El fallo está antes de indexar
Empieza por una cifra. Quienes han montado un programa de gestión del conocimiento dedican unas 4,6 horas a la semana a buscar lo que necesitan; quienes no lo han hecho, 8,5. La diferencia —3,9 horas semanales— se traduce en una cifra más elocuente aún: por cada mil empleados, ese tiempo recuperado equivale al trabajo de noventa y ocho personas a tiempo completo. Lo dice un informe comparativo del ámbito de la gestión del conocimiento.
La moraleja es casi incómoda de tan elemental: que un archivo esté ahí y que pueda encontrarse y aprovecharse son asuntos distintos.
UglyPear Datos desarrolla compresión documental de alto rendimiento y una fundación de ingeniería de datos RAG, y suele trabajar con organizaciones que requieren un despliegue totalmente privado. En el terreno del gobierno y lo público nos topamos una y otra vez con el mismo bloqueo. El repositorio se levanta, los expedientes se cargan, y aun así, cuando un ciudadano o un empleado de atención directa pregunta algo, el sistema devuelve algo que no viene a cuento. Lo habitual es culpar al modelo y buscar uno superior. Nuestra experiencia dice otra cosa: la mayor parte de las respuestas fallidas no se gestan al responder, sino antes, cuando los archivos se dan por introducidos.
Y no es una impresión propia. Una encuesta nacional de 2025 de Compass Datacenters dejó estos números: el 77 % reconoce acumular bastante más información de la que necesita; el 95 % estaría dispuesto a eliminar archivos, pero únicamente el 10 % se siente seguro sobre cómo hacerlo; y el 59 % preferiría antes fregar los platos que poner en orden sus documentos digitales. Lo que nadie se molesta en ordenar, difícilmente se ordenará solo dentro de una máquina. Si lo que entra es un lío, por muy brillante que sea la capa final no hará sino hurgar entre ruido.
Aquí no se habla de qué modelo elegir, sino de por dónde empezar cuando una base de conocimiento público se aborda como ingeniería y no como maqueta de escaparate.
Hay decisiones que nadie pide y que, sin embargo, deciden el resultado. La aceptación de un proyecto suele mirar únicamente si las funciones están: si se puede subir, si se puede preguntar, si la interfaz agrada. Que las respuestas sigan siendo acertadas tres meses después del lanzamiento, eso nadie lo mide. Los equipos con oficio reúnen, incluso antes de escribir la primera línea de lógica de negocio, un conjunto etiquetado de preguntas: qué preguntan realmente las personas, cómo se parece una respuesta correcta, cuáles son frecuentes y cuáles se sitúan en el límite. Ese material, que a simple vista nada tiene que ver con «construir una base de conocimiento», es lo que convierte la calidad de la recuperación en algo medible. Sin esa vara, cada mejora posterior se decide a ojo.
Conviene ir más lejos y dejar sitio al fallo y a los casos límite. ¿Qué ocurre si la pregunta lleva una errata? ¿Y si una sola pregunta se apoya en dos documentos que se contradicen? ¿Y si un archivo ha quedado obsoleto? Pensar estas situaciones al principio evita que reaparezcan, ya convertidas en reclamaciones, después de la puesta en marcha.
¿Por qué dar este rodeo? Son demasiados los equipos que corren hacia las capacidades ya listadas: «soportamos búsqueda semántica», «hemos indexado todo», «ya hemos conectado un modelo grande». Cierto todo ello. Pero son medios, no el problema en sí.
Volvamos a lo más elemental: ¿qué quiere saber quien pregunta? Un ciudadano dice «¿qué tengo que llevar para matricular a mi hijo?»; el documento oficial escribe «relación de documentos exigidos para la admisión en la enseñanza obligatoria». Las dos frases apenas comparten palabras. La relevancia nunca ha dependido de que dos cadenas se parezcan, sino de que los significados encajen. Entendido esto, se entiende por qué la búsqueda puramente por palabras clave falla una y otra vez en la atención pública: compara letras, no intenciones.
También hay que hacer cuentas. No todo archivo merece un tratamiento semántico fino. Las guías de trámite y las respuestas frecuentes sobre normativa, sí; las actas de reuniones de hace diez años, quizá no. Que la compresión sea sin pérdida o con pérdida depende de quién vaya a recuperar ese material más adelante y de qué manera. Pulir todos los ficheros por igual gasta dinero y devuelve muy poco.
