El cerebro de tu empresa con IA
Toda la información del negocio conectada en un solo lugar, para preguntarle cualquier cosa y que responda con el contexto completo.
01Qué es y qué hace
Una inteligencia artificial que tiene cargado todo lo que sabe tu empresa —documentos, mails, chats, reuniones, CRM, ventas, finanzas, procesos— conectado y actualizado solo, a la que cualquier persona del equipo le pregunta en lenguaje natural y responde con el contexto del negocio entero, citando de dónde sacó cada dato.
En palabras simples: es como tener a la persona que más sabe de la empresa disponible para todo el equipo, a cualquier hora, que además leyó cada documento, cada mail y cada reunión, y que siempre te dice de dónde sacó lo que te contesta.
No es «subir unos PDFs a un chat». Es un sistema que se sincroniza en vivo con cada herramienta, separa documentos de números, entiende quién es quién (clientes, proveedores, proyectos, personas), respeta qué puede ver cada área y sabe decir «no lo encontré» en vez de inventar.
Preguntas que responde cruzando departamentos
Ventas del ERP · reclamos del CRM · hilo de Slack de logística sobre faltantes de stock
Transcripción de la reunión · tareas del gestor de proyectos · mails posteriores
Manual comercial vigente (y aviso si un mail posterior la contradice)
Órdenes de compra · mails de reclamo · notas de calidad
Línea de tiempo con actas, mails, presupuestos y decisiones, en orden
Procedimiento interno de administración, paso a paso
Datos del sistema contable, con la definición oficial de margen
Para empresas donde el conocimiento vive en la cabeza de tres personas y en mil carpetas. El cerebro hace que un empleado nuevo pregunte lo mismo que preguntaría al dueño, y que el dueño tenga una respuesta con datos sin tener que pedirle un informe a nadie.
Qué lo separa de un chat con archivos
Cada cambio en Drive, Gmail, Slack, Notion o el CRM entra en minutos. Si un documento se borra, desaparece del cerebro.
Los textos se buscan por su significado; las ventas, el stock y la contabilidad se calculan sobre los datos reales. Un número nunca sale de un párrafo viejo.
Lo de recursos humanos nunca aparece en la respuesta de alguien de ventas. El filtro está en la base de datos, no en una instrucción a la IA.
Cada afirmación lleva el documento, la fecha y el link. Si dos fuentes se contradicen, muestra las dos.
«El cliente», «la cuenta grande del norte» y su razón social son la misma ficha, con todo su historial.
Un set de preguntas de prueba mide cada semana si encuentra la fuente correcta y si responde sin inventar.
Dónde se le habla
- Slack o Teams: mencionándolo en un canal o por mensaje directo. Responde en el hilo, con fuentes y botones de «Me sirvió» / «No me sirvió».
- Chat web interno con inicio de sesión de la empresa.
- Claude Desktop o Claude Code vía MCP: el cerebro aparece como una herramienta más, para trabajar con todo el contexto del negocio.
- Proactivo: cada lunes manda a cada área un resumen de lo que cambió, decisiones tomadas y temas abiertos.
02Qué necesitás
Las herramientas para armarlo. Todas son servicios en la nube con su propia cuenta; ninguna se instala en tu computadora.
| Herramienta | Para qué sirve, en simple | Cómo se consigue |
|---|---|---|
| n8n | El cerebro que conecta todo: trae la información de cada herramienta y responde las preguntas | n8n Cloud o servidor propio |
| Supabase | La base de datos donde vive toda la memoria de la empresa, con los permisos de cada área | Cuenta en supabase.com |
| Accesos a tus herramientas | Permiso para leer Google Drive, Gmail, Slack, Notion, el CRM y el sistema contable | Desde el panel de cada herramienta |
| MarkItDown | Convierte Word, PowerPoint, Excel y PDF a texto limpio que la IA puede leer | Gratis (Microsoft), corre junto a n8n |
| API de Claude | La inteligencia que entiende la pregunta, busca y redacta la respuesta | console.anthropic.com |
| API de OpenAI | Traduce cada documento a un formato que permite buscar por significado | platform.openai.com |
| Cohere | Elige, entre todo lo encontrado, los fragmentos que de verdad responden la pregunta | dashboard.cohere.com |
| Slack o Teams | Donde el equipo le hace las preguntas | El que ya usen |
Tu información ordenada en carpetas por área (comercial, operaciones, finanzas, personas), una lista de quién puede ver qué, y un responsable por área que diga si las respuestas están bien. El cerebro solo sabe lo que está escrito en algún lado: lo que vive en la cabeza de alguien, primero hay que escribirlo.
