
Chatbot interno de empresa: cómo plantear bien el proyecto
Chatbot interno de empresa: para qué sirve realmente, en qué se diferencia de un chatbot web, los errores habituales y las condiciones para que funcione.
En la mayoría de las empresas, la información existe. Está escrita, en algún sitio. El problema no es que falte, es que nadie sabe dónde está, o que la única persona que lo sabe está de vacaciones. En una encuesta de Gartner realizada a finales de 2022 a 4.861 empleados, el 47 % decía tener dificultades para encontrar la información que necesitaba para su trabajo.
Así que los empleados hacen lo que siempre han hecho: preguntar a un compañero. Una pregunta que habría llevado treinta segundos con un buen buscador moviliza a dos personas durante diez minutos, y la respuesta obtenida no es necesariamente la versión correcta.
Eso es lo que se supone que resuelve un chatbot interno de empresa, también llamado chatbot corporativo. Aun así, hay que saber qué se está construyendo: la mitad de los proyectos que llevan este nombre fabrican en realidad otra cosa.
Chatbot interno y chatbot web: la misma herramienta, dos proyectos distintos
Es la confusión que hay que despejar primero, porque determina tanto el presupuesto como los criterios de éxito.
Un chatbot web habla con tus visitantes. Responde a preguntas públicas, cualifica clientes potenciales y los deriva a un comercial. Su corpus es pequeño y lo has escrito tú mismo, sus respuestas se validan de antemano, y el riesgo principal es comercial: responder mal es perder un lead.
Un chatbot interno habla con tus empleados. Responde a partir de tus procedimientos, contratos, actas, documentación técnica y políticas de RR. HH. Su corpus es amplio, heterogéneo, desordenado y, sobre todo, está sujeto a permisos de acceso diferenciados. El riesgo principal es la confidencialidad: responder mal es exponer un documento a alguien que no debería haberlo visto.
| Chatbot web | Chatbot interno | |
|---|---|---|
| Público | Visitantes, clientes potenciales | Empleados |
| Corpus | Pequeño, público, seleccionado | Amplio, privado, heterogéneo |
| Permisos de acceso | Uniformes | Diferenciados por persona |
| Objetivo | Convertir, orientar | Encontrar, decidir, ganar tiempo |
| Riesgo principal | Lucro cesante | Fuga de información interna |
| Medida del éxito | Leads cualificados | Tiempo de búsqueda ahorrado |
La arquitectura, en cambio, puede ser la misma: mismo motor, misma base RAG, misma interfaz. De hecho, recomendamos partir de una sola herramienta para no tener que administrar dos. Lo que cambia es el corpus, las instrucciones que se dan al modelo y la forma de supervisar las respuestas. Un proveedor que te propone el mismo corpus y las mismas instrucciones para los dos usos se equivoca de proyecto. Tratamos el primer caso en nuestro artículo sobre el chatbot web y la generación de leads.
Lo que hace funcionar un chatbot interno: el RAG
Un modelo de lenguaje generalista conoce el mundo, no tu empresa. Si se le pregunta por tu política de notas de gastos, producirá una respuesta plausible y falsa, que es el peor de los casos: Kalai y sus coautores describen estas alucinaciones como afirmaciones plausibles pero incorrectas, producidas cuando el modelo adivina en lugar de reconocer su incertidumbre.
La respuesta técnica se llama RAG (Retrieval Augmented Generation), formalizada en 2020 por Lewis y sus coautores. Ante cada pregunta, el sistema busca primero los pasajes pertinentes en tus propias fuentes y después se los transmite al modelo, que redacta su respuesta a partir de esos elementos, citando de dónde proceden. El modelo no «sabe» nada de tu empresa: lee, cuando se le pide, lo que se le da a leer.
Esquema de un chatbot interno de empresa: las fuentes (Drive, SharePoint, Confluence, Notion, intranet) alimentan un motor RAG que aplica los permisos de cada persona y responde citando el acuerdo de vacaciones de 2026
Explicamos en detalle cómo funciona el RAG en IA en nuestra guía específica. Tres consecuencias en la práctica:
- La calidad de las respuestas depende ante todo de la ingesta, no del modelo. Un PDF escaneado mal convertido o mal fragmentado producirá respuestas mediocres con cualquier LLM: el banco de pruebas OHRBench muestra que el rendimiento de un RAG baja con el ruido del OCR.
