Cómo armar la base de conocimiento de tu chatbot para que responda como tu mejor empleado

Un chatbot, sin importar lo sofisticada que sea su tecnología subyacente, es solamente tan bueno como la base de conocimiento que lo alimenta. Esto es cierto para chatbots basados en reglas y para los que usan RAG con LLM: el motor es importante, pero el combustible importa más.

La mayoría de las PYMES que se desilusionan con sus chatbots no tienen problemas de tecnología. Tienen problemas de base de conocimiento. El chatbot responde mal porque no tiene la información correcta para responder bien.

Las cinco fuentes que toda base de conocimiento debe tener

Fuente 1: catálogo de productos o servicios.

Si tu negocio vende algo (productos, servicios, paquetes), la información de cada item debe estar documentada. Para cada uno:

Nombre exacto y variantes.
Descripción concisa pero completa.
Precio actual (o rango, o "consultar").
Disponibilidad o condiciones.
Casos de uso típicos.
Preguntas frecuentes específicas del producto.

Esta es la base más voluminosa para la mayoría de los negocios y la que más afecta la calidad del chatbot.

Fuente 2: políticas operativas.

Las reglas del negocio que el cliente puede preguntar:

Política de devoluciones y cambios.
Política de envíos (zonas, tiempos, costos).
Política de pagos (métodos aceptados, plazos).
Política de cancelaciones.
Garantías ofrecidas.
Horarios de atención.

Estas políticas suelen estar en la cabeza del dueño o en algún documento dispersos. Centralizarlas y mantenerlas actualizadas es trabajo único pero importante.

Fuente 3: información del negocio.

Lo básico que cualquier cliente puede preguntar:

Dirección y ubicación (con referencias específicas).
Horarios de atención.
Métodos de contacto.
Quiénes son (breve historia/propuesta de valor).
Servicios o productos destacados.
Diferenciadores frente a la competencia.

Fuente 4: FAQs (preguntas frecuentes).

Lo que realmente preguntan los clientes, no lo que el negocio cree que preguntan. Esto se construye observando las conversaciones reales que ha tenido el equipo humano. Las 30-50 preguntas más repetidas durante el último año son la columna vertebral.

Fuente 5: información sobre procesos.

Cómo se hacen las cosas en el negocio:

Cómo agendar una cita.
Cómo hacer una compra.
Cómo reclamar una garantía.
Cómo cambiar la suscripción.

Procesos paso a paso que el cliente puede consultar.

Los formatos que mejor consumen los LLM

Cuando se carga información en una base de conocimiento para un chatbot con LLM, el formato importa más de lo que parece:

Formato óptimo: markdown estructurado.

## Política de devoluciones

Las devoluciones se aceptan dentro de los 30 días posteriores a la compra,
con el producto en su empaque original y sin uso.

Para iniciar una devolución, el cliente debe:
1. Contactar al equipo por WhatsApp.
2. Adjuntar foto del producto y comprobante de compra.
3. Esperar confirmación dentro de las 24 horas.

Formato problemático: PDF escaneado.

Los PDFs escaneados son imágenes, no texto consultable. Requieren OCR previo y suelen perder estructura.

Formato problemático: hojas de cálculo monolíticas.

Una hoja de Excel con todos los productos en una sola tabla larga es difícil de trocear para retrieval. Mejor convertirla a fichas individuales por producto.

Formato problemático: docs internos sin estructura.

Un documento de Word con texto plano de varias páginas, sin headings ni separación clara, confunde al sistema. Mejor reorganizar en bloques temáticos claros.

La frecuencia de actualización

Diferentes tipos de información cambian a diferente velocidad:

Información que cambia diariamente o semanalmente:

Stock de productos.
Promociones temporales.
Disponibilidad de profesionales.

Esta información idealmente se conecta vía API en tiempo real, no se sube manualmente.

Información que cambia mensualmente:

Precios.
Catálogo (nuevos productos, descontinuados).
Horarios especiales (feriados).