03Cómo funciona, paso a paso
Antes de lo técnico, el sistema en palabras simples. Son seis capas, y cada una resuelve un problema distinto.
1 · CONECTATus herramientas
→
2 · LIMPIATodo a texto
→
3 · GUARDADocumentos
→
4 · CALCULANúmeros
→
5 · RELACIONAQuién es quién
→
6 · RESPONDECon fuentes
1 · CONECTA
Se engancha a cada herramienta de la empresaDrive, Gmail, Slack, Notion, CRM, sistema contable, reuniones. Cada pocos minutos trae solo lo que cambió, y si algo se borra, también lo borra.
2 · LIMPIA
Pasa todo a texto limpioPDF, Word, mails, chats y audios quedan como texto ordenado. Se sacan firmas, avisos legales y mails repetidos.
3 · GUARDA DOCUMENTOS
Corta cada documento en partes con sentidoCada parte se guarda con una nota que dice de qué documento viene y de qué habla, para poder encontrarla aunque la pregunta use otras palabras.
4 · CALCULA NÚMEROS
Las ventas, el stock y las finanzas van aparteLos números no se buscan en textos: se calculan sobre los datos reales, con una definición única de cada indicador (qué es «venta», qué es «margen»).
5 · RELACIONA
Sabe quién es quiénReconoce clientes, proveedores, personas y proyectos aunque cada documento los nombre distinto, y arma la historia de cada uno.
6 · RESPONDE
Un agente que busca, combina y citaDecide dónde buscar, junta lo que encuentra, responde con la fuente de cada dato y solo muestra lo que esa persona tiene permiso para ver.
Meter todo, incluidos los números, en la misma bolsa de documentos. Funciona en la demo y falla con la primera pregunta de ventas: la IA termina sumando cifras de una planilla vieja. Por eso la capa 4 existe.
04Guía técnica de implementación
A partir de acá, para quien lo va a construir. Quince pasos; se recomienda arrancar con dos departamentos, medir con el paso 15 y recién después sumar el resto.
Paso 01 · Inventario de fuentes
Antes de tocar n8n, una planilla con cada fuente de conocimiento. Define qué se conecta, cómo y quién puede verlo:
| Área | Fuente | Tipo | Sincronización | Acceso |
|---|---|---|---|---|
| Comercial | Drive /Comercial · CRM · Gmail del equipo | Docs + datos | 15 min · webhook | comercial, dirección |
| Operaciones | Drive /Procesos · Slack #operaciones | Docs + chat | 15 min · tiempo real | todos |
| Finanzas | Sistema contable · Drive /Finanzas | Datos + docs | Nocturna | finanzas, dirección |
| RR. HH. | Drive /Personas | Docs | Diaria | rrhh |
| Dirección | Actas · transcripciones de reuniones | Docs + audio | Al terminar la reunión | dirección |
| Todos | Manuales, políticas, preguntas frecuentes | Docs | 15 min | todos |
Para cada fuente: ¿es conocimiento (texto que explica, decide o describe) o son datos (filas que se suman, se filtran y cambian)? Lo primero va a la memoria de documentos. Lo segundo va a tablas y se consulta con SQL. Una planilla de ventas cortada en fragmentos y metida en un vector es el error más caro de estos sistemas: el modelo va a sumar mal números que encima ya cambiaron.
Permisos por carpeta, no por persona
Replicar permiso por permiso de Drive es frágil. Se mapea cada carpeta raíz o canal a una lista de áreas (acl) y cada usuario a sus áreas. Simple de auditar y de explicar.