- Las fuentes citadas forman parte de la respuesta. Es lo que permite al usuario comprobar y, por tanto, confiar. Un chatbot interno sin citas deja de abrirse al cabo de unas semanas.
- Los permisos de acceso deben aplicarse en la búsqueda, no en el momento de mostrar el resultado. Si el sistema encuentra un documento confidencial y luego decide no mostrarlo, la información ya se ha filtrado en la respuesta generada. Por eso OWASP recomienda bases vectoriales que tengan en cuenta los permisos.
Ampliar lo que cada uno consulta realmente
Un efecto que nadie prevé, y del que los usuarios hablan mucho: el RAG amplía el corpus con el que trabaja cada empleado. En el día a día, cada uno utiliza las pocas decenas de documentos que conoce y vuelve siempre a las mismas carpetas. El resto existe, pero nunca se abre: la nota jurídica elaborada por otra filial, el acta de un proyecto vecino, la ficha de producto actualizada el mes pasado. Un asistente que busca en todo el corpus al que el usuario tiene acceso trae esos documentos a la respuesta, con su fuente. El usuario descubre lo que no sabía que tenía que buscar.
El mismo razonamiento vale para los datos. Parte de la información útil no está en documentos, sino en el CRM, el ERP, la herramienta de tickets o la de gestión de proyectos, que la mayoría de los empleados no consulta nunca: demasiadas pantallas y demasiados permisos que pedir para una sola pregunta. Si se conecta el asistente a esos sistemas mediante una consulta a la base de datos, herramientas a medida o servidores MCP, una misma respuesta puede cruzar el procedimiento escrito con el estado real del expediente del cliente, sin que nadie tenga que abrir el ERP.
Los casos de uso que hacen rentable un chatbot interno
Los proyectos que funcionan apuntan todos al mismo tipo de preguntas: frecuentes, y cuya respuesta ya está escrita en algún sitio.
Apoyo a las funciones transversales
RR. HH., jurídico, compras, informática. Son los equipos a los que más se recurre con preguntas cuya respuesta ya existe en un documento. Vacaciones, notas de gastos, procedimiento de compra, cláusulas estándar, restablecimiento de accesos: un chatbot interno absorbe buena parte de este flujo y devuelve tiempo a equipos que nunca tienen suficiente.
Incorporación de nuevos empleados
Los tres primeros meses de un empleado son una larga serie de preguntas que no siempre se atreve a hacer. Un asistente interno acorta el camino hacia la autonomía sin movilizar a un tutor de forma permanente.
Documentación técnica y de producto
Equipos de ingeniería, preventa, soporte. Encontrar la sección correcta de la documentación, la versión aplicable de una especificación o el historial de una decisión técnica en una wiki de varios miles de páginas.
Respuesta a licitaciones y cuestionarios
Seguridad, cumplimiento normativo, referencias de clientes: las mismas preguntas se repiten y las respuestas existen en documentos anteriores. Es uno de los usos en los que el ahorro de tiempo es más fácil de cuantificar.
Memoria de los proyectos
Actas, decisiones, arbitrajes. «¿Por qué elegimos a este proveedor en 2024?» es una pregunta a la que un chatbot interno bien alimentado responde mejor que la memoria colectiva.
Los cinco errores que hacen fracasar un proyecto de chatbot interno
1. Conectarlo todo de golpe. La ambición de «indexar todo el sistema de información» produce un asistente mediocre en todo. Lo sensato es empezar por un perímetro en el que se sepa juzgar la calidad de las respuestas: un ámbito, un equipo, un corpus.
2. Ignorar los permisos de acceso hasta las pruebas de aceptación. Es el tema que hace fracasar los proyectos al final del recorrido, cuando el departamento de informática descubre que el asistente responde a todo el mundo a partir de todo. Los permisos deben heredarse de las fuentes desde el diseño.
