Así se construye un agente de IA que responde con la información real de tu negocio
Guía paso a paso para construir, con n8n y un modelo de IA, un agente que busca en tus documentos antes de responder — en vez de inventar.
RAG, memoria y herramientas explicadas para que tu agente conozca tu catálogo, tus precios y tus políticas, no solo lo que el modelo ya sabía de fábrica.
El agente de IA que sí conoce tu negocio: así se entrena paso a paso
RAG, memoria y herramientas explicadas para construir un agente que responde con la información real de tu negocio, y no con suposiciones.
Un agente de IA que solo usa lo que el modelo ya sabe puede sonar inteligente, pero no conoce tus precios, tus políticas de garantía ni tu catálogo. Para eso existe RAG (retrieval-augmented generation): la técnica que le da a tu agente acceso a los documentos reales de tu negocio antes de responder. Esta guía explica, paso a paso, cómo construir uno con n8n y un modelo como GPT-4o mini, Claude o Gemini — y trae un PDF descargable gratis con la checklist completa para no dejar nada fuera cuando lo construyas.
¿Qué es RAG y por qué tu agente lo necesita?
Un modelo de lenguaje por sí solo responde con lo que aprendió durante su entrenamiento, no con lo que pasa hoy en tu negocio. RAG resuelve eso: antes de contestar, el agente busca entre tus propios documentos los fragmentos relacionados con la pregunta y se los entrega al modelo junto con la pregunta, para que responda basándose en esa información y no en su memoria general.
La idea clave
RAG no reentrena el modelo. Es una búsqueda que ocurre justo antes de generar la respuesta, por eso se puede actualizar en minutos: cambias el documento y el agente ya responde distinto.
Qué documentos usar y cómo prepararlos
Sirven el catálogo con precios, las preguntas frecuentes, las políticas de devolución y garantía, los manuales de servicio y los procedimientos internos. No sirven de nada si están desactualizados, duplicados o en formatos que el agente no puede leer bien.
- Convierte PDFs escaneados a texto antes de usarlos; el agente no puede leer una imagen
- Divide documentos largos en fragmentos de un solo tema, no en páginas completas
- Elimina versiones viejas: dos listas de precios distintas confunden al agente igual que a un empleado nuevo
- Guarda la fecha de actualización de cada documento para saber cuándo revisarlo
- Separa lo que es información pública de lo que es interno, por si el agente se conecta a un canal externo
Paso a paso: cómo construirlo
Un agente con RAG tiene tres piezas que trabajan juntas: un orquestador que mueve la información (en esta guía, n8n), un modelo de lenguaje que genera la respuesta (GPT-4o mini, Claude o Gemini) y una base vectorial que guarda tus documentos convertidos en vectores para poder buscarlos.
Ingesta
Los documentos se dividen en fragmentos y se convierten en vectores (embeddings) que representan su significado.
Búsqueda
Cuando alguien pregunta algo, el agente busca entre esos vectores los fragmentos más parecidos a la pregunta.
Respuesta
El modelo recibe la pregunta junto con esos fragmentos y responde basándose en ellos, no en su conocimiento general.
Prepara y limpia los documentos
Pasa todo a texto plano (PDF, Word, páginas web) y divide en fragmentos de un solo tema cada uno.
Genera los embeddings
Usa un modelo de embeddings, como text-embedding-3-small de OpenAI, para convertir cada fragmento en un vector.
Guarda los vectores en una base vectorial
Opciones como Pinecone, Qdrant o pgvector sobre Postgres guardan esos vectores para buscarlos después.
Arma el flujo en n8n
Usa el nodo de agente de IA: conecta la base vectorial como fuente de búsqueda y el modelo de lenguaje que vas a usar.
Escribe las instrucciones del agente
Dile explícitamente que responda solo con lo que encuentre en los documentos y qué decir cuando no encuentre nada.
Pruébalo con preguntas reales
Antes de conectarlo a un canal, hazle las preguntas que de verdad te hacen tus clientes, no solo las fáciles.
Eres el asistente de [negocio]. Responde solo con la información que encuentres en los documentos que te paso como contexto. Si la respuesta no está en esos documentos, dilo claramente: "No tengo esa información, te paso con una persona del equipo." Nunca inventes precios, fechas ni políticas que no estén en el contexto que recibiste.
Si prefieres saltarte la parte técnica, en Zadrig Technology armamos este tipo de agentes con n8n y los conectamos a tus canales. Escríbenos por WhatsApp y te damos una demostración gratis.