Paso 02 · Base de datos: la memoria de documentos
create extension if not exists vector;
create extension if not exists pg_trgm;
create extension if not exists unaccent;
create table sources (
id text primary key, -- drive-comercial, gmail-ventas, slack-ops…
kind text not null, -- drive|gmail|slack|notion|crm|meetings
config jsonb, -- carpeta, canal, filtros
acl text[] not null, -- áreas que pueden ver lo que entra por acá
cursor text, -- pageToken / historyId / timestamp
last_sync_at timestamptz
);
create table documents (
id uuid primary key default gen_random_uuid(),
source_id text references sources(id),
external_id text not null, -- id de Drive, id de hilo, ts de Slack
title text, url text, author text, department text,
doc_type text, -- politica|manual|contrato|acta|mail|chat|otro
acl text[] not null,
content_hash text, -- sha256 del markdown: igual = no reprocesar
source_updated_at timestamptz,
ingested_at timestamptz default now(),
deleted boolean default false,
unique (source_id, external_id)
);
create table chunks (
id bigserial primary key,
document_id uuid references documents(id) on delete cascade,
ord int,
heading_path text, -- "Manual comercial > Descuentos > Mayoristas"
content text not null, -- texto original del fragmento
context text, -- contexto generado en el paso 6
acl text[] not null, -- copia de documents.acl: filtra sin join
department text,
doc_date date,
embedding vector(1536),
fts tsvector generated always as
(to_tsvector('spanish', coalesce(heading_path,'') || ' ' ||
coalesce(context,'') || ' ' || content)) stored
);
create index on chunks using hnsw (embedding vector_cosine_ops)
with (m = 16, ef_construction = 64);
create index on chunks using gin (fts);
create index on chunks using gin (acl);
create index on chunks (document_id);create table entities (
id uuid primary key default gen_random_uuid(),
type text not null, -- cliente|proveedor|persona|proyecto|producto
name text not null,
aliases text[] default '{}',
attrs jsonb default '{}', -- rut, sector, responsable, id en el CRM…
unique (type, name)
);
create index on entities using gin (name gin_trgm_ops);
create table entity_mentions (
entity_id uuid references entities(id) on delete cascade,
chunk_id bigint references chunks(id) on delete cascade,
role text, -- "reclamó", "aprobó", "proveedor de"
primary key (entity_id, chunk_id)
);
create table app_users ( -- identidad → áreas que puede ver
email text primary key,
slack_id text unique,
departments text[] not null, -- siempre incluye 'todos'
is_admin boolean default false
);
create table ingest_queue ( -- desacopla conectores de procesamiento
id bigserial primary key,
source_id text, external_id text,
action text, -- upsert | delete
payload jsonb,
status text default 'pendiente', -- pendiente | procesando | listo | error
attempts int default 0, error text,
created_at timestamptz default now()
);
create index on ingest_queue (status, created_at);
create table query_log (
id bigserial primary key,
user_email text, channel text, question text,
tools_used jsonb, chunk_ids bigint[], answer text,
feedback smallint, -- 1 / -1 desde los botones
latency_ms int, cost_usd numeric(8,4),
created_at timestamptz default now()
);Paso 03 · Conectores incrementales
Un workflow por fuente con Schedule Trigger o webhook. No procesan nada: solo detectan qué cambió y lo dejan en ingest_queue. Así una fuente lenta no frena a las otras y los errores se reintentan.
| Fuente | Cómo detecta cambios | Cursor guardado |
|---|---|---|
| Google Drive | changes.list desde el último token, con includeRemoved=true | newStartPageToken |
| Gmail | users.history.list con historyTypes=messageAdded | historyId |
| Slack | Events API en tiempo real (message.channels), agrupado por hilo | — (push) |
| Notion | POST /v1/search ordenado por last_edited_time | Último timestamp |
| CRM | Webhooks de alta/cambio + barrido nocturno de seguridad | updated_at |
| ERP / contabilidad | Réplica nocturna al schema bi (paso 10), no pasa por la cola | Fecha de corte |
| Reuniones | Webhook del grabador al terminar (transcripción con hablantes) | — (push) |
GET https://www.googleapis.com/drive/v3/changes
?pageToken={{ $json.cursor }}
&includeRemoved=true&supportsAllDrives=true&includeItemsFromAllDrives=true
&fields=nextPageToken,newStartPageToken,changes(fileId,removed,
file(name,mimeType,modifiedTime,parents,trashed,webViewLink,lastModifyingUser))
// Paginar mientras venga nextPageToken. Guardar newStartPageToken en sources.cursor
// SOLO cuando todos los cambios quedaron en ingest_queue.const src = $('Fuente').first().json;
return $input.all().flatMap(({ json: ch }) => {
const gone = ch.removed || ch.file?.trashed;
if (!gone && !ch.file.parents?.some(p => src.config.folder_ids.includes(p))) return [];
return [{ json: { source_id: src.id, external_id: ch.fileId,
action: gone ? 'delete' : 'upsert', payload: ch.file ?? null } }];
});parents solo trae la carpeta inmediata. Al iniciar, un workflow recorre el árbol de cada carpeta raíz y guarda todos los ids en config.folder_ids; se refresca una vez por día.