Existe en el sector un conjunto de prácticas públicas para salvar este trecho. Se puede combinar la precisión de las palabras clave con la flexibilidad del significado, recuperando candidatos por ambos caminos y fusionándolos después. Se puede reordenar la lista de resultados según su pertinencia, colocando arriba los que de verdad responden. Se puede reformular y desglosar la pregunta del usuario para traducir el habla cotidiana a una forma que la búsqueda digiere mejor, separando una cuestión compleja en varias más sencillas. Se puede acotar el terreno antes de buscar, filtrando por fecha, departamento o nivel de confidencialidad. Y se puede decidir con criterio dónde se corta un documento largo: demasiado fino y se pierde contexto, demasiado grueso y se cuela ruido.
Son prácticas abiertas, no una lista que cualquier proveedor haya completado. Al elegir, pregúntese una por una. Oír un término y dar por hecho que el asunto está resuelto es la forma más segura de llevarse un disgusto.
El avance que hemos empujado últimamente en la recuperación apunta justo en esta dirección: integrar todo el fondo documental en un índice semántico consultable, hacer que las preguntas coloquiales se entiendan, bajar la respuesta de extremo a extremo de la escala de los minutos a la de los diez y pico segundos, y someter a prueba tanto las formulaciones coloquiales como las normativas para confirmar que todas aciertan. El valor no está en lo bonito que quede el número, sino en haber convertido el «respondemos bien» de eslogan en algo reproducible.
El cumplimiento normativo es otro escollo que lo público no puede esquivar. Para calibrar el coste de una mala gestión documental basta mirar las estadísticas de aplicación del reglamento general de protección de datos de la Unión Europea: las multas relacionadas con esa mala gestión rondan, de media, los 4,2 millones de euros. Detrás de la cifra hay un hecho seco: una vez que los datos cruzan el perímetro o llegan a ojos que nunca debieron verlos, el daño va mucho más allá de un problema técnico. Por eso, en una base de conocimiento público, el cumplimiento no puede ser una nota añadida a última hora. Ha de ser el punto de partida y la condición previa. Qué campos se consideran sensibles, si se enmascaran automáticamente al entrar, qué permisos filtran los resultados al consultar, si cada acción deja huella: decidido esto desde el principio, el sistema puede incorporarse al trabajo diario en vez de quedarse expuesto en una pantalla de demostración. Es la soberanía de datos llevada a la práctica, también en entornos aislados del exterior.
¿Y cómo saber que esto funciona de verdad? Ahí entra la otra mitad del oficio: la verificación independiente. Un equipo serio guarda un juego de preguntas etiquetadas que nunca intervienen en el desarrollo ni en la depuración, como un examen aparte reservado para la entrega. Las métricas han de poder repetirse fuera de línea: que otra persona las ejecute y obtenga más o menos el mismo resultado. Los cambios importantes se comparan a ciegas, sin que quien evalúa sepa qué versión es la nueva. Las pruebas de regresión se ejecutan solas en cada actualización, para no caer en la trampa clásica de arreglar una cosa y romper otra. Sumando señales de usuarios reales y auditorías externas, la cadena de evidencia queda completa. Quien afirme que «tiene mucha precisión» sin poder mostrar un método repetible merece, cuando menos, cautela.
Puestas frente a frente, las principales vías para montar una base de conocimiento público se comparan así:
| Dimensión | Modelo en nube pública, conexión directa | Búsqueda por palabras clave + ordenación manual | Base privada (compresión + recuperación + gobernanza) |
|---|---|---|---|
| ¿Salen los datos de la red? | Sí | No | No |
| ¿Son trazables las respuestas? | Débil | Fuerte | Fuerte |
| Comprensión de preguntas coloquiales | Fuerte | Débil | Fuerte |
| Enmascaramiento de datos sensibles | Depende de la promesa | Manual | Puede automatizarse |
| Actualizaciones y reversión | Incontrolado | Manual | Incremental y reversible |
| Quién verifica la calidad | Lo que dice el proveedor | Sin verificación sistemática | Conjuntos etiquetados independientes y regresión |
La tabla hay que leerla con las propias restricciones a la vista. Que los datos salgan o no de la red suele ser la primera línea dura en lo público, y ese único criterio ya descarta la vía directa a la nube pública. Que una respuesta pueda rastrearse hasta su fuente importa porque toda decisión ha de poder revisarse; también es innegociable. Lo que de verdad separa las vías es la última fila: quién verifica la calidad. Una vía que se apoya únicamente en lo que afirma el proveedor entrega a ese proveedor el derecho a decidir si se acepta o se rechaza el resultado.