Memoria y herramientas (MCP)
RAG le da al agente conocimiento estático: lo que hay en tus documentos. La memoria le permite recordar lo que se dijo antes en la misma conversación, para no repetir preguntas. Y las herramientas (conectadas, por ejemplo, con el protocolo MCP) le permiten hacer cosas en vivo: leer tu agenda, consultar inventario real o crear un ticket, en lugar de solo responder con texto.
Cuidado con dar demasiado acceso
Cada herramienta que conectas (agenda, inventario, CRM) es una puerta más. Dale al agente solo permisos de lectura donde no necesite escribir, y revisa qué puede ejecutar sin que una persona confirme antes.
Cuánto cuesta mantenerlo
El gasto mensual de un agente con RAG se reparte en cuatro piezas: los tokens del modelo (entrada y salida), generar los embeddings, guardar los vectores y las ejecuciones del flujo en el orquestador.
| Pieza | Qué paga | Costo de referencia |
|---|---|---|
| Modelo (GPT-4o mini) | Tokens de entrada y salida | $0.15 / $0.60 USD por millón de tokens |
| Modelo (Claude Haiku 5.5) | Tokens de entrada y salida (hasta 100K) | $0.10 / $0.50 USD por millón de tokens |
| Embeddings (OpenAI) | Convertir texto en vectores | $0.02 USD por millón de tokens |
| Orquestador (n8n Cloud) | Ejecuciones del flujo al mes | desde €20 al mes por 2,500 ejecuciones |
Ejemplo con pesos reales
Es un ejemplo de cálculo, no una cotización: tu costo real depende de qué tan largas sean tus respuestas y cuántas consultas reciba el agente.
Calcula el costo mensual de tu agente
Mueve las variables para estimar cuánto gastarías en el modelo de IA, sin contar el orquestador ni la base vectorial.
Cálculo de ejemplo con una tarifa mezclada de $0.40 USD por millón de tokens, a partir de los precios de entrada y salida de GPT-4o mini publicados por OpenAI. No incluye embeddings, base vectorial ni el costo del orquestador.
Cómo evaluarlo antes de lanzarlo
Un agente con RAG puede seguir inventando si no encuentra nada relevante en tus documentos y el modelo decide adivinar. Por eso no se lanza directo con los clientes: se prueba primero con el equipo.
- Prueba con preguntas reales de tus clientes, no solo las que tú imaginas
- Revisa que cada respuesta venga de un documento real y no de una suposición del modelo
- Define una frase fija para cuando no sabe la respuesta, en vez de dejarlo improvisar
- Pide que alguien que no participó en construirlo lo pruebe antes de lanzarlo
- Revisa cada semana las preguntas que no pudo resolver y actualiza los documentos
Cómo lo usan en México y Latinoamérica
Este tipo de agente ya no es solo para empresas grandes. Se está volviendo estándar en varios giros de negocio en la región.
Agencias
Construyen este tipo de agentes como servicio para sus propios clientes, cobrando por la implementación y el mantenimiento mensual.
SaaS
Entrenan al agente con su documentación de producto para resolver soporte de primer nivel sin escalar cada ticket.
Soporte
Equipos de atención lo usan para resolver dudas repetitivas de políticas, garantías y devoluciones.
Ecommerce
Tiendas en línea lo conectan a su catálogo y políticas de envío para responder antes de que un cliente abandone la compra.
¿Necesito saber programar para construir este agente?
Con n8n se arma sin escribir código en la mayoría de los pasos, pero sí ayuda entender conceptos como embeddings y prompts. Si no quieres meterte a eso, se puede mandar a construir.
¿RAG es lo mismo que entrenar o reentrenar el modelo?
No. RAG no toca el modelo: busca información relevante y se la entrega junto con la pregunta. Reentrenar un modelo es mucho más caro y rara vez lo necesita una pyme.
¿Qué pasa si mis documentos cambian seguido?
Tienes que volver a generar los embeddings de lo que cambió y actualizarlo en la base vectorial. Por eso conviene definir quién mantiene esos documentos al día.
¿Puedo usar Gemini en lugar de OpenAI o Claude?
Sí, el flujo funciona igual: la base vectorial y el orquestador no cambian, solo el nodo que conecta con el modelo de lenguaje.
¿Qué tan seguro es darle acceso a mis documentos internos?
Depende de dónde los guardes y qué permisos le das al agente. Mantén separados los documentos públicos de los internos y dale solo lectura donde no necesite escribir.
¿Prefieres que te lo construyamos nosotros?
En Zadrig Technology armamos agentes de IA con RAG, memoria y las herramientas que tu negocio ya usa. Escríbenos y una persona de nuestro equipo te responde con una demostración gratis.
Escríbenos por WhatsApp