Paso 04 · Normalización: todo a markdown limpio
Un workflow worker toma de a 10 tareas de la cola (query abajo) y convierte cada documento según su tipo:
files/{id}/export?mimeType=text/markdown: conserva títulos, listas y tablas
Nodo Extract From File; si devuelve menos de 200 caracteres por página, es escaneado → OCR
Mistral OCR o Claude con visión: «transcribí a markdown respetando tablas»
HTTP al microservicio MarkItDown (Docker, POST /convert con el binario)
No se fragmentan. Van a una tabla del schema bi y se registran en el catálogo
Un documento por hilo. Se eliminan citas de respuestas anteriores, firmas y avisos legales
Un documento por hilo; en canales sin hilos, una ventana por día
Transcripción con [hh:mm] Hablante: + resumen de decisiones y tareas generado al ingresar
Se calcula sha256 del markdown. Si coincide con content_hash, la tarea se marca lista sin gastar un token. Si cambió, se borran los chunks viejos del documento y se regeneran.
update ingest_queue q set status = 'procesando', attempts = attempts + 1 where q.id in ( select id from ingest_queue where status = 'pendiente' or (status = 'error' and attempts < 3) order by created_at limit 10 for update skip locked -- dos workers nunca toman la misma fila ) returning q.*;
Respuestas citadas (lo que sigue a «El … escribió:» o líneas con >), firmas, avisos legales y mails automáticos (encabezado List-Unsubscribe). Sin esto, un hilo de 40 mensajes repite el primero 40 veces.
Paso 05 · Fragmentación por estructura, no por caracteres
Cortar cada 1.000 caracteres parte tablas y separa títulos de su contenido. Este chunker respeta secciones y tablas:
const MAX = 2800, OVERLAP = 1; // ~700 tokens; solapa 1 bloque
const md = $json.markdown, out = [], path = [];
let buf = [], len = 0;
const flush = () => {
if (!buf.length) return;
out.push({ heading_path: path.filter(Boolean).join(' > '), content: buf.join('\n\n') });
buf = buf.slice(-OVERLAP); len = buf.join('').length;
};
for (const block of md.split(/\n{2,}/)) {
const h = block.match(/^(#{1,4})\s+(.*)/);
if (h) { // título nuevo: cierra el fragmento
flush(); buf = []; len = 0; path.length = h[1].length - 1; path.push(h[2]);
continue;
}
const isTable = block.trim().startsWith('|'); // las tablas nunca se parten
if (len + block.length > MAX && !isTable) flush();
buf.push(block); len += block.length;
}
flush();
return out.map((c, i) => ({ json: { ...c, ord: i } }));Paso 06 · Contexto por fragmento (contextual retrieval)
«El plazo es de 30 días» suelto no sirve: ¿plazo de qué? La técnica contextual retrieval que publicó Anthropic antepone a cada fragmento un párrafo que lo sitúa; según sus pruebas, con búsqueda por palabras reduce a la mitad las búsquedas fallidas.
<documento titulo="{{ $json.title }}" area="{{ $json.department }}" fecha="{{ $json.source_updated_at }}">
{{ $json.markdown }}
</documento>
Este es un fragmento del documento anterior:
<fragmento ruta="{{ $json.heading_path }}">
{{ $json.content }}
</fragmento>
Escribí en 2 o 3 oraciones el contexto necesario para entender este fragmento sin leer el resto: de qué documento es, a qué tema, cliente, producto, período o proceso se refiere, y cualquier definición del documento que haga falta. Respondé solo con el contexto, en español, sin repetir el fragmento.El documento completo se repite en cada fragmento. Llamando a la API de Anthropic con un HTTP Request (en vez del nodo de chat) se marca el bloque del documento con "cache_control": {"type": "ephemeral"}: a partir del segundo fragmento, ese texto se cobra a una fracción del precio. Los fragmentos de un documento se procesan en secuencia para aprovechar el caché.
