La documentación técnica solo aporta valor cuando se puede encontrar, entender y aplicar en el momento adecuado. En un servicio de soporte, esto es especialmente importante: una guía, un ticket resuelto o una conversación interna pueden marcar la diferencia entre empezar desde cero o avanzar con contexto.
Descubre más en nuestro Academy
Esta fue una de las líneas de trabajo explicadas por el equipo de I+D de Sarenet en torno al uso de RAG (generación aumentada por recuperación) y gestión del conocimiento técnico para soporte. El objetivo es claro: aprovechar mejor la documentación interna para ayudar al equipo del SAT a resolver incidencias con más agilidad y consistencia.
El reto: mucho conocimiento, pero disperso
En cualquier organización técnica, el conocimiento no está en un único lugar. Puede encontrarse en manuales internos, guías de servicio, documentación de procedimientos, tickets ya resueltos, conversaciones entre técnicos o repositorios corporativos.
El problema no es solo tener documentación. El verdadero reto es que esa información sea fácil de recuperar cuando alguien la necesita.
Según explicó el equipo de I+D de Sarenet, uno de los límites para desplegar asistentes realmente útiles en soporte es precisamente la calidad y disponibilidad de la documentación. Un sistema de IA puede identificar al cliente o detectar el tipo de problema, pero si no existe una base documental suficiente, no podrá generar una guía técnica útil para la persona que atiende la incidencia.
Por eso, mejorar la documentación interna no es una tarea secundaria. Es una condición necesaria para que la inteligencia artificial pueda aportar valor real en procesos de soporte.
Qué aporta RAG al soporte técnico
En la práctica, RAG consiste en combinar un modelo de lenguaje con un sistema capaz de buscar información relevante en documentación interna.
El funcionamiento explicado por el equipo de I+D de Sarenet parte de una idea sencilla: si un cliente plantea un problema, el sistema debe poder buscar en la base documental fragmentos relacionados con ese problema y utilizarlos para generar una nota técnica de apoyo.
Esto evita que el modelo dependa únicamente de lo que “sabe” de forma general. En su lugar, responde apoyándose en documentos concretos de la organización.
Aplicado al SAT, este enfoque puede ayudar a que una llamada, un correo o una asistencia se conviertan en una consulta contra la documentación disponible. Si el sistema encuentra contenido relacionado, puede preparar una guía inicial para el personal técnico.
De la documentación al conocimiento recuperable
Para que RAG funcione, la documentación debe prepararse correctamente.
El equipo explicó que los documentos pueden transformarse a formatos que conserven estructura, como HTML, porque permiten mantener jerarquías de títulos, secciones, subsecciones y párrafos. Esa estructura ayuda a conservar la coherencia semántica del contenido.
Después, la documentación se divide en fragmentos o chunks. En el caso explicado, se plantean trozos de 1.200 caracteres con solapamiento de 150 caracteres. Ese solapamiento permite que un fragmento no quede completamente desconectado del anterior y ayuda a mantener el contexto.
Cada fragmento se convierte después en un embedding, es decir, una representación numérica del contenido. Estos embeddings se almacenan en una base vectorial, donde los textos semánticamente parecidos quedan próximos entre sí.
Así, cuando se formula una consulta, el sistema puede convertirla también en vector y buscar qué fragmentos documentales están más relacionados.
Generar notas técnicas a partir de una consulta
El valor de RAG aparece cuando esa recuperación se conecta con un modelo de lenguaje. Por ejemplo, si durante una llamada un cliente explica que tiene un problema de ocupación de disco, esa información puede transcribirse y transformarse en una consulta. El sistema busca fragmentos documentales relacionados y, si encuentra información útil, se la entrega al modelo con una instrucción clara: actuar como asistente experto del SAT y generar una nota técnica de soporte.
El resultado no sustituye el criterio del técnico; se trata de un punto de partida. Una guía que puede ayudarle a entender el problema, revisar posibles actuaciones y acceder a documentación relacionada.
Este enfoque es especialmente útil para personal de nueva incorporación o para situaciones en las que conviene reducir el tiempo necesario para localizar información interna.
Normalizar la documentación para que la IA la entienda mejor
El equipo de I+D también explicó que uno de los problemas habituales es la falta de uniformidad documental. Cada documento puede tener una estructura distinta, un formato diferente o un nivel de detalle desigual.
Para resolverlo, se planteó la necesidad de normalizar parte de la documentación, especialmente aquella orientada a la resolución de incidencias.
Una de las propuestas consiste en utilizar Markdown, un formato ligero, flexible y compatible con flujos de trabajo basados en IA. También se mencionó la utilidad de trabajar con plantillas estándar para documentar incidencias.
Estas plantillas pueden incluir elementos como la descripción del incidente, la actuación realizada, las posibles causas, la validación técnica, tickets relacionados, antecedentes, tiempos de espera o criterios para escalar a un segundo nivel.
El objetivo no es documentar por documentar, sino crear contenido que pueda ser útil tanto para las personas como para los sistemas que después lo van a recuperar.
Descubre más en nuestro Academy
Tickets resueltos como fuente de conocimiento
Una parte importante del conocimiento técnico está en los tickets ya resueltos.
Cada incidencia contiene información sobre un problema concreto, las acciones realizadas y, en muchos casos, la solución aplicada. Por eso, el equipo de I+D de Sarenet planteó utilizar los tickets como documentación de casos reales.
Para ello, se trabaja con búsqueda vectorial e híbrida. Los tickets se transforman en vectores y se almacenan en OpenSearch, lo que permite buscar incidentes similares no solo por coincidencia exacta de palabras, sino por similitud semántica.
Además, OpenSearch permite aplicar filtros previos por campos como estado, producto o categoría, antes de ejecutar la búsqueda vectorial. Esto ayuda a obtener resultados más relevantes y evita que el sistema devuelva incidentes parecidos solo de forma superficial.
Después, un modelo de lenguaje puede revisar los resultados y decidir cuáles están realmente relacionados con la asistencia actual.
Recomendaciones dentro del sistema de tickets
El equipo explicó también cómo este conocimiento puede integrarse en las herramientas internas de gestión de asistencias.
Cuando un perfil técnico abre o recibe un ticket, el sistema puede ejecutar búsquedas en segundo plano. Si encuentra documentación relevante o incidentes similares, muestra una recomendación dentro de la propia interfaz.
Estas recomendaciones pueden adoptar dos formas principales: una nota técnica basada en documentación interna o una lista de tickets similares. En ambos casos, el técnico puede revisar la información y decidir si le resulta útil para resolver la incidencia.
La clave está en no obligar al equipo a cambiar de herramienta ni a buscar manualmente en diferentes repositorios. La información aparece en el contexto de trabajo, justo donde puede aportar valor.
Conversaciones internas y conocimiento informal
El soporte técnico no se apoya solo en documentación formal. Muchas veces, cuando una incidencia requiere más experiencia, una persona del SAT consulta a otro departamento o a un técnico de nivel superior.
Según explicó el equipo de I+D, también se ha trabajado en una integración con mensajería instantánea para abrir conversaciones vinculadas a tickets. Desde una asistencia, el técnico puede seleccionar un departamento, ver personas disponibles y crear un canal asociado al caso.
Aunque este tipo de conversación es más informal, puede contener conocimiento técnico valioso. Capturarlo y relacionarlo con el ticket permite que no se pierda información que, en el futuro, podría servir para documentar mejor casos similares.
MCP para conectar modelos con herramientas internas
En la parte final, el equipo explicó también el uso de MCP, un estándar que permite conectar modelos de lenguaje con datos externos o herramientas.
En este contexto, se desarrolló un MCP de asistencias con funciones para obtener información de un ticket, buscar tickets relacionados o realizar consultas desde el chat interno de Sarenet.
Este enfoque permite que los modelos no se limiten a generar texto, sino que puedan consultar datos internos mediante herramientas controladas. Aunque el sistema todavía presenta limitaciones en la interpretación de algunas entradas y salidas, abre una vía interesante para conectar asistentes de IA con procesos reales de soporte.
Gestionar mejor el conocimiento para ayudar mejor
El trabajo presentado por el equipo de I+D de Sarenet muestra que la inteligencia artificial aplicada al soporte no empieza por el modelo, sino por el conocimiento.
Sin documentación clara, estructurada y accesible, cualquier asistente tendrá un recorrido limitado. En cambio, cuando los procedimientos, tickets y conversaciones se convierten en conocimiento recuperable, el soporte gana contexto, velocidad y consistencia.
Para el cliente final, el valor está en una atención mejor preparada: técnicos con más información disponible, incidencias que no parten de cero y procesos internos capaces de aprovechar la experiencia acumulada.
Descubre más en nuestro Academy
Enviar una respuesta
No hay comentarios