3. Descuidar la calidad documental. Tres versiones de un mismo procedimiento, dos de ellas obsoletas, y el asistente citará la equivocada con total seguridad. Un proyecto de chatbot interno es casi siempre, también, un proyecto de limpieza documental.
4. No medir. Casi siempre faltan dos medidas complementarias. La primera es un conjunto de preguntas de referencia, que se vuelve a ejecutar con cada cambio de modelo o cada nueva fuente: sin él, no sabrás si el asistente mejora o empeora. Es el objeto de la evaluación de los agentes. La segunda es la opinión de los usuarios: pulgar arriba o abajo, comentario libre, sentimiento detectado automáticamente en las conversaciones, todo ello seguido en el tiempo y desglosado por tema o por etiqueta para detectar los asuntos que se descuelgan. Es lo que hace visible nuestra consola Insights.
5. Descuidar la experiencia de usuario. Un asistente excelente sobre el papel que nadie abre una segunda vez no sirve para nada. La adopción depende de dos puntos muy sencillos: una interfaz que se usa sin manual de instrucciones y respuestas que llegan en pocos segundos. Un empleado que espera, que tiene que aprender a formular sus preguntas o que no sabe qué hacer con la respuesta vuelve a buscar por su cuenta en el drive, y no regresa.
¿Construirlo o comprarlo?
Construir un chatbot interno a partir de un modelo y una base vectorial es fácil, mientras se trate de una demostración.
Lo caro es todo lo demás: los conectores con Google Drive, SharePoint, Confluence y Notion, la sincronización incremental, la extracción correcta de tablas y PDF escaneados, la propagación de los permisos, la búsqueda híbrida, la cita fiable de las fuentes, la evaluación de la calidad, la supervisión de los costes y el soporte a los usuarios. Detallamos estos escollos en nuestro artículo sobre los errores clásicos de un RAG en producción.
Un desarrollo interno completo se cuenta en meses-persona, y habrá que mantenerlo mientras siga funcionando. Una plataforma que ya aporta estos componentes cuesta menos: en 4 clientes y clientes potenciales en los que comparamos las dos opciones, el coste total a 2 años era entre un 55 y un 80 % más bajo que el de un proyecto llevado íntegramente de forma interna. Sobre todo, acorta el plazo hasta los primeros usos reales.
| Criterio | Desarrollo interno | Plataforma existente |
|---|---|---|
| Primer perímetro útil | Varios meses si el equipo parte de cero | De unos días a unas semanas según las fuentes |
| Conectores y permisos | Hay que construirlos, probarlos y mantenerlos | Componentes estándar ya disponibles, adaptaciones en las fuentes específicas |
| Evaluación de las respuestas | Dispositivo por diseñar | Método y seguimiento ya integrados |
| Mantenimiento | A cargo del equipo interno | Asumido por el editor, con la evolución de la plataforma |
| Opción pertinente si… | La pila técnica es una ventaja estratégica | El valor está en los usos, las reglas y los datos de negocio |
La cuestión que hay que zanjar es, por tanto, sencilla: ¿está tu valor en la fontanería o en la adaptación a tus oficios? Todavía no hemos encontrado ninguna empresa cuya respuesta fuera la fontanería.
¿Y la soberanía?
Un chatbot interno lee tus documentos más sensibles: contratos, expedientes de RR. HH., información financiera, propiedad intelectual. Saber dónde se tratan esos contenidos, y quién lo hace, es algo que se resuelve antes de firmar.
Puntos que conviene comprobar antes de firmar:
- Dónde se alojan los documentos, los índices vectoriales, los registros y las copias de seguridad.
- Qué proveedores de modelos se utilizan, desde qué jurisdicción, y si se pueden restringir los tratamientos únicamente a proveedores europeos.
- Qué se transmite realmente al modelo con cada pregunta: los fragmentos pertinentes o el documento entero.
Hemos dedicado una página completa a estas decisiones: IA soberana, definición y criterios.