Paso 07 · Embeddings e índices
- Texto a embeber:
heading_path + context + content. Lotes de 100 fragmentos por llamada. text-embedding-3-largecon"dimensions": 1536: el índice HNSW de pgvector admite hasta 2.000 dimensiones envector, y el modelo permite recortar sin perder casi calidad.- Insert de los chunks con
acl,departmentydoc_datecopiados del documento. - En la función de búsqueda,
hnsw.iterative_scan = relaxed_order(pgvector 0.8+): sin eso, filtrar por área puede dejar la búsqueda vectorial con menos resultados de los pedidos.
POST https://api.openai.com/v1/embeddings
{ "model": "text-embedding-3-large",
"dimensions": 1536,
"input": {{ JSON.stringify($input.all().map(i =>
[i.json.heading_path, i.json.context, i.json.content].join('
'))) }} }
// data[k].embedding corresponde a input[k]. Reintento con espera exponencial ante 429.Solo lo que cambió: el content_hash del paso 4 evita regenerar contexto y embeddings de documentos idénticos. La carga inicial es la única cara; después, el costo diario es proporcional a lo que el equipo edita.
Paso 08 · Búsqueda híbrida con fusión de rankings
Los vectores entienden sinónimos y fallan con códigos y nombres propios; el texto completo, al revés. Esta función corre las dos, filtra permisos y las fusiona con Reciprocal Rank Fusion:
create or replace function hybrid_search(
query_text text, query_embedding vector(1536),
user_areas text[], -- lo pasa el workflow, NUNCA el modelo
match_count int default 40, area_filter text default null,
since date default null, rrf_k int default 60
) returns table (id bigint, document_id uuid, heading_path text, content text,
context text, doc_date date, score float)
language sql stable
set hnsw.iterative_scan = 'relaxed_order' -- pgvector 0.8+: el filtro no vacía el HNSW
as $$
with permitted as (
select c.* from chunks c
where c.acl && user_areas
and (area_filter is null or c.department = area_filter)
and (since is null or c.doc_date >= since)
),
full_text as (
select p.id, row_number() over (order by ts_rank_cd(
p.fts, websearch_to_tsquery('spanish', query_text)) desc) as r
from permitted p where p.fts @@ websearch_to_tsquery('spanish', query_text)
limit match_count
),
semantic as (
select p.id, row_number() over (order by p.embedding <=> query_embedding) as r
from permitted p order by p.embedding <=> query_embedding limit match_count
)
select c.id, c.document_id, c.heading_path, c.content, c.context, c.doc_date,
coalesce(1.0 / (rrf_k + ft.r), 0) + coalesce(1.0 / (rrf_k + s.r), 0) as score
from full_text ft full outer join semantic s on s.id = ft.id
join chunks c on c.id = coalesce(ft.id, s.id)
order by score desc
limit match_count;
$$;Paso 09 · Reranking: de 40 candidatos a 8 fragmentos
Un modelo que lee pregunta y fragmento juntos los reordena: mucho más preciso que comparar vectores.
