Cómo logré que un asistente de IA respondiera sobre mi plataforma sin alucinar (y sin entrenar ningún modelo)
Cuando le sumé un asistente de IA a TrabaJIA —mi plataforma de gestión de flotas y logística—, el primer instinto fue el obvio: enchufarlo a un modelo grande y dejarlo contestar. Lo probé. Y el problema apareció a los cinco minutos: el modelo inventaba.
Le preguntabas "¿cómo registro un tanqueo de combustible?" y se inventaba un menú que no existía, campos que nunca creamos, pasos que no llevaban a ningún lado. Lo peor no era que se equivocara: era que lo dia con total seguridad.
Y ahí entendí algo que define todo lo que vino después:
En un producto, una respuesta equivocada dicha con seguridad es peor que un "no sé". El usuario sigue los pasos, no funcionan, y pierde la confianza —en el bot y en la plataforma entera.
La decisión: que el asistente fuera un bibliotecario, no un novelista
Mi asistente (lo llamamos JIA) no tenía que ser creativo. Tenía que ser un bibliotecario disciplinado: responder exacto lo que sabe y admitir lo que no.
Para eso, en vez de dejar que el modelo "supiera" sobre mi producto por su cuenta, le inyecté una guía autoritativa dentro de su prompt: un manual escrito a mano con las funciones reales de la plataforma, con un formato estricto. Cada función dice:
- Para qué sirve.
- Cómo llegar (los pasos exactos del menú).
- Los campos del formulario (cuáles son y cuáles son obligatorios).
- El comportamiento clave y los tips.
El modelo ya no adivina cómo funciona TrabaJIA: lo lee de una fuente verificada.
La regla que lo cambió todo
El verdadero truco no fue la guía. Fue una sola instrucción al inicio:
"Esta es la lista AUTORITATIVA de funciones. Si una pregunta no está cubierta acá, responde: 'no estoy seguro de cómo se hace, consulta a tu administrador'. NO INVENTES pasos, campos ni secciones que no estén abajo."
Esa frase convierte al modelo de "adivinador entusiasta" a "experto honesto". Si sabe, da los pasos exactos. Si no sabe, lo dice. Cero invención.
Por qué NO usé RAG con base vectorial ni fine-tuning
Esta es la parte que casi nadie cuenta:
- No hice fine-tuning (re-entrenar el modelo con mis datos). Es caro, lento, y tendría que repetirlo en cada cambio de producto. Además, un modelo afinado igual alucina: no te da control.
- No monté una base de datos vectorial (RAG completo). Para un dominio acotado —las funciones de un solo producto— el manual entero cabe en el contexto. ¿Para qué fragmentar, indexar y arriesgarme a que el buscador traiga el pedazo equivocado? Una guía curada y completa es más rápida, más barata y 100% controlable: lo que el modelo ve es exactamente lo que yo decidí que vea.
La lección: no toda IA de producto necesita RAG sofisticado. Si tu conocimiento es acotado, un documento autoritativo bien estructurado + una regla de "no inventes" le gana en confiabilidad a una arquitectura compleja.
El detalle que casi todos olvidan: la disciplina
Un asistente así es tan bueno como su guía esté al día. La primera vez que sumas una función nueva y te olvidás de documentarla, el bot vuelve a "no saber" (o peor, a inventar).
Por eso traté la guía como parte del producto, no como documentación aparte: cada vez que algo nuevo sale a producción, la guía se actualiza y se despliega junto con el código. Si no está esa disciplina, el manual se pudre y el asistente vuelve a mentir.
(Bonus de multi-tenant: cada empresa conecta su propia clave de IA, así el costo y el uso del asistente son por cliente.)
El resultado
Hoy JIA hace exactamente dos cosas, y las dos generan confianza:
- Cuando sabe, da los pasos exactos y correctos para hacer lo que el usuario pide.
- Cuando no sabe, lo dice con honestidad y deriva al administrador.
Nunca manda a nadie a un menú que no existe. Y esa honestidad —rara en los asistentes de IA— es justamente lo que hace que la gente confíe en él.
Lo que aprendí (y sirve para cualquier IA de producto)
La tentación, cuando armas IA, es ir a buscar el modelo más potente. Pero me di cuenta de que el asistente en el que la gente confía no es el más inteligente: es el más honesto y disciplinado.
La inteligencia la pone el modelo. La confiabilidad la pones tú —con una fuente de verdad curada, una regla clara de "no inventes", y la disciplina de mantenerla viva en cada cambio.
La IA de producto no falla por falta de inteligencia. Falla por falta de límites.
Un modelo grande te da respuestas. Buena ingeniería de contexto te da respuestas en las que se puede confiar. Y para un producto del que dependen empresas todos los días, esa diferencia es el producto.
Preguntas frecuentes
¿Necesito una base de datos vectorial (RAG) para que mi IA hable de mi producto?
No siempre. Si tu conocimiento es acotado —las funciones de un producto— suele alcanzar con un documento autoritativo bien estructurado dentro del prompt. Es más simple, más barato y te da control total. El RAG vectorial gana cuando el conocimiento es enorme o cambia constantemente.
¿El fine-tuning evita las alucinaciones?
No. Re-entrenar el modelo es caro, lento y, aun así, sigue inventando. Para evitar alucinaciones importa más de dónde saca la información (una fuente verificada) y qué se le permite responder (una regla de "no inventes"), que cuánto lo entrenaste.
¿Cómo evito que un chatbot invente pasos o funciones?
Dale una lista autoritativa de lo que existe e instrúyelo explícitamente: "si no está acá, di 'no sé' en vez de inventar". Un "no sé" honesto construye confianza; una respuesta segura y falsa la destruye.
¿Cada cuánto hay que actualizar esa guía?
En cada cambio que salga a producción. Si la tratas como documentación aparte, se desactualiza y el asistente vuelve a fallar. Conviene tratarla como parte del código: se actualiza y se despliega junto con la feature.
Soy Miller Millán, fundador de TrabaJIA, una plataforma multi-empresa de gestión de flotas, activos retornables y logística. Construyo software real para operaciones reales —con IA aplicada donde de verdad suma. ¿Estás resolviendo algo parecido? Escríbeme.