El enfoque de Ask This Guy
Desplegamos asistentes internos sobre una plataforma que ya incluye los conectores con tus fuentes, la ingesta documental, la búsqueda híbrida, la herencia de permisos, la cita de las fuentes y la supervisión. El trabajo específico se centra entonces en tu vocabulario, tus reglas y tus casos de uso. Nadie vuelve a empezar de cero con la pila técnica.
Lo que aplicamos en cada despliegue:
- Un perímetro estrecho al principio, elegido para que la calidad se pueda juzgar desde las primeras semanas.
- Permisos heredados de tus fuentes, para que el asistente nunca muestre a un empleado lo que no podría abrir por sí mismo.
- Un alojamiento europeo y una política de IA configurable, hasta la opción on-premise según tus restricciones.
Nuestra página RAG empresarial llave en mano detalla los conectores disponibles y el desarrollo de un despliegue.
Si tu tema va más allá de la elección de la herramienta, tratamos el fondo en Gestión del conocimiento: por qué fracasan tus iniciativas.
Preguntas frecuentes
¿Qué es un chatbot interno en una empresa?
Un chatbot interno es un asistente conversacional reservado a los empleados de una empresa. Conectado a las fuentes documentales internas (unidades compartidas, intranet, wikis, herramientas de negocio), responde a las preguntas profesionales a partir de esos documentos y cita sus fuentes, en lugar de apoyarse en conocimientos generales procedentes de la web.
¿Qué diferencia hay entre un chatbot interno y un chatbot web?
El chatbot web se dirige a visitantes externos, con un corpus público y reducido y un objetivo comercial. El chatbot interno se dirige a los empleados, con un corpus privado y amplio y permisos de acceso diferenciados por persona. La herramienta puede ser la misma, pero el corpus, las instrucciones, los riesgos y los criterios de éxito son completamente distintos.
¿Puede un chatbot interno respetar los permisos de acceso de cada empleado?
Sí, siempre que los permisos se hereden de las fuentes y se apliquen en el momento de la búsqueda, y no se filtren a posteriori al mostrar el resultado. Cada usuario solo debe obtener respuestas a partir de los documentos que podría abrir por sí mismo en la herramienta de origen.
¿Cuánto se tarda en desplegar un chatbot interno?
Unos días para un primer perímetro en una plataforma existente con conectores estándar. Unas semanas si las fuentes son heterogéneas, si hay que retomar la calidad documental o si hay que desarrollar conectores específicos. Un desarrollo completo interno se cuenta más bien en meses.
¿En qué fuentes puede apoyarse un chatbot interno?
Las fuentes habituales son Google Drive, SharePoint y OneDrive, Confluence, Notion, Slack, los sitios web e intranets, los repositorios de archivos o FTP y las bases de datos de negocio. El número de conectores importa menos que la calidad de la ingesta: fragmentación, extracción de tablas, tratamiento de los PDF escaneados y sincronización de las actualizaciones.
¿Cuál es el retorno de la inversión de un chatbot interno?
Se mide en tiempo de búsqueda ahorrado y en consultas evitadas a las funciones transversales. El enfoque más fiable consiste en elegir un perímetro estrecho, medir el número de preguntas tratadas y la tasa de respuestas consideradas útiles, y después ampliar sobre esa base y no sobre una estimación teórica hecha antes de empezar.
Lo que hay que retener
Un chatbot interno de empresa es un proyecto de búsqueda documental con permisos diferenciados. Su éxito depende de la ingesta, los permisos y la cita de las fuentes, mucho más que de la elección del modelo. Tomar un chatbot web y ponerlo detrás de una autenticación no da como resultado un chatbot interno.
Lo sensato es empezar por poco, en un perímetro en el que se sepa juzgar la calidad. Medir. Ampliar después. Los proyectos que fracasan son casi siempre los que quisieron indexarlo todo antes de haber demostrado nada.
¿Tienes un corpus en mente y un equipo que pierde tiempo buscando? En una demo te diremos rápidamente qué se puede conectar, en cuánto tiempo y con qué nivel de calidad.


