En el departamento de cumplimiento de un banco regional, alguien decidió contar los archivos. No por curiosidad: por necesidad. Entre discos compartidos, adjuntos de correo y sistemas de proveedores externos, las normativas internas, circulares regulatorias e informes de debida diligencia sumaban más de dos millones de documentos. Querían algo que sonaba sencillo: que un analista formulara una pregunta en lenguaje natural y el sistema devolviera una respuesta con su origen citado. Se toparon con tres muros. El primero, invisible pero infranqueable: nada podía salir de la red interna. El segundo era físico, una montaña de formatos —PDF escaneados, imágenes, oficios sinestructura— donde el ruido superaba a lo útil. Y el tercero, el más inquietante: un modelo que suena seguro mientras se equivoca, cuando cada frase tiene que poder rastrearse hasta su fuente.
Ese es el problema que UglyPear Data lleva años desentrañando. Lo que construimos es una base de ingeniería de datos de alto rendimiento para compresión de documentos y generación aumentada por recuperación (RAG), sostenida por un principio único: despliegue totalmente privado, los datos no abandonan nunca la red interna. Desglosamos qué se necesita, de verdad, para que una entidad financiera levante una base de conocimiento en la que se pueda confiar.
Por qué el sector financiero quiere una base de conocimiento y, a la vez, la teme
Gran parte de la jornada de un trabajador del conocimiento se desvanece buscando cosas. Una encuesta de IDC entre 1.200 trabajadores de información arrojó que los empleados dedican en promedio 4,5 horas semanales solo a localizar documentos. En un entorno financiero esa cifra tiende a subir. Hay más normativas, más versiones, más búsquedas cruzadas entre departamentos, y media jornada puede desaparecer simplemente confirmando cuál es la versión vigente y válida.
El problema de fondo es la sensibilidad de los datos. El informe IBM Cost of a Data Breach 2025 señala que, entre la información sustraída, la información personal identificable (PII) de clientes representó el 53 %, la PII de empleados el 37 % y la propiedad intelectual el 33 %. Y en el caso de la propiedad intelectual, el costo por registro expuesto puede llegar a 178 USD. Para un banco, una correduría o una aseguradora, entregar lotes de contratos, expedientes de clientes e informes de investigación a un modelo en la nube pública se parece demasiado a dejar abierta la puerta de la caja fuerte.
Y los datos no dejan de crecer. El reporte Komprise 2026 indica que el 74 % de las grandes empresas almacena más de 5 PB de datos no estructurados, el 40 % supera los 10 PB, y el 85 % de los responsables de TI prevé que el gasto en almacenamiento seguirá subiendo a lo largo de 2026. Los archivos, las imágenes y los registros de una entidad financiera son precisamente ese tipo de datos que ocupa espacio sin consultarse a menudo, y que encarece la factura en silencio.
La compresión es un requisito previo, no un detalle posterior
Muchos asumen que el RAG consiste en volcar documentos en una base de vectores y ya está. La realidad es menos limpia. Los documentos en bruto que se alimentan a un modelo —voluminosos, ruidosos, llenos de texto de relleno— disparan tanto el costo de los tokens como el ruido en la recuperación. Las respuestas se diluyen, la factura crece y la capa de búsqueda empieza a devolver fragmentos equivocados. Nuestro enfoque aplica una pasada de preprocesamiento antes de que cualquier archivo entre al sistema: PDF, imágenes, vídeo, audio, archivos de Office, OFD, escaneos y otros formatos frecuentes se tratan de forma uniforme, se comprimen donde ayuda, se ofuscan donde hace falta y se estructuran donde importa. En nuestras pruebas públicas, un documento OFD de 443 páginas se procesa de principio a fin en unos 124 segundos, y los activos de imagen comprimidos antes de enviarse a GPT-4o reducen el costo de tokens en torno al 85,9 %. El volumen suele bajar entre un 60 % y un 80 %, lo que significa que el mismo presupuesto de recuperación abarca más material y cada respuesta se apoya en un contexto más limpio.
Del prototipo a un sistema que se puede aceptar
En la línea de bases de conocimiento privadas dimos recientemente un paso más hacia algo entregable y verificable. Un sistema mínimo viable de aceptación ha superado las pruebas de extremo a extremo, cubriendo toda la cadena: desde la carga y la ingesta incremental, hasta la recuperación multipista con trazabilidad de origen, la respuesta con restricción de citas y la medición de uso. Se despliega con un único comando como contenedor dentro de la intranet del cliente, en funcionamiento totalmente offline. Para una entidad financiera esto significa levantar un repositorio interno donde ningún dato se envía a un servicio externo y cada respuesta lleva su fuente. Tras la optimización, la recuperación y la respuesta —que antes exigían esperar más de un minuto— responden ahora en menos de un segundo, lo bastante rápido para que la gente lo use de verdad en lugar de volver a escribirle un correo a un compañero.
