Klyro
Volver al blog
16 de noviembre de 2026

Base de conocimientos sobre IA: cómo mantenerla actualizada

Explica la estructura de la base de conocimientos para los agentes de IA, proporciona orientación sobre el formato de los documentos, la granularidad de la información, la actualización rutinaria tras un cambio de política o producto, el
A dedicated athlete competes in a marathon using a racing wheelchair on city streets.
Photo by Yusuf Miah on Pexels

Por qué mantener la base de conocimientos actualizada es el trabajo continuo más importante en IA

Las empresas que implementan agentes de IA en servicio suelen concentrar sus esfuerzos, tiempo y presupuesto en elegir el modelo, configurar la plataforma y realizar las pruebas iniciales. Tras la puesta en marcha, la operación comienza a funcionar y el equipo vuelve a ocuparse de otras prioridades. Semanas después, comienzan a aparecer señales de que algo no funciona: los clientes se quejan de que las respuestas son incorrectas, las conversaciones se transfieren con frecuencia a asistentes humanos y la satisfacción disminuye sin motivo aparente.

El problema no está en el modelo de IA. Lo que impulsa las respuestas del agente es la base de conocimientos obsoleta, incompleta o mal estructurada. A diferencia de un chatbot basado en flujos fijos, en el que cada respuesta se programa manualmente, la IA generativa busca información en documentos, páginas y registros proporcionados por la empresa. Si esos materiales están desactualizados, son contradictorios o faltan, la IA responde en función de lo que encuentra, lo que podría significar orientar al cliente con una política antigua, un precio que cambió o un proceso que ya no existe.

Mantener la base de conocimientos actualizada no es una tarea de implementación única. Es una rutina operativa continua, tan importante como revisar las colas de servicio, monitorear las métricas de satisfacción o ajustar las campañas. En este artículo se explica cómo estructurar los documentos, definir quiénes son los responsables de la actualización, identificar las brechas de contenido, probar las respuestas antes de entregarlas a los clientes y medir la calidad de la automatización a lo largo del tiempo.

¿Cómo estructurar los documentos para que la IA pueda utilizarlos

La IA generativa no puede inferir el contexto que falta ni llenar los vacíos de información. Busca una coincidencia entre la pregunta del cliente y el contenido disponible en la base de datos. Si el documento es genérico, está incompleto o está escrito para uso interno, la respuesta será inexacta o incompleta.

La estructura recomendada para cada documento de la base de conocimientos incluye:

  • Título descriptivo que refleja la pregunta real del cliente, no el nombre interno del proceso. Ejemplo: «Cómo solicitar un reembolso por un producto defectuoso» en lugar de «Política empresarial 2.3: devoluciones».
  • Respuesta objetiva en las primeras líneas, seguida de detalles solo cuando sea necesario. La IA tiende a priorizar las primeras frases del contenido.
  • Criterios de elegibilidad explícitos cuando la respuesta depende de condiciones. Ejemplo: «Este procedimiento solo se aplica a las compras realizadas en los últimos 30 días».
  • Numerados paso a paso para los procesos que implican varios pasos, evitando las descripciones de un solo párrafo que dificultan la obtención de instrucciones claras.
  • Ejemplos practicos que ilustran situaciones comunes, especialmente en lo que respecta a las políticas de excepción, los plazos o los montos.
  • Fecha de la última actualización y responsable de la revisión, para facilitar las auditorías periódicas y evitar que el contenido desactualizado permanezca activo.

Los documentos escritos para consumo doméstico (con acrónimos, referencias a sistemas antiguos o lenguaje técnico) deben reescribirse o complementarse con versiones orientadas al cliente antes de introducirlos en la base de IA. La BrandPlatform [permite capacitar a los agentes de IA con la documentación, el sitio web y la base de conocimientos de la empresa] (URL0), pero la calidad de la respuesta depende directamente de la claridad y la integridad del contenido proporcionado.

Cuándo actualizar: señales de que la base necesita ser revisada

La base de conocimientos debe revisarse siempre que se produzca un cambio en el producto, la política comercial, el proceso operativo, el precio, el tiempo de entrega, la integración con los socios o cualquier información que afecte a la respuesta al cliente. Esperar a que el problema aparezca en las conversaciones y luego solucionarlo significa exponer a los clientes a información errónea durante el período de obsolescencia.

