Cómo entrenar un chatbot con los datos de tu empresa (sin alucinaciones)

Querés un chatbot que responda con los precios, las políticas y los manuales de tu empresa, pero te frena el miedo a que invente cosas frente a un cliente. La buena noticia es que la palabra "entrenar" engaña. Para tener un chatbot con los datos de tu empresa casi nunca se entrena un modelo: se conecta un modelo existente (como GPT o Claude) a tus documentos con una técnica llamada RAG, de modo que ante cada pregunta el sistema primero busca la respuesta en tu información y después la redacta usando esos datos reales, citando la fuente. Eso es lo que elimina las alucinaciones, cuesta entre 5 y 20 veces menos que entrenar un modelo, y se actualiza editando un archivo en vez de reentrenar nada.

"Entrenar" no es lo que creés

Cuando alguien dice "entreno el chatbot con mis datos", suele imaginar que el modelo memoriza la información de la empresa. En la práctica hay tres caminos muy distintos, y elegir el equivocado es el error más caro del proyecto:

Enfoque	Qué hace	Costo LATAM 2026	Cuándo conviene
RAG (base de conocimiento)	Conecta un modelo existente a tus documentos; busca y responde con la fuente	USD 3.000–10.000 + USD 30–150/mes	El 95% de los casos
Fine-tuning	Ajusta el estilo/formato de un modelo con ejemplos	USD 8.000–40.000 + reentrenar con cada cambio	Tono muy específico, no para datos que cambian
Entrenar un modelo propio	Crear un modelo desde cero	Decenas a cientos de miles de USD	Prácticamente nunca para una PyME

El punto clave: el fine-tuning enseña a hablar, no enseña hechos. Si metés tu lista de precios en un fine-tuning, el modelo aprende el "estilo" de tus precios y los reinventa con confianza. Para datos que tienen que ser exactos —precios, plazos, políticas— el camino correcto es RAG. Si querés el detalle técnico de cómo funciona por dentro, lo explicamos en profundidad en nuestra guía sobre qué es RAG y cómo armar una base de conocimiento.

Los 6 pasos para entrenar tu chatbot con RAG

1. Junta y limpia tus documentos

Esta es la etapa que la mayoría subestima y la que más demora el proyecto. Reuní todo lo que el chatbot debería saber: manuales, FAQs, lista de precios, políticas, fichas de producto. Después hacé lo aburrido pero decisivo: eliminá lo que se contradice. Si tenés tres versiones de la política de devolución, el chatbot va a mezclarlas. Una empresa de logística en Córdoba con la que trabajamos tardó más en ordenar 40 PDFs dispersos que todo el resto de la implementación junta.

2. Cortá los documentos en fragmentos (chunking)

Los documentos se dividen en fragmentos de unos pocos párrafos. No le pasás 80 páginas al modelo en cada pregunta: el sistema recupera solo los 3 a 5 fragmentos relevantes. Un buen corte respeta secciones lógicas (una FAQ por chunk, una cláusula por chunk) en vez de cortar a ciegas cada 500 palabras.

3. Generá embeddings e indexá

Cada fragmento se convierte en un vector (embedding) que captura su significado y se guarda en una base de datos vectorial. Esto permite que, cuando un cliente pregunte "¿me devuelven la plata si el producto vino fallado?", el sistema encuentre tu cláusula de garantía aunque no use exactamente esas palabras.

4. Conectá la recuperación al modelo

Ante cada pregunta: el sistema busca los fragmentos más parecidos, se los entrega al modelo junto con la pregunta, y el modelo redacta la respuesta solo con eso. Acá se define la calidad: cuántos fragmentos recuperar, qué umbral de relevancia exigir, y qué hacer cuando no hay nada relevante.

5. Blindá contra alucinaciones (la parte crítica)

Esto no es un paso opcional, es el corazón del proyecto:

1. Instrucción estricta: "Respondé únicamente con la información de los fragmentos. Si no está, decí que no tenés ese dato."
2. Citá la fuente: cada respuesta muestra de qué documento salió, para que sea verificable.
3. Umbral de "no sé": si la búsqueda no supera cierta relevancia, el chatbot deriva a un humano en vez de inventar.
4. Alcance limitado: definí explícitamente los temas que cubre y rechazá el resto.

6. Probá con preguntas reales y medí

Antes de ponerlo frente a clientes, pasale 50 a 100 preguntas reales (sacadas de tu bandeja de soporte) y revisá una por una. Medí dos cosas: cuántas respondió bien y cuántas veces inventó. Recién con esos números decidís si sale a producción.

¿Tenés los documentos pero no sabés por dónde empezar a ordenarlos? Agendá una reunión de 30 minutos y te decimos qué partes de tu información ya sirven para un chatbot y cuáles necesitan trabajo previo.

Cómo se ve "sin alucinaciones" en la práctica

"Sin alucinaciones" no significa cero errores nunca: ningún sistema lo logra. Significa que el chatbot:

• Responde con tus datos reales y cita de dónde salieron.
• Dice "no tengo esa información, te paso con una persona" en vez de inventar.
• No opina ni promete cosas fuera de tu base de conocimiento.

Una clínica en Lima que implementó esto pasó de un bot de árbol de menús que resolvía el 20% de las consultas a un chatbot con base de conocimiento que resuelve el 68% solo, y deriva el resto con el contexto ya cargado. La diferencia no fue un modelo más inteligente: fue una base de conocimiento ordenada y un buen blindaje contra invención. Si tu caso necesita además consultar datos en vivo (estado de un pedido, turnos disponibles), eso se resuelve integrando el chatbot con tus sistemas mediante automatización con IA y desarrollo de APIs.

Cuándo esto NO tiene sentido

Para ser honestos, hay casos donde montar un chatbot con base de conocimiento es la decisión equivocada:

• Tenés menos de 20 consultas repetidas por semana. El ahorro no paga la implementación; un buen FAQ o un formulario alcanza.
• Tu información cambia cada hora y no está en ningún sistema. Si los precios viven en la cabeza del dueño, primero hay que ordenar la operación, no poner IA encima del caos.
• El 90% de tus consultas son emocionales o de negociación. Reclamos sensibles, casos médicos delicados o cierres de venta complejos necesitan una persona, no un bot.
• Necesitás respuestas con responsabilidad legal estricta (asesoría legal o financiera vinculante) sin revisión humana. Ahí el chatbot asiste, no decide.

En esos escenarios suele ser mejor empezar con un chatbot de IA acotado para las consultas repetitivas y dejar lo sensible a tu equipo, o validar primero con un MVP antes de invertir en algo grande.

Cuánto cuesta y qué necesitás tener

Componente	Qué incluye	Rango LATAM 2026
Ordenamiento de documentos	Limpieza, unificación de versiones	Incluido o USD 500–1.500 si está muy disperso
Implementación RAG	Chunking, embeddings, recuperación, blindaje	USD 3.000–10.000
Integración de canal	WhatsApp, web, CRM	USD 800–3.000
Operación mensual	Modelo + base vectorial + hosting	USD 30–150/mes

Lo que de verdad necesitás tener antes de empezar no es presupuesto enorme, sino información digital y ordenada. El chatbot no arregla documentos malos: los amplifica.

Si querés llevar tu información dispersa a un chatbot que responda con tus datos reales y sin inventar, en Deepyze armamos la base de conocimiento, el blindaje contra alucinaciones y la integración con tus canales. Empezá tu proyecto con nosotros y en la primera reunión te decimos exactamente qué documentos ya sirven y qué hace falta para que tu chatbot esté respondiendo en pocas semanas.