Cómo construir un agente de IA que resuelve las dudas de tu equipo
El procedimiento completo para montar un agente de IA que responde las preguntas internas de tu equipo con base en tus propios manuales, sin inventar nada.
RAG, memoria y evaluación explicados sin tecnicismos, con un PDF de checklist para no dejar cabos sueltos
Un procedimiento completo para montar un agente que responde con tus manuales, no de memoria.
Cada negocio tiene al menos un empleado que contesta siempre las mismas preguntas: cómo se pide un reembolso de gastos, qué dice tal política, dónde está la plantilla de tal trámite. Un agente de IA para soporte interno hace ese trabajo por ti, respondiendo con tus propios manuales en lugar de inventar algo parecido. Esta guía trae además un PDF gratis para descargar: la checklist de lo que no puedes olvidar antes de lanzarlo.
En resumen
Un agente de IA de soporte interno es un asistente que responde las dudas de tu equipo apoyándose en los manuales, políticas y tickets de tu negocio, en lugar de contestar de memoria. Se construye en cuatro pasos —elegir canal y modelo, conectar los documentos con RAG, darle herramientas y memoria, y probarlo antes de lanzarlo— y el modelo de IA más económico de OpenAI, GPT-5 mini, cuesta desde $0.25 USD por millón de tokens de entrada, según su propia documentación.
- Responde con tus manuales, no de memoria
- Se construye en 4 pasos: canal, documentos, herramientas y pruebas
- El costo en tokens es bajo; preparar los documentos es lo que más tarda
Qué es (y qué no es) un agente de IA de soporte interno
Un agente de IA de soporte interno es un asistente que tu equipo consulta por texto o voz, y que busca la respuesta en los documentos reales de tu negocio antes de contestar. No es lo mismo que un chatbot de reglas (ese solo sigue un árbol de opciones fijo) ni que pegarle la pregunta directamente a ChatGPT: un agente conectado a tus manuales no se inventa una política de vacaciones que no existe, porque responde buscando primero en tus documentos.
La diferencia que importa
La técnica que hace esto posible se llama RAG (Retrieval-Augmented Generation): antes de contestar, el agente busca los fragmentos más parecidos a la pregunta dentro de tus documentos y se los pasa al modelo de IA como contexto. Sin RAG, el modelo responde con lo que "cree" que es cierto; con RAG, responde con lo que de verdad dice tu manual.
Paso 1: elige el canal y el motor de IA
Lo primero es decidir por dónde tu equipo le va a hablar al agente y qué modelo de IA va a pensar las respuestas. El canal más común para un negocio chico en México es un chat interno (una página web sencilla o un grupo de WhatsApp dedicado); los equipos más grandes suelen preferir Slack o Microsoft Teams porque ya viven ahí todo el día.
| Canal | Para quién conviene | Qué necesita |
|---|---|---|
| Chat web interno | Negocios de cualquier tamaño que quieren control total | Una página o widget conectado al flujo de IA |
| WhatsApp interno | Equipos de campo, talleres, repartidores sin computadora fija | Un número de WhatsApp Business dedicado al equipo |
| Slack o Teams | Empresas que ya usan esas herramientas para comunicarse | Un bot instalado en el espacio de trabajo |
Para el motor de IA, lo que importa en un agente de soporte interno no es el modelo más potente del mercado, sino uno que siga instrucciones de forma consistente y que sea barato por consulta, porque el volumen de preguntas internas suele ser alto. OpenAI, Anthropic (Claude) y Google (Gemini) ofrecen versiones "económicas" de sus modelos pensadas justo para este tipo de tareas repetitivas; la comparación detallada entre ellas depende de qué tan compleja es la pregunta promedio de tu equipo, así que conviene probar con el mismo lote de preguntas reales antes de decidir cuál se queda.
Paso 2: conecta tus documentos con RAG
Este es el paso que de verdad distingue a un agente útil de uno que improvisa. Consiste en tomar tus manuales, políticas, procedimientos y tickets resueltos, cortarlos en fragmentos manejables, convertir cada fragmento en un vector (una representación numérica de su significado) y guardarlos en una base de datos vectorial para que el agente pueda buscar ahí antes de responder.
Reúne y limpia tus documentos
Junta manuales, políticas, contratos tipo y los tickets o correos con las preguntas que más se repiten. Borra lo que esté desactualizado: el agente va a citar exactamente lo que encuentre.
Divide los documentos en fragmentos
Corta cada documento en bloques de unos 200 a 500 tokens (más o menos un párrafo largo), con algo de traslape entre bloques para no perder contexto, como recomienda la guía de construcción de agentes RAG con n8n.
Genera los vectores (embeddings)
Pasa cada fragmento por un modelo de embeddings, como text-embedding-3-small de OpenAI, que convierte el texto en un vector que se puede comparar matemáticamente con la pregunta del usuario.
Guárdalos en una base de datos vectorial
Para producción usa una base persistente (como PGVector) y no la memoria temporal de pruebas, o perderás todo al reiniciar el flujo.
Conecta el buscador al agente
En una herramienta como n8n, conviertes ese buscador vectorial en una herramienta más que el agente de IA puede usar: él decide solo cuándo necesita consultarlo antes de contestar.
El error que arruina la búsqueda
Usa el mismo modelo de embeddings para guardar los documentos y para buscar en ellos. Si cambias de modelo a la mitad del camino, los espacios vectoriales ya no coinciden entre sí y el agente deja de encontrar los fragmentos correctos, aunque la respuesta esté ahí.
Paso 3: dale herramientas, memoria y límites
Un agente que solo lee documentos responde preguntas; un agente con herramientas además actúa. Con function calling le puedes dar acceso a consultar el estado de un trámite en tu sistema, abrir un ticket o avisar a un humano, y con MCP (Model Context Protocol) conectas esas herramientas de forma más ordenada cuando empiezas a tener varias. La memoria de conversación le permite recordar lo que el mismo empleado preguntó antes en la misma sesión, para no pedirle que repita el contexto en cada mensaje.
- Define desde el inicio qué temas NO debe contestar el agente (nómina individual, datos personales de otros empleados)
- Dale una instrucción explícita de decir "no lo sé" cuando no encuentre el dato en los documentos
- Pon un límite de mensajes o de gasto en tokens por usuario al mes
- Agrega siempre una forma de pasar la conversación a un humano
- Guarda las conversaciones para poder revisar después qué respondió mal
Paso 4: pruébalo y mídelo antes de lanzarlo
Antes de que el agente hable con todo el equipo, pruébalo con un lote fijo de preguntas reales (20 o 30 bastan para empezar) y revisa cada respuesta a mano: si cita el documento correcto, si responde algo que no está en ningún lado, o si se queda callado cuando sí debía saber la respuesta. Ese lote de preguntas se vuelve tu referencia para medir cualquier cambio futuro: cada vez que actualices los documentos o cambies de modelo, vuelve a correrlo antes de publicar.
Un lote de prueba real
Con este tipo de corrida se detectan los huecos antes de que los descubra un empleado en producción, no después.
Cuánto cuesta construirlo y mantenerlo
El costo recurrente más fácil de calcular es el de los tokens de IA, porque los proveedores publican su precio por millón de tokens. GPT-5 mini de OpenAI cuesta $0.25 USD por millón de tokens de entrada y $2 USD por millón de tokens de salida, según la documentación oficial de OpenAI, y el modelo de embeddings text-embedding-3-small cuesta $0.02 USD por millón de tokens, también según OpenAI. Si el canal elegido es WhatsApp interno, hay que sumar el costo de los mensajes de servicio de Meta: $0.0085 USD por mensaje en México a partir del primer mensaje 1,001 del mes, según el desglose de precios publicado por leadsales.io.
| Concepto | Costo de referencia | Fuente |
|---|---|---|
| Tokens de entrada (GPT-5 mini) | $0.25 USD por 1M tokens | OpenAI |
| Tokens de salida (GPT-5 mini) | $2 USD por 1M tokens | OpenAI |
| Embeddings (text-embedding-3-small) | $0.02 USD por 1M tokens | OpenAI |
| Mensaje de servicio WhatsApp (México, desde el 1,001) | $0.0085 USD por mensaje | Meta, vía leadsales.io |
Calcula el costo mensual en tokens de tu agente
Mueve las barras para estimar cuánto gastarías en tokens de IA al mes, sin contar el canal ni la implementación.
Cifras de ejemplo: se asume una consulta promedio de 1,500 tokens de entrada y 400 de salida con GPT-5 mini, cada página de manual equivalente a 500 tokens con text-embedding-3-small, y un tipo de cambio de referencia de 18.5 MXN por USD. No incluye el costo del canal (WhatsApp, Slack) ni el hosting de la automatización.
Cómo se usa esto en México y Latinoamérica
En la práctica, el mismo procedimiento se adapta según el giro del negocio: lo que cambia es qué documentos alimentan el RAG y quién lo usa, no la construcción técnica.
Despacho contable
El agente responde a los contadores dudas sobre criterios internos y plazos de CFDI con base en los manuales del despacho, sin esperar a que el socio tenga tiempo de contestar.
Taller mecánico o distribuidora
Los técnicos consultan procedimientos de garantía o especificaciones de refacciones desde el celular, en vez de interrumpir al encargado de piso.
Inmobiliaria
Los asesores nuevos preguntan al agente las condiciones de cada contrato tipo y las políticas de comisión mientras aprenden el negocio.
Agencia o empresa de servicios
El equipo de soporte al cliente consulta primero al agente interno antes de responder al cliente final, para no dar información distinta entre compañeros.
Si prefieres que Zadrig Technology te construya este agente de punta a punta —desde organizar tus documentos hasta conectarlo al canal que ya usa tu equipo— puedes escribirnos por WhatsApp y te mostramos una demostración gratis con tus propios documentos.
Preguntas frecuentes
¿Qué diferencia a un agente de IA de soporte interno de un chatbot de preguntas frecuentes?
Un chatbot de preguntas frecuentes solo reconoce frases parecidas a las que ya tiene programadas; un agente de IA con RAG entiende la pregunta aunque esté escrita distinto y busca la respuesta en tus documentos reales en el momento, en lugar de depender de un árbol de opciones fijo.
¿Qué documentos necesito para empezar?
Basta con los manuales, políticas y procedimientos que ya existen por escrito, más los correos o tickets donde se repiten las mismas preguntas. No es necesario crear documentación nueva: el trabajo es organizar y limpiar lo que ya tienes.
¿Puede dar información incorrecta?
Sí puede, sobre todo si los documentos están desactualizados o si no se le dio la instrucción explícita de decir "no lo sé" cuando no encuentra el dato. Por eso el paso de probarlo con un lote fijo de preguntas antes de lanzarlo no es opcional.
¿Necesito saber programar para construirlo?
No si usas una herramienta visual como n8n, que conecta el modelo de IA, la base de documentos y el canal sin escribir código línea por línea; sí hace falta entender el flujo completo, por eso muchos negocios prefieren que una agencia como Zadrig Technology lo arme por ellos.
¿Cuánto tarda en construirse?
Con los documentos ya organizados, un primer agente de prueba puede estar funcionando en una o dos semanas; lo que más alarga el proyecto es juntar y limpiar los documentos, no la parte técnica.
¿Se puede usar junto con un agente de atención a clientes?
Sí, son dos agentes independientes con bases de conocimiento distintas: uno responde a tu equipo con información interna, y el otro atiende a tus clientes con lo que sí se les puede decir; mezclarlos es un riesgo de seguridad de la información.
Fuentes
Fuentes
¿Quieres que te construyamos este agente?
En Zadrig Technology armamos agentes de IA de soporte interno a la medida de tu negocio, conectados a tus propios documentos. Escríbenos y te mostramos una demostración gratis.
Escríbenos por WhatsApp