Tres rutas, y cómo se diferencian en la práctica
Las entidades financieras suelen enfrentarse a tres caminos para construir una base de conocimiento, y las diferencias reales están en la soberanía de los datos y en la capacidad de preprocesamiento de documentos.
| Dimensión | Construir desde cero | Servicio gestionado en nube pública | Base RAG privada de UglyPear Data |
|---|---|---|---|
| ¿Los datos salen de la intranet? | Controlable, pero debes montar tu propia infraestructura | Normalmente se suben a la nube | Nunca sale de la intranet |
| Cumplimiento y auditoría | Bajo tu responsabilidad | Depende de las certificaciones del proveedor | Despliegue privado; respuestas rastreables y auditables |
| Preprocesamiento de documentos (análisis, ofuscación, compresión) | Autodesarrollado, esfuerzo considerable | Soporte parcial | Integrado, cubre 8 formatos comunes |
| Tiempo hasta el lanzamiento | Largo | Corto | Medio, con entrega en contenedor |
| Perfil ideal | Según capacidad del equipo | Buena escalabilidad elástica | Instituciones medianas y grandes, escenarios de intranet |
Para entidades con altos requisitos de soberanía, tipos de documento heterogéneos y ganas de ver resultados pronto, una base RAG privada suele ser la opción más sólida. Resuelve primero el paso más difícil —meter los documentos en el modelo de forma limpia— en vez de dejarlo como problema de otro.
Algunas recomendaciones prácticas al implementar
Trata la información sensible por anticipado. Nuestra base incorpora 13 categorías de detección de información sensible mediante inteligencia artificial, ofuscando regiones como rostros, identificaciones y sellos, para que los campos que nunca deberían llegar a un modelo queden fuera del contexto. No esperes resolverlo de una sola vez: empieza por una clase de documento de alto valor, como circulares regulatorias o manuales de producto, demuéstralo y luego amplía. Y escribe en los criterios de aceptación que toda respuesta debe citar su origen; sin trazabilidad, una respuesta no es digna de confianza en finanzas, donde una cita errónea puede significar una decisión equivocada.
Piensa en el presupuesto de recuperación, no solo en el modelo. Comprimir antes de la ingesta es lo que hace asequible consultar una y otra vez un conjunto de documentos grande y heterogéneo. El ahorro de tokens se acumula cada vez que alguien pregunta, y por eso una inversión única en preprocesamiento sigue rindiendo con el tiempo.
Preguntas frecuentes
P: Con una base de conocimiento RAG, ¿es cierto que los datos nunca salen de la intranet?
R: Bajo un despliegue privado, todo —desde el análisis, la compresión y la vectorización de los documentos hasta la generación de respuestas— se ejecuta en los servidores propios del cliente o en su red interna. No interviene ningún servicio en la nube externo, así que la soberanía de los datos permanece en la institución.
P: ¿Se pueden usar directamente formatos difíciles como escaneos y OFD?
R: Sí. La base cubre ocho formatos comunes —PDF, imágenes, vídeo, audio, Office, OFD, escaneos y más— y puede analizar y comprimir archivos de diseño fijo como los escaneos y el OFD antes de ingresarlos al sistema.
P: ¿Destruye la compresión el contenido clave?
R: La compresión sigue un principio de usabilidad primero. En pruebas públicas, un OFD de 443 páginas termina en unos 124 segundos de principio a fin, con un volumen reducido entre un 60 % y un 80 % mientras se preserva la legibilidad, y con protección específica para sellos y maquetación.
P: ¿Es más caro un despliegue privado que llamar a un modelo en la nube pública?
R: A corto plazo un despliegue privado requiere tu propia infraestructura, pero a largo plazo ahorra costo de tokens y riesgo de cumplimiento. Comprimir los documentos antes de ingresarlos reduce de forma notable el costo de tokens (los activos de imagen en torno al 85,9 % en nuestras pruebas públicas) y elimina la pérdida potencial por fuga de datos.
P: ¿Equipos pequeños también pueden usarlo?
R: La base privada encaja mejor en escenarios de intranet de instituciones medianas y grandes. Personas o equipos pequeños pueden comenzar con el producto de escritorio de UglyPear Data, SmartSlim, para resolver la compresión y organización de documentos en un solo equipo.
Pruébalo ahora
Si tu institución está evaluando una base de conocimiento privada, estos son buenos puntos de partida:
- Resumen de productos: SmartSlim y MagiFiler
- Base de ingeniería de datos RAG: UglyPear Data
- Más prácticas de ingeniería y pruebas: Blog de UglyPear Data
Para profundizar en la estrategia de despliegue privado, visita la página de inicio de UglyPear Data o explora el catálogo completo de productos y las entradas del blog técnico.