Una palabra más sobre la compresión. Muchos la tratan como un detalle de almacenamiento; dentro de una base de conocimiento es una operación previa. El escenario: el material público mezcla escaneos, hojas de cálculo y fotografías, un expediente ocupa sin esfuerzo decenas de megabytes, y cargarlo todo resulta lento y hambriento de espacio. El mecanismo: la compresión reduce el volumen eliminando información duplicada y redundante; bien hecha, conserva la nitidez de textos, sellos y gráficos, y ni la lectura automática ni la búsqueda inversa se resienten. El resultado: al ingerir muchos archivos a la vez, comprimir antes quita presión al almacenamiento y a la transferencia, y el índice semántico de aguas abajo corre más fluido. El volumen suele caer entre un 60 % y un 80 % sin que sellos ni gráficos pierdan legibilidad. Dicho en román paladino, la compresión ahorra no solo espacio, sino el tiempo muerto que toda la cadena llevaba incorporado.
Por eso trabajamos compresión y bases de conocimiento juntos. La fundación de ingeniería de datos RAG de UglyPear Datos (conocer más) cubre desde la compresión y el ordenamiento de formatos previos a la ingestión hasta la recuperación y la respuesta, y admite el enmascaramiento automático de trece categorías de información sensible para IA; junto con el despliegue totalmente privado (ver servicio), la compresión, la indexación y la respuesta se completan dentro del entorno del cliente, sin que los datos salgan de la intranet. El valor de esta vía no está en que un número concreto lidere la comparativa, sino en unir «guardar, gestionar, buscar y usar» en una cadena que puede auditarse y rastrearse.
Volvamos a la cifra inicial. Ahorrar 3,9 horas y sumar noventa y ocho personas a tiempo completo suena a asunto de eficiencia. Para un organismo público, sin embargo, se parece más a una cuestión de confianza: cuando un ciudadano pregunta, ¿recibe una respuesta exacta, revisable y que no filtra su privacidad? El trabajo se hace antes de la ingestión, la calidad se convierte en una métrica medible y el derecho a verificar se queda en casa. Solo entonces una base de conocimiento deja de ser otro escaparate que responde a despropósito.
Pruébalo ahora
Si te preocupa que tu base de conocimiento del gobierno o del sector público responda mal, deje salir datos o no ofrezca forma de comprobar la calidad, echa un vistazo a la propuesta de UglyPear Datos: la fundación de ingeniería de datos RAG y el despliegue totalmente privado. Más ideas sobre compresión y bases de conocimiento en nuestro blog técnico.
Preguntas frecuentes
Q: ¿Una base de conocimiento público que responde mal se arregla cambiando a un modelo más potente?
A: Casi nunca. La raíz está antes de la ingestión: archivos desordenados, cortes inadecuados, metadatos ausentes. Por muy fuerte que sea la capa de respuesta, buscará dentro del ruido. Empieza por convertir en métricas la gobernanza de datos y la calidad de la recuperación; habla de cambiar de modelo después.
Q: Si los datos no salen de la intranet, ¿siguen funcionando la búsqueda semántica y las respuestas coloquiales?
A: Sí. La indexación semántica, la recuperación y la respuesta pueden ejecutarse íntegramente en el entorno del cliente, sin que los datos crucen el perímetro. Con compresión y enmascaramiento, toda la cadena se cierra dentro de un despliegue privado.
Q: ¿Cómo sé si una base de conocimiento responde con acierto?
A: Fíjate en si muestra un método repetible: un conjunto etiquetado independiente, métricas que cualquiera puede repetir, comparaciones a ciegas y pruebas de regresión permanentes. Desconfía de un «tenemos mucha precisión» sin forma de verificarlo.
Q: ¿La compresión puede difuminar sellos o tablas importantes?
A: Bien hecha, no. Reduce el volumen y conserva la nitidez de textos, sellos y gráficos; puedes previsualizar y comprobar el resultado antes de pasarlo a la recuperación posterior.
Q: ¿Esta solución exige recurrir a una nube pública?
A: No. Puede desplegarse por completo en la red del cliente: compresión, indexación, respuesta y enmascaramiento se hacen en local, sin que los datos salgan.