POST https://api.cohere.com/v2/rerank
{ "model": "rerank-v3.5", "query": "{{ $json.question }}", "top_n": 8,
"documents": {{ JSON.stringify($json.candidates.map(c =>
c.context + '\n' + c.content)) }} }
// relevance_score < 0.2 se descarta. Si no queda nada: { "encontrado": false }Paso 10 · Datos estructurados: la capa semántica
Las preguntas de números no se responden con documentos. Cada noche, un workflow replica a un schema bi las tablas necesarias del ERP, el CRM y la contabilidad (ventas, ítems, clientes, stock, cobranzas, gastos). Encima, un catálogo de métricas define cada número oficial de la empresa una sola vez:
id: ventas_netas
descripcion: Facturación sin impuestos, descontadas notas de crédito
sql: select {dim} as grupo, sum(i.neto) - coalesce(sum(nc.neto),0) as valor
from bi.facturas f join bi.items i on i.factura_id = f.id
left join bi.notas_credito nc on nc.factura_id = f.id
where f.fecha between :desde and :hasta and f.anulada = false
group by 1 order by 2 desc
dimensiones: [mes, cliente, linea_producto, vendedor, sucursal]
areas: [comercial, finanzas, direccion]
id: margen_bruto_pct
descripcion: (ventas netas - costo de lo vendido) / ventas netas, en %
dimensiones: [mes, linea_producto]
areas: [finanzas, direccion]
id: dias_cobranza
descripcion: Promedio de días entre emisión y cobro de facturas pagadas
dimensiones: [mes, cliente]
areas: [finanzas, direccion]La herramienta consultar_metrica recibe metric_id, rango de fechas y una dimensión de la lista permitida. Un Code node arma la query reemplazando {dim} desde un mapa fijo (nunca texto del modelo) y la ejecuta con parámetros. Así «margen» significa lo mismo para todos, siempre.
Preguntas que el catálogo no cubre
Para lo excepcional, una herramienta sql_lectura solo para usuarios is_admin, con cuatro barreras:
- Rol de Postgres
bi_readercongrant selectúnicamente sobre el schemabi. statement_timeout = '10s'ydefault_transaction_read_only = onen ese rol.- Code node previo que rechaza todo lo que no empiece con
select/witho contenga;. limit 500agregado siempre, y la query queda registrada enquery_log.
Paso 11 · Entidades: quién es quién
Al ingresar cada fragmento, Claude Haiku 5.5 extrae las entidades que menciona. Es lo que permite preguntar «todo sobre este cliente» y recibir la historia completa aunque cada documento lo llame distinto.
{ "entidades": { "type": "array", "items": { "type": "object",
"required": ["tipo", "nombre"],
"properties": {
"tipo": { "enum": ["cliente","proveedor","persona","proyecto","producto"] },
"nombre": { "type": "string", "description": "Como aparece en el texto" },
"rol": { "type": "string", "description": "Qué hace en este fragmento: "
"reclamó, aprobó, entregó tarde, firmó, es responsable de…" },
"ids": { "type": "object", "description": "RUT, n.º de cliente o mail" }
} } } }- Coincidencia exacta por id (RUT, número de cliente, mail) contra
entities.attrs→ misma entidad. - Coincidencia difusa:
similarity(unaccent(lower(name)), …) > 0.8contra nombre y alias del mismo tipo → misma entidad, se agrega el alias. - Zona gris (0,5 a 0,8): queda en una cola de revisión que un humano resuelve con dos botones en Slack. Una vez resuelto, el alias aprende.
- Sin coincidencia: entidad nueva. Los clientes y proveedores se precargan desde el CRM y el ERP para que casi todo caiga en los dos primeros casos.
select e.type, e.name, e.attrs,
json_agg(json_build_object(
'fecha', c.doc_date, 'rol', m.role, 'doc', d.title, 'url', d.url,
'texto', left(c.content, 400)) order by c.doc_date desc) as linea_de_tiempo
from entities e
join entity_mentions m on m.entity_id = e.id
join chunks c on c.id = m.chunk_id and c.acl && $2::text[] -- permisos
join documents d on d.id = c.document_id and not d.deleted
where e.id = $1
group by e.id;Si la entidad es un cliente, la herramienta suma las métricas del catálogo filtradas por ese cliente: ventas del año, días de cobranza y última compra.
Paso 12 · El agente orquestador
Nodo AI Agent con claude-sonnet-5-5, temperatura 0.2, max iterations 8 y memoria Postgres Chat Memory por hilo de conversación.
Sos el cerebro de {{ $('Config').item.json.empresa }}: respondés
preguntas del equipo con la información interna de la empresa.
Hoy es {{ $now.toFormat('yyyy-LL-dd') }}.
Quien pregunta: {{ $('Usuario').item.json.nombre }}
Áreas: {{ $('Usuario').item.json.areas.join(', ') }}
# Cómo elegir herramienta
- Números (ventas, márgenes, stock, cobranzas): consultar_metrica. Nunca saques un número de un documento si existe la métrica.
