Cómo darle a la IA el contexto de la empresa (sin un proyecto de seis meses)

Respuesta corta primero: tú no entrenas un modelo con tu empresa. Conectas el material que ya existe a un sistema que busca dentro de él, mantiene los permisos de cada persona, y exige que toda respuesta diga de qué documento salió. Eso es todo. Hacer fine-tuning de un modelo con documentos internos es la manera cara de llegar a un resultado peor.

La gente espera algo más difícil porque el primer intento suele serlo. Alguien pega una política en ChatGPT, recibe una respuesta buena, y concluye que la empresa necesita "un proyecto de IA". Seis meses después existe una propuesta de data lake y nadie puede hacer una pregunta todavía.

Qué quiere decir "contexto" aquí

Tu empresa ya sabe la respuesta de casi toda pregunta que recibe. El conocimiento existe: en un drive, en una conversación cerrada, en la cabeza de quien negoció aquel contrato. Lo que falta es una forma de preguntar.

Así que el objetivo no es enseñarle tu negocio a un modelo. Es volver tu propio material respondible, dentro de las herramientas que la gente ya usa, con los permisos que ya existen.

Cuatro pasos

1. Elige una pregunta que duele. No una categoría: una pregunta. "¿Qué plazo de entrega prometemos?" "¿Qué clientes están en la tabla vieja?" Esa en la que alguien interrumpe a un colega todas las semanas.
2. Conecta las fuentes que la responden. Google Drive, Notion, GitHub, Linear, Slack. No todo lo que tienes; los dos o tres lugares que responden esa pregunta.
3. Pregunta y verifica la cita. Respuesta sin fuente es una adivinanza con confianza. Si el sistema no muestra el documento, no puedes liberar eso para nadie más que para ti.
4. Solo después amplía. La próxima pregunta, la próxima fuente, el próximo equipo. Valor el primer día y efecto compuesto después; un rollout big-bang no entrega ninguno de los dos.

Tres errores que cuestan más caro

Hacer fine-tuning con documentos internos. Es lento, es caro en cada actualización, el modelo no puede citar nada, y va a afirmar una política revocada con la misma seguridad con la que afirma la actual. La búsqueda (retrieval) no es la alternativa barata al fine-tuning aquí: es la correcta.

Dejar el permiso para después. En el instante en que un asistente responde a partir del material de la empresa, puede filtrarse. Tabla de salarios, contrato no firmado, dato de un cliente en una conversación de soporte. El permiso no es algo que se agrega después, porque "después" es el día en que alguien hace la pregunta equivocada y recibe respuesta. La regla que vale insistir: un agente que pregunta en nombre de alguien hereda el acceso de esa persona, nunca más que eso.

Confiar en el historial de chat como memoria. El historial de conversación no es memoria organizacional. Es por persona, por herramienta, y desaparece. Lo que quieres guardado es la decisión y su fuente, no la transcripción que produjo la decisión.

Qué hace ValorBrain sobre esto

Construimos el producto sobre exactamente las dos restricciones de arriba: la respuesta cita el documento del que salió, y el permiso se aplica por persona, incluso cuando es un agente de IA preguntando en su nombre. Conecta las fuentes listadas arriba y responde dentro de Claude, de Cursor y de cualquier cliente MCP, además de la propia interfaz.

En benchmark público, cuando la respuesta existe en el material, la encontramos entre los 10 primeros resultados en 96,58% de los casos (LoCoMo, 1986 preguntas). También publicamos dónde fallamos.

Los datos quedan en Brasil, bajo la LGPD, y en el plan Enterprise corren enteramente en tu infraestructura. Empezar es gratis: plan gratis, sin tarjeta. Cinco minutos para conectar la primera fuente es una estimación honesta; un proyecto de seis meses no lo es.