Esta información requiere proceso de actualización mensual, idealmente automatizado o ritualizado.

Información que cambia raramente:

Políticas operativas.
Información del negocio.
Estructura de servicios.

Esta información se actualiza cuando hay cambios reales, podría ser una vez al año o cuando aparezca necesidad.

La curación de la base de conocimiento

Más allá del contenido, hay tres prácticas que diferencian una base efectiva de una caótica:

Práctica 1: una sola fuente de verdad.

Si el precio del producto X aparece en tres documentos distintos con valores distintos, el chatbot va a confundirse. La regla: cada información se documenta una sola vez, en un lugar específico. Otros documentos pueden referenciar, no duplicar.

Práctica 2: revisión periódica de calidad.

Cada 3-6 meses, revisar la base buscando:

Información obsoleta (precios viejos, productos discontinuados).
Contradicciones (dos versiones de una política).
Vacíos (preguntas frecuentes que no tienen respuesta documentada).

Práctica 3: aprender del chatbot.

Cuando el chatbot da una respuesta incorrecta o "no sé", esto es señal de que falta algo en la base. Estos casos deben capturarse y resolverse, no ignorarse.

El componente operativo: quién mantiene la base

Una pregunta práctica que las PYMES subestiman: ¿quién es responsable de mantener la base de conocimiento al día?

Sin un dueño claro, la base se desactualiza rápidamente. El chatbot pasa de ser un activo a ser un pasivo (informa mal a los clientes).

La responsabilidad puede asignarse a:

Una persona del equipo administrativo que revisa quincenalmente.
Una rotación entre miembros del equipo con responsabilidad mensual.
El responsable de marketing si tiene tiempo dedicado.

Lo importante es que haya un dueño, no que sea siempre el mismo.

El componente de auditoría: la verificación cruzada

Los sistemas con RAG bien implementados incluyen verificación cruzada: cuando se sube información nueva, el sistema detecta si contradice información existente.

Por ejemplo: si la política existente dice "devoluciones dentro de 30 días" y se sube un PDF nuevo que dice "devoluciones dentro de 15 días", el sistema alerta. La decisión sobre cuál versión es la correcta queda en el responsable, pero el conflicto se detecta automáticamente.

Esta capa es la diferencia entre un sistema mantenible y uno que acumula contradicciones silenciosas.

El tono y la voz: más allá de los datos

Una base de conocimiento completa no es suficiente si el chatbot responde con tono que no encaja con el negocio.

Para esto, complementar la base de información con definiciones de:

Tono general: formal, casual, cercano, profesional.
Vocabulario regional: "vos" vs "tú", "ahorita" vs "ahora", modismos específicos.
Cómo manejar quejas: lenguaje empático específico.
Cómo manejar elogios: lenguaje de agradecimiento.
Cuándo escalar a humano: señales claras.

Esto suele documentarse en un "guía de estilo" del chatbot, separada de la base de información factual.

El paso siguiente

Si tu chatbot actual da respuestas pobres o inconsistentes:

Auditar la base actual. ¿Está documentado todo lo necesario? ¿Está actualizado? ¿Hay contradicciones?
Listar los gaps. Las preguntas frecuentes que reciben los agentes pero el chatbot no responde bien.
Reorganizar en formato óptimo. Markdown estructurado, una fuente de verdad por información.
Asignar un dueño para mantenimiento continuo.
Establecer ciclo de revisión mensual o trimestral.
Medir mejora en tasa de resolución del chatbot durante 90 días.

La base de conocimiento es el activo más subestimado en cualquier implementación de chatbot. Invertir tiempo en ella rinde más que cualquier upgrade tecnológico sobre una base pobre. Kharyo Cortex Engine facilita la curación de la base con auto-wiki que interconecta los artículos, auditoría automática de contradicciones cuando se sube información nueva, y mantenimiento del tono de marca a través de toda la operación.