- Políticas, procesos, decisiones, conversaciones: buscar_documentos.
- Un cliente, proveedor, persona o proyecto concreto: ficha_360 primero.
- Preguntas que cruzan áreas: usá varias herramientas y combiná.
# Reglas
1. Respondé SOLO con lo que devuelven las herramientas. No uses conocimiento general para hechos de la empresa.
2. Citá cada afirmación con [n] y al final listá: [n] título · fecha · link.
3. Si las fuentes se contradicen, mostrá ambas. Priorizá la más reciente y la oficial (politica/manual por encima de mail o chat), y decilo.
4. Si no encontrás la respuesta, decilo claro y sugerí qué área podría saberlo. Nunca rellenes.
5. No menciones ni especules sobre documentos que no ves: si no está en los resultados, para vos no existe.
# Formato
Primero la respuesta en 1 a 3 oraciones. Después el detalle, si hace falta. Después las fuentes. [IDIOMA Y TONO DE TU EMPRESA], sin relleno.| Herramienta | Qué hace | Parámetros que decide el modelo |
|---|---|---|
| buscar_documentos | Sub-workflow: embedding → hybrid_search → rerank | consulta, área, desde, tipo de documento |
| consultar_metrica | Query del catálogo con parámetros | metric_id, desde, hasta, dimensión |
| ficha_360 | Resolución de nombre + línea de tiempo + métricas | nombre de la entidad |
| sql_lectura | Solo administradores (paso 10) | query SELECT |
Paso 13 · Identidad y permisos
La regla: el modelo nunca decide qué puede ver el usuario. Las áreas se resuelven antes del agente y viajan como parámetro fijo a cada herramienta.
- Llega el mensaje con el id del usuario (Slack
user, mail del login web, token del cliente MCP). - Slack:
users.infodevuelve el mail. Se busca enapp_users; si no existe, se responde «no tenés acceso» y se avisa al administrador. - Un nodo Set llamado Usuario guarda
{email, nombre, areas, is_admin}. - En cada herramienta (Call n8n Workflow Tool), el campo
user_areasse completa con{{ $('Usuario').item.json.areas }}, no con$fromAI(). El modelo no lo ve ni lo puede cambiar. - Las herramientas que el usuario no puede usar (como
sql_lectura) se quitan conectando dos agentes distintos segúnis_admincon un IF.
Buscar en todo y pedirle al modelo «no muestres lo de RR. HH.» es una filtración esperando a pasar: el contenido ya entró en su contexto y una pregunta ingeniosa lo saca. El filtro va en el where de la búsqueda, antes de que nada llegue al modelo.
alter table chunks enable row level security; create policy por_area on chunks for select using ( acl && (select departments from app_users where email = auth.jwt() ->> 'email') );
n8n se conecta con la clave de servicio de Supabase, que ignora RLS. Por eso la función de búsqueda del paso 8 recibe las áreas del usuario como parámetro y filtra adentro. RLS protege los accesos directos (chat web); el parámetro protege al agente. Las dos barreras, siempre.
Paso 14 · Interfaces: Slack, web y MCP
App con Events API (app_mention, message.im) apuntando a un Webhook de n8n. Responder 200 en menos de 3 s (y el challenge de url_verification la primera vez); procesar después. Publicar «Buscando…» con chat.postMessage en el hilo y reemplazarlo con chat.update al terminar. Ignorar eventos con bot_id para no responderse a sí mismo
Bloques con botones «Me sirvió» / «No me sirvió» (block_actions → otro webhook) que actualizan query_log.feedback; un «No me sirvió» abre un campo opcional de «qué faltó»
Chat Trigger de n8n con autenticación, embebido en la intranet; el login define el mail del usuario
MCP Server Trigger de n8n que expone buscar_documentos, consultar_metrica y ficha_360 con autenticación Bearer, un token por persona mapeado a app_users. Se agrega en Claude Desktop o Claude Code como conector remoto
Schedule Trigger los lunes: por área, documentos nuevos y modificados de la semana → resumen con decisiones, cambios de política y temas abiertos, enviado al canal del área
const { headers, body } = $json;
if (body.type === 'url_verification') return [{ json: { reply: body.challenge } }];
if (headers['x-slack-retry-num']) return []; // reintento de Slack: ya en proceso
const ev = body.event ?? {};
if (ev.bot_id || ev.subtype) return []; // bots, ediciones, borrados
const text = (ev.text ?? '').replace(/<@[A-Z0-9]+>/g, '').trim(); // sacar la mención
if (!text) return [];
return [{ json: {
user: ev.user, channel: ev.channel,
thread_ts: ev.thread_ts ?? ev.ts, // responder siempre en hilo
session_id: ev.channel + ':' + (ev.thread_ts ?? ev.ts), // memoria por hilo
question: text,
} }];La verificación de firma de Slack (X-Slack-Signature, HMAC SHA-256 de v0:timestamp:body con el signing secret) se hace igual que la de Meta en la guía 1, rechazando además timestamps de más de 5 minutos.
Paso 15 · Evaluación continua
Un cerebro que no se mide se degrada en silencio: cambia la forma de escribir los documentos, aparece una fuente nueva, alguien edita el prompt. Esto corre cada semana y después de cada cambio:
| Prueba | Cómo se mide | Objetivo |
|---|---|---|
| Set dorado | 100 preguntas reales (10 por área) con su respuesta y el documento que la contiene, armadas con cada responsable de área | — |
| Encuentra la fuente | hit@8: el documento correcto está entre los 8 fragmentos finales | ≥ 90% |
| No inventa | Juez LLM: cada afirmación de la respuesta está respaldada por un fragmento citado | ≥ 95% |
| Sabe decir que no | 20 preguntas sin respuesta en la base: debe decir que no lo encontró | 100% |
| Respeta permisos | Las mismas preguntas hechas por un usuario sin acceso: cero fragmentos de áreas ajenas | 100% |
| Velocidad | Latencia p95 de punta a punta | < 12 s |
El módulo Evaluations de n8n corre el set dorado contra el workflow y guarda los resultados por versión. Además, de la operación diaria salen tres reportes automáticos:
- Huecos de conocimiento: las preguntas con «no lo encontré» y los «No me sirvió», agrupadas por tema y enviadas al responsable del área. Es la lista de documentos que la empresa todavía no escribió.
- Frescura: alerta si una fuente no sincronizó en 24 h o si la cola tiene tareas en
errorcon 3 intentos. - Costo: costo por pregunta y por área desde
query_log.cost_usd, con alerta si se dispara.
Casi siempre por la ingesta, no por el modelo: un PDF escaneado que entró vacío, una carpeta que alguien movió y dejó de sincronizar, un mail con 40 respuestas citadas que tapó el contenido real. Por eso el paso 4 guarda cuántos caracteres produjo cada documento y alerta los que dan sospechosamente poco.
05Antes de salir a producción
Un cerebro de empresa toca la información más sensible del negocio. Esto no es opcional.
Datos y privacidad
- Borrado propagado: un documento eliminado en el origen desaparece del cerebro en la siguiente sincronización (probado).
- Datos sensibles (documentos de identidad, tarjetas, cuentas bancarias, salud) enmascarados con expresiones regulares antes de generar embeddings.
- Contratos con los proveedores de modelos que garanticen que los datos no se usan para entrenar.
- Backups diarios de la base y export de los workflows a un repositorio.
Permisos
- Mapa carpeta → áreas y usuario → áreas validado por dirección.
- Prueba de fuga: un usuario de cada área intenta obtener información de otra con 20 preguntas trampa.
- Registro de cada pregunta, quién la hizo y qué fragmentos se usaron (
query_log), revisable por auditoría.
Lanzamiento
- Arrancar con 2 áreas y 10 usuarios durante 2 semanas, mirando cada «No me sirvió».
- Set dorado en verde antes de sumar cada área nueva.
- Un responsable por área que reciba los huecos de conocimiento y los resuelva escribiendo el documento que falta.
Es mucho: conectores, ingesta, búsqueda híbrida, capa de métricas, entidades, permisos y evaluación son siete sistemas que tienen que funcionar como uno. Si querés el cerebro de tu empresa andando sin pasar por cada paso, escribinos y lo implementamos por vos.
¿Lo querés a medida para tu negocio?
Armo sistemas y agentes de IA, y doy consultorías y asesorías para equipos en Latinoamérica y España.
Trabajar conmigo