante para esa pregunta puntual, y a veces esa elección no coincide con la que tú querías.

Nadie revisa las lecciones pendientes. El ciclo de aprobación deja de funcionar si la cola de lecciones candidatas se acumula sin que nadie la mire. El resultado es un agente que sigue escalando la misma pregunta una y otra vez, aunque tu equipo ya la contestó veinte veces, porque esa respuesta nunca llegó a convertirse en conocimiento aprobado.

Cargar de más sin curar. Es la menos frecuente y la más cara cuando pasa. Conectar todo el sitio, todo el Notion interno y todo el historial de tickets viejos de una sola vez suena eficiente, pero mezcla contenido de soporte con notas internas, borradores y páginas que ya no existen. Cuanto más ruido hay en las fuentes, más terreno tiene el agente para inventar una respuesta a partir de fragmentos que no encajan entre sí, que es exactamente el mecanismo que describimos en alucinaciones en soporte con IA.

Cómo revisar tu base de conocimiento sin esperar a que falle

No existe una versión de “cárgalo una vez y olvídate”. Lo que sí funciona es tratarlo como cualquier otro proceso operativo, con dueño y con calendario.

Asígnale a alguien concreto la revisión de fuentes cada vez que cambie algo que un cliente pueda preguntar: precios, funciones, políticas de reembolso, plazos. No hace falta un proceso pesado, alcanza con una regla simple: si el cambio se anuncia puertas afuera, el mismo día se revisa qué fuente del agente lo menciona. La cola de lecciones pendientes se revisa con la misma frecuencia que las métricas de resolución.

Si todavía estás evaluando qué proveedor usar y esto no lo tenías en la lista de preguntas, súmalo a la que armamos en qué preguntar en la demo de un agente de IA: quién revisa las lecciones aprobadas, con qué frecuencia, y si ese trabajo lo hace tu equipo o queda tercerizado en el proveedor sin que lo veas. Este mismo problema de fuentes desactualizadas es una de las razones por las que la tasa de resolución que muestra el panel no siempre coincide con lo que pasa en las conversaciones; el análisis completo está en qué resuelve de verdad un agente de IA.

Preguntas frecuentes