Entre las señales prácticas que indican la necesidad de una actualización se incluyen las siguientes:

  • **Aumento del número de solicitudes que deberían ser resueltas mediante la inteligencia artificial, especialmente cuando el motivo registrado es «información incorrecta» o «respuesta incompleta».
  • Disminución de la satisfacción (CSAT) en las conversaciones respondidas por la IA sin aumentar el volumen ni cambiar el perfil del cliente.
  • Clientes que regresan por el mismo motivo en un período breve, lo que sugiere que la primera respuesta no solucionó el problema o que estaba desactualizada.
  • Informes de auditoría interna que señalan las divergencias entre lo que informó la IA y lo que está en vigor en la política actual.
  • Comentarios directos de asistentes humanos que indican que tienen que corregir la información proporcionada por la IA antes de transferir la conversación.

Además de estas señales reactivas, es fundamental establecer una rutina de revisión proactiva. Cualquier cambio de producto, campaña de temporada, cambio normativo o actualización del sistema que afecte al cliente debe activar una lista de verificación para actualizar la base de conocimientos antes de que el cambio entre en vigor.

Rutina de actualización: quién la hace, cuándo y cómo probarla

La actualización de la base de conocimientos requiere una responsabilidad compartida en todas las áreas. El equipo de servicio identifica las lagunas e incoherencias en las conversaciones; el equipo de producto o de ventas proporciona los cambios; y la persona responsable de seleccionar el contenido valida, estructura y publica las actualizaciones.

La rutina recomendada incluye:

  1. Revisión semanal de ejemplos de conversaciones atendidas por la AI, seleccionando los casos transferidos a humanos, las críticas negativas y los recontactos por el mismo motivo. El objetivo es identificar los patrones de fallos recurrentes.
  2. Registro de las brechas identificadas en un documento centralizado, con una descripción del problema, un ejemplo de una conversación afectada, responsable de proporcionar la información correcta y una fecha límite para su resolución.
  3. Actualización o creación de documentos en la base de conocimientos, siguiendo la estructura guiada anteriormente, con título, respuesta objetiva, criterios, paso a paso y ejemplos.
  4. Prueba de respuesta antes de su lanzamiento para los clientes, en la que se simulan preguntas reales en un entorno de aprobación para comprobar que la IA encuentra el contenido actualizado y responde correctamente.
  5. Registro de versiones y cambios, que permite mantener un historial de cambios para saber cuándo se actualizó cierta información y quién la actualizó.
  6. Comunicación interna para asistentes humanos, lo que garantiza que el equipo sepa lo que ha cambiado y esté preparado para entablar las conversaciones que la IA transfiera sobre el tema.

Las plataformas de servicios modernas con inteligencia artificial integrada facilitan este proceso, ya que permiten [capacitar a los agentes de inteligencia artificial con múltiples fuentes] (URL 1) y transmitir al asistente humano el contexto completo de la conversación. BRAND, por ejemplo, combina [la automatización de los servicios con la posibilidad de la participación humana en la operación] (URL2), preservando la continuidad entre los canales y entre la IA y la persona.

¿Cómo identificar las brechas de contenido de las conversaciones transferidas

Las conversaciones transferidas de la IA a un asistente humano son la principal fuente de inteligencia para identificar lo que falta en la base de conocimientos. Cada transferencia debe incluir no solo el historial de la conversación, sino también el motivo por el que la IA decidió realizar la transferencia.

Los principales motivos de transferencia que indican una brecha de contenido son:

  • Pregunta ajena al ámbito mapeado, cuando el cliente solicita información sobre un producto, servicio o proceso que no está documentado en la base de datos.
  • La información está presente pero desactualizada, lo que hace que la IA dé una respuesta correcta según la documentación anterior, pero incorrecta según la política actual.
  • Pregunta que requiere una decisión o interpretación, como las solicitudes de excepción, la negociación de una fecha límite o el análisis de un caso específico que la IA no tiene la autonomía para resolver.
  • Contenido contradictorio entre los documentos, lo que lleva a la IA a ofrecer respuestas inconsistentes según la fuente consultada.
  • Proceso descrito de forma genérica, sin detalles suficientes para guiar al cliente en situaciones específicas.

Para cada motivo recurrente de transferencia, hay que evaluar si la solución consiste en añadir contenido nuevo, actualizar el contenido existente, mejorar la estructura del documento, añadir ejemplos prácticos o redefinir los límites de la acción de la IA, dejando claro cuándo debe transferirse porque la demanda requiere la intervención humana por naturaleza, no por falta de información.

[BrandOfrece una bandeja de entrada unificada] (URL3) con el contexto completo del cliente, lo que facilita a los agentes revisar el historial de conversaciones con la IA e identificar los patrones de error. Cuando [varios asistentes usan el mismo número de WhatsApp Business] (URL4), por ejemplo, todas las interacciones se registran en un único historial, lo que permite un análisis longitudinal de la calidad del servicio automatizado.

Granularidad de la información: cuándo dividir o unificar los documentos

Los documentos demasiado largos dificultan que la IA localice información específica; los documentos demasiado fragmentados aumentan el riesgo de respuestas incompletas. La granularidad óptima equilibra la profundidad y la facilidad de búsqueda.

La orientación práctica es:

  • Un documento por proceso o política, que abarca todas las variaciones y excepciones dentro del mismo texto, con secciones claramente identificadas.
  • Se divide en varios documentos cuando los procesos son independientes, se aplican a diferentes públicos o siguen plazos y condiciones diferentes. Ejemplo: la política de cambio y la política de cancelación deben estar en documentos separados, incluso si ambas son políticas empresariales.
  • Secciones del mismo documento para las variantes del mismo proceso, como el reembolso por compras en persona o por compras en línea, siempre que los criterios de elegibilidad estén explícitos al principio de cada sección.
  • Enlaces internos entre documentos relacionados, lo que permite a la IA complementar una respuesta inicial sugiriendo al cliente que consulte otro tema si la necesidad surge durante la conversación.

Evite la duplicación de contenido. Si la misma información aparece en varios lugares, cualquier actualización tendrá que replicarse manualmente, lo que aumentará el riesgo de incoherencia. Prefiere centralizar la información común en un documento principal y hacer referencia a ese documento desde otros contextos.

Proceso de validación de respuestas antes de su publicación

Actualizar un documento y publicarlo directamente en la base de conocimientos sin probar la respuesta de la IA es una práctica arriesgada. Es posible que la IA no localice el contenido nuevo, que mezcle información de varias fuentes o que interprete mal la estructura del texto.

El proceso de validación recomendado incluye:

  1. Publicar en un entorno de aprobación o marcar el documento como «en revisión» hasta que finalicen las pruebas.
  2. Simulación de preguntas reales enviadas por los clientes sobre el tema actualizado, utilizando múltiples variaciones lingüísticas para comprobar la solidez de la búsqueda.
  3. Verificación de la respuesta completa y correcta, confirmando que la IA encontró el contenido actualizado, no lo mezcló con documentos antiguos y presentó la información de forma clara.
  4. Transferir las pruebas cuando procediere, que permiten comprobar que la IA reconoce cuando la demanda requiere la intervención humana y las transfiere con un contexto preservado.
  5. Revisión por parte de un asistente humano o especialista sobre el tema, asegurándose de que la respuesta generada por la IA se ajusta a la política actual y no contiene ambigüedades.
  6. Disponible para producción solo después de la aprobación de todos los puntos anteriores, con una comunicación interna sobre los cambios.

Las plataformas que ofrecen [agentes de IA con transferencia a un asistente humano] (URL5) facilitan este proceso al permitir que la transferencia se realice de forma transparente cuando la IA identifica que no puede responder de forma segura. Establecer límites claros sobre cuándo realizar la transferencia es tan importante como la calidad de la base de conocimientos.

Estrategia de control de versiones e historial de cambios

Mantener un historial de los cambios en la base de conocimientos es esencial para las auditorías, el análisis de las causas fundamentales de los problemas y la anulación de los cambios que han mermado la calidad de las respuestas.

La estrategia de control de versiones debe incluir:

  • Fecha y hora de cada actualización, registrando cuándo se modificó el documento.
  • Responsable del cambio, lo que facilita el contacto en caso de duda o necesidad de anular el cambio.
  • Breve descripción del cambio, explicando qué se actualizó y por qué. Ejemplo: «Se actualizó el plazo de entrega de 7 a 10 días hábiles según la nueva política comercial».
  • Se conserva la versión anterior del documento, lo que permite la comparación en paralelo y la reversión si es necesario.
  • El motivo por el que se activó la actualización, como un cambio de producto, los comentarios de los clientes, una auditoría interna o la identificación de una brecha en una conversación transferida.

Las herramientas de administración de contenido dirigidas a las bases de conocimiento suelen ofrecer un control de versiones nativo. Cuando la base de datos se alimenta de documentos externos (Google Docs, Notion, Confluence), es importante establecer un proceso manual para registrar los cambios en una hoja de cálculo centralizada o en una herramienta de gestión de contenido.

Indicadores de calidad de la base de conocimientos

El monitoreo de la calidad de la base de conocimientos requiere métricas que revelen no solo el volumen del contenido, sino también su eficacia para resolver las demandas de los clientes sin necesidad de transferencia humana.

Los indicadores recomendados incluyen:

  • Tasa de resolución sin transferencia, que mide el número de conversaciones iniciadas por la IA que se finalizaron sin transmitirlas a un asistente humano, segmentadas por motivo de contacto.
  • **La satisfacción de las conversaciones respondidas por IA (CSAT) **, recopilada mediante una encuesta automática al final de la conversación, comparada con la satisfacción de las conversaciones humanas.
  • Tiempo medio de resolución de las conversaciones respondidas por la IA, que mide si la respuesta fue objetiva o si el cliente tuvo que preguntar varias veces para obtener información completa.
  • Porcentaje de recontactos en un plazo de 24 horas, lo que permite identificar a los clientes que han devuelto por el mismo motivo, lo que sugiere que la primera respuesta estaba incompleta o era incorrecta.
  • Volumen de transferencias por motivo, clasificadas por falta de contenido, contenido desactualizado, información contradictoria o demanda que supera el alcance esperado.
  • Antigüedad media de los documentos de la base de datos, controlando el tiempo que transcurre entre las actualizaciones y marcando el contenido que no se ha revisado durante más de 90 días.
  • Cobertura de los motivos de contacto, comparando la lista de motivos reales de contacto (obtenida de las conversaciones) con los temas documentados en la base de conocimientos.

Estos indicadores deben revisarse semanalmente en las operaciones activas y mensualmente en las operaciones más pequeñas, con acciones definidas para cada desviación identificada. [La marca ofrece análisis con paneles de control en tiempo real] (URL6), lo que facilita la supervisión de las métricas del servicio por canal y por tipo de demanda.

Integración con CRM y sistemas para respuestas personalizadas

Las bases de conocimiento genéricas responden a preguntas comunes, pero muchas solicitudes de clientes requieren información de registro específica, historial de compras y estado de pedidos o contratos. Para que la IA brinde respuestas personalizadas, necesita consultar los sistemas externos en tiempo real.

La integración recomendada incluye:

  • Conexión mediante IA con CRM mediante API, lo que le permite buscar información de contacto, historial de conversaciones anteriores, etiquetas de segmentación y atributos personalizados.
  • Consulta con los sistemas de pedido, entrega y facturación, que permite actualizar el estado de las transacciones en curso sin necesidad de que el cliente proporcione un número de pedido o un protocolo.
  • Acceso controlado a la información confidencial, lo que garantiza que la IA solo exponga los datos personales después de la autenticación del cliente o la confirmación de la identidad.
  • Registra todas las consultas realizadas por IA, manteniendo una auditoría del acceso a los datos y facilitando la investigación de los problemas o las exposiciones indebidas.

Plataformas como BRAND [se conectan a los CRM y a las herramientas de automatización mediante la API REST y los webhooks] (URL7), lo que permite a los agentes de IA consultar la información de sistemas externos antes de responder. Esta capacidad convierte a la IA de un asistente genérico en un asistente contextualizado capaz de resolver las demandas que requieren datos específicos de los clientes.

Errores comunes que comprometen la base de conocimientos

Incluso con un proceso estructurado, los errores recurrentes comprometen la eficacia de la base de conocimientos:

  • Documentos escritos en lenguaje interno, con acrónimos, jerga y referencias a sistemas que el cliente desconoce, lo que dificulta su interpretación por parte de la IA y hace que las respuestas sean incomprensibles.
  • Contenido duplicado en varios lugares, lo que requiere una actualización manual en cada punto y aumenta el riesgo de incoherencia.
  • Falta de ejemplos practicos, lo que deja procesos descritos de forma abstracta que no guían al cliente en situaciones reales.
  • Ausencia de criterios de elegibilidad explícitos, lo que llevó a la IA a proporcionar directrices genéricas que no se aplican al caso del cliente.
  • Los documentos obsoletos no se han eliminado de la base, lo que permite a la IA consultar información antigua y dar respuestas incorrectas.
  • Proceso de aprobación lento que retrasa la publicación de las actualizaciones, lo que permite que la información errónea esté disponible durante días o semanas después del cambio.
  • Falta de pruebas antes de publicar contenido nuevo, confiando en que la IA interpretará correctamente el texto sin necesidad de una validación práctica.

Evitar estos errores requiere una gobernanza clara, una rendición de cuentas definida y rutinas de revisión periódica. La base de conocimientos no es un proyecto de implementación; es un activo operativo que requiere un mantenimiento continuo.

Preguntas frecuentes

** ¿Con qué frecuencia debo revisar la base de conocimientos? ** Las revisiones reactivas deben realizarse siempre que cambie un producto, una política o un proceso. Las revisiones proactivas deben incluir una revisión semanal de las conversaciones transferidas y una auditoría mensual de los documentos que no se hayan actualizado recientemente. Los documentos críticos (políticas empresariales, plazos, precios) deben revisarse antes de cada campaña o lanzamiento de temporada.

** ¿Quién debería ser responsable de mantener la base de datos actualizada? ** La responsabilidad es compartida. Los asistentes identifican las lagunas e inconsistencias; los equipos de productos, comerciales u operaciones proporcionan información actualizada; y el comisario de contenido estructura, valida y publica. En las operaciones más pequeñas, el gerente del servicio puede acumular curadurías, pero el proceso no debe depender de una sola persona.

** ¿Cómo comprobar si la IA responde correctamente después de actualizar la base de datos? ** Simule preguntas reales en un entorno de aprobación, utilizando múltiples variaciones lingüísticas. Comprueba que la IA encuentre el contenido actualizado, que la respuesta sea completa y correcta y que no se mezcle con documentos antiguos. Pruebe también casos y situaciones excepcionales que requieran la transferencia de personas. Lánzalo para producción únicamente después de la aprobación de todos los puntos.

** ¿Qué hacer cuando la IA mezcla información de diferentes documentos? ** Revise la estructura de los documentos para eliminar la superposición de contenido. Centralice la información común en un documento principal y haga referencia a ella desde otros contextos. Usa títulos y secciones claros para facilitar la búsqueda de la IA. Si es necesario, indica explícitamente en el documento cuándo se aplica cada información.

** ¿Cómo evitar que los documentos queden desactualizados sin que nadie se dé cuenta? ** Registre la fecha de la última revisión en cada documento y lleve un registro de la antigüedad promedio de la base. Configure alertas automáticas para los documentos que no se hayan actualizado durante más de 90 días. Cada cambio en un producto o proceso debe generar una lista de verificación para la revisión de la base de datos antes de su lanzamiento. Incluya la revisión del contenido en las rutinas operativas habituales.

** ¿Puede la IA inventar información que no está en la base de conocimientos? ** Los modelos de lenguaje generativo pueden crear respuestas plausibles que no coincidan con los hechos reales, un fenómeno conocido como alucinación. Para reducir este riesgo, configura la IA para que responda únicamente en función de los documentos proporcionados y transfiérela a un humano cuando no encuentre información coincidente. Realice pruebas con regularidad y revise las conversaciones con bajo nivel de satisfacción.

** ¿Cómo identificar qué temas faltan en la base de datos? ** Analice las conversaciones transferidas al asistente humano y clasifique los motivos. Los temas recurrentes que generan transferencias debido a la falta de información indican vacíos que deben llenarse. Compare la lista de motivos reales de contacto (obtenida de las conversaciones) con los documentos disponibles en la base de datos. Priorice los temas con mayor volumen e impacto en la satisfacción.

** ¿Puedo usar el sitio web de la empresa como base de conocimientos? ** Sí, pero ten cuidado. Los sitios web suelen mezclar contenido institucional, marketing e información operativa. Indique a la IA qué páginas consultar y compruebe si las respuestas generadas reflejan las políticas actuales. Muchas empresas prefieren estructurar una base de conocimientos específica, con un lenguaje claro y orientado al servicio, para lograr un mayor control de calidad.

Referencias

  • [Chatbot con IA o chatbot con reglas: ¿cuál elegir para el servicio? | Octadesk] (URL8)
  • [Servicio con IA: desde la respuesta hasta la ejecución de las tareas en los sistemas | Octadesk] (URL9)
  • [Flujo de servicio: cómo dibujar el tuyo desde cero (con plantilla) | Octadesk] (URL10)

Compartir

Abre Instagram y pega el enlace en tu